CPU、GPU、NPU到底啥区别
一张图讲清楚三大芯片的本质差异
一句话总结
| 芯片 | 定位 | 核心能力 |
|---|---|---|
| CPU | 通用计算中枢 | 逻辑控制、顺序执行 |
| GPU | 并行计算引擎 | 海量并行、浮点运算 |
| NPU | AI专用加速器 | 矩阵运算、低功耗推理 |
二、核心架构对比
2.1 设计思想
flowchart TB
CPU["CPU<br/>总经理"] --> CPUT["通用性强<br/>少量高效核心"]
GPU["GPU<br/>流水线工厂"] --> GPUT["并行性强<br/>数千计算核心"]
NPU["NPU<br/>AI专用技工"] --> NPUT["专用性强<br/>神经网络核心"]
style CPU fill:#e3f2fd,stroke:#1a73e8
style GPU fill:#fff8e1,stroke:#f57c00
style NPU fill:#e8f5e9,stroke:#388e3c
2.2 算力对比
flowchart TB
A["算力单位"] --> B["GFLOPS<br/>CPU"]
A --> C["TFLOPS<br/>GPU"]
A --> D["TOPS<br/>NPU"]
B --> B1["几十-几百"]
C --> C1["几十-几千"]
D --> D1["几千-上万"]
style B fill:#e3f2fd,stroke:#1a73e8
style C fill:#fff8e1,stroke:#f57c00
style D fill:#e8f5e9,stroke:#388e3c
2.3 能效比对比
| 芯片 | 能效比 | 原因 |
|---|---|---|
| CPU | 10-30 GFLOPS/W | 通用设计，控制开销大 |
| GPU | 50-100 GFLOPS/W | 并行优化，功耗中等 |
| NPU | 200-400 GFLOPS/W | 专用电路，极致优化 |
三、应用场景选择
flowchart TB
TASK["任务类型"] --> SMALL["小模型推理"]
TASK --> LARGE["大模型训练"]
TASK --> GRAPHIC["图形渲染"]
TASK --> REAL["实时AI"]
SMALL --> CPU_RES["CPU优先"]
LARGE --> GPU_RES["GPU主力"]
GRAPHIC --> GPU_RES
REAL --> NPU_RES["NPU专属"]
style TASK fill:#e3f2fd,stroke:#1a73e8
style SMALL fill:#e3f2fd,stroke:#1a73e8
style LARGE fill:#fff8e1,stroke:#f57c00
style GRAPHIC fill:#fff8e1,stroke:#f57c00
style REAL fill:#e8f5e9,stroke:#388e3c
场景对照表
| 场景 | 推荐芯片 | 说明 |
|---|---|---|
| 日常办公 | CPU | 串行任务为主 |
| 游戏/3A大作 | GPU | 图形并行处理 |
| 手机AI拍照 | NPU | 低功耗实时处理 |
| 大模型训练 | GPU | 浮点并行计算 |
| 边缘推理 | NPU | 能效比最优 |
四、技术原理简析
4.1 CPU：少而精
- 架构：2-64核，复杂控制单元
- 擅长：逻辑判断、顺序执行、系统调度
- 代表：Intel Xeon、AMD Zen、ARM Cortex
4.2 GPU：多而快
- 架构：数千小核心，SIMT并行
- 擅长：矩阵运算、浮点计算、批量处理
- 代表：NVIDIA RTX、AMD RDNA
4.3 NPU：专而省
- 架构：脉动阵列、专用MAC单元
- 擅长：神经网络推理、量化计算
- 代表：Apple Neural Engine、华为达芬奇
五、选型指南
flowchart TB
START["选择芯片"] --> A["CPU<br/>日常办公"]
START --> B["GPU<br/>游戏渲染"]
START --> C["NPU/GPU<br/>AI推理"]
START --> D["GPU集群<br/>大模型训练"]
style START fill:#e3f2fd,stroke:#1a73e8
style A fill:#e3f2fd,stroke:#1a73e8
style B fill:#fff8e1,stroke:#f57c00
style C fill:#e8f5e9,stroke:#388e3c
style D fill:#fff8e1,stroke:#f57c00
六、总结
一句口诀：
CPU是全能总指挥，GPU是并行算力王，NPU是AI省电专家
核心差异：
- CPU：啥都能干，但不是最强的
- GPU：并行无敌，功耗也高
- NPU：AI专用，最省电
未来趋势：
- 训练用GPU，推理用NPU
- 异构协同成主流
参考来源：