Eine GPU (Graphics Processing Unit) wurde, wie der Name schon sagt, ursprünglich entwickelt, um Bilder auf dem Bildschirm darzustellen. Die Berechnung der Farbe von Millionen von Pixeln in jedem Frame eines Spiels erfordert, dass dieselbe einfache Operation auf riesige Datenmengen gleichzeitig angewendet wird. Diese parallele Rechenleistung hat GPUs in Bereichen von der wissenschaftlichen Datenverarbeitung bis hin zur künstlichen Intelligenz unverzichtbar gemacht.
Der Unterschied zwischen einer CPU und einer GPU
Die Zentraleinheit (CPU) ist wie der „Geschäftsführer“ des Computers: Mit leistungsstarken Kernen, meist zwischen einigen wenigen und einigen Dutzend, betreibt sie das Betriebssystem und erledigt komplexe, sequentielle Aufgaben, die Entscheidungen erfordern. Eine GPU besteht aus Tausenden einfacherer Kerne und zeichnet sich dadurch aus, dass sie dieselbe Operation auf vielen Daten gleichzeitig ausführt. Als Analogie: Eine CPU ist eine kleine Gruppe von Experten-Professoren, während eine GPU eine riesige Klasse von Schülern ist, von denen jeder gleichzeitig einfache Summen berechnet.
Wie GPUs in die KI kamen
Das Training künstlicher neuronaler Netze besteht im Wesentlichen aus der Multiplikation riesiger Zahlentabellen (Matrizen) – genau die Art von paralleler Arbeit, die GPUs schnell erledigen. Mitte der 2000er Jahre verbreiteten sich Werkzeuge, die es einfacher machten, GPUs für allgemeine Berechnungen zu programmieren (wie Nvidias CUDA-Plattform). Der Erfolg von AlexNet, einem auf GPUs trainierten Modell, bei einem Bilderkennungswettbewerb im Jahr 2012 gilt als Beginn des Deep-Learning-Zeitalters. Heute werden große Sprachmodelle durch Trainingsläufe entwickelt, die Wochen oder sogar Monate auf Tausenden miteinander verbundenen GPUs in Rechenzentren dauern.
Rechenzentrums-GPUs und globaler Wettbewerb
Rechenzentrums-GPUs, die für KI konzipiert sind, mit Speicher mit hoher Bandbreite und schnellen Chip-zu-Chip-Verbindungen, unterscheiden sich stark von Gaming-Karten – und sind weitaus teurer. Die Nachfrage nach diesen Chips hat die Chiphersteller in die Riege der wertvollsten Unternehmen der Welt aufsteigen lassen, und Länder wie die USA beschränken den Export der fortschrittlichsten KI-Chips aus Gründen der nationalen Sicherheit.
Auswahl einer GPU für Ihren eigenen Computer
- Integriert oder dediziert? Integrierte Grafiken, die im Prozessor verbaut sind, reichen für Büroarbeit, Surfen und Videos aus. Gaming, 3D-Design, Videobearbeitung oder das lokale Ausführen von KI-Modellen erfordern eine dedizierte Grafikkarte.
- VRAM: Der Speicher der Grafikkarte ist entscheidend für hochauflösende Spiele und große KI-Modelle.
- Stromverbrauch und Kühlung: Leistungsstarke Karten verbrauchen viel Energie; stellen Sie sicher, dass Ihr Netzteil und Ihr Gehäuse dafür geeignet sind.
- NPUs: Neue Laptops enthalten auch „Neural Processing Units“ (NPUs), die KI-Aufgaben mit wenig Energie bewältigen; sie sind nützlich für alltägliche KI-Funktionen.
Quellen und weiterführende Literatur
- Nvidia, „What’s the Difference Between a CPU and a GPU?“.
- Krizhevsky, Sutskever und Hinton, „ImageNet Classification with Deep Convolutional Neural Networks“ (2012).
- Intel, „CPU vs. GPU: What’s the Difference?“.
Kommentar hinterlassen
Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert