GPU

コンピュータの中には、代表的な2種類の頭脳が存在します。一つがCPUで、もう一つがGPUです。例えるなら、CPUは難しい微積分の問題を一人でスラスラ解いてしまう万能の天才教授のような存在です。プログラムの実行順序を決め、複雑な命令を一つずつ素早く解決していきます。

一方のGPUは、足し算や掛け算のような単純な計算だけが得意な数千〜数万人もの小学生軍団に似ています。生徒一人ひとりの能力は教授には遠く及びませんが、簡単な問題を1万問解くとなれば話は別です。教授が1万問を1問ずつ順番に解いている間に、1万人の生徒は合図に合わせて1秒で同時に全部解き終わってしまうからです。

このような処理方式を「並列処理（複数の作業を同時に分担して処理する方式）」と呼びます。一度に膨大な量の単純計算をこなさなければならない作業では、GPUがCPUを圧倒するスピードを誇ります。

GPUが最初に作られた目的は、ディスプレイ画面にゲームのグラフィックスを描き出すことでした。最新の3Dゲーム画面は、何百万もの点（ピクセル）で構成されています。キャラクターが動くたびに、何百万もの点の色や位置を1秒間に60回以上再計算しなければなりません。こうした作業に必要なのは複雑な論理展開ではなく、単純な座標や色の計算の繰り返しです。

ところが2000年代後半から2010年代初頭にかけて、研究者たちがディープラーニング（深層学習）の学習にGPUを使うと圧倒的に速くなることを示し始めました。画像認識などのディープラーニングの計算は、実はグラフィックス処理と非常によく似た計算だったのです。AIもまた、巨大な数字の集まり（行列）を掛け合わせたり足し合わせたりする単純計算を何兆回も繰り返すからです。

こうしてゲーム用として生まれたGPUは、AI時代を牽引する最も重要なエンジンへと活躍の場を移しました。現代の対話型AIや画像生成AIの多くも、数多くのGPUやそれに似たAI専用チップが休むことなく数字を計算し続けた結果生まれたものです。

もう少し詳しく見てみると、GPUが何でもCPUより優れているわけではありません。この2つのチップは、内部の設計そのものが根本から異なります。一般的なパソコン用CPUは、計算を担当するコア数が数個から数十個程度と少なめですが（サーバー用では100個を超えるものもあります）、各コアの処理能力が非常に高く、メモリからデータを素早く引き出すキャッシュメモリが大きいのが特徴です。

対するGPUは、コア1つひとつのサイズがとても小さくシンプルです。その代わり、小さなコアをチップ1つの中に数千個から数万個もぎっしり詰め込んでいます。ただし、GPUのコアはCPUのコアと数え方の基準が異なるため、単純に数だけで比較することはできません。そのため、複雑な条件分岐（もし〜ならこうする、といった命令）が多かったり、前の計算結果が出ないと次の段階に進めない作業では、GPUはその実力を発揮できません。

したがって最新のコンピュータでは、CPUがシステム全体の指揮や複雑な論理処理を担い、画面への描画やディープラーニング演算のような大規模な並列作業だけをGPUに任せるという協力体制をとっています。