Kas yra GPU (vaizdo plokštė) ir kuo ji skiriasi nuo CPU?

„Silicio širdys“ – taip dažnai vadinami du svarbiausi kompiuterio komponentai: centrinis procesorius (CPU) ir grafinis procesorius (GPU). Nors iš pažiūros tai panašūs mikroprocesoriai, skirti duomenų apdorojimui, jų inžinerinė filosofija ir veikimo principai skiriasi fundamentaliai. Šiuolaikinėje rinkoje, kurioje dominuoja aukštos raiškos 4K žaidimai ir generatyvinis dirbtinis intelektas (DI), suprasti takoskyrą tarp nuoseklaus loginio mąstymo (CPU) ir masinio lygiagretaus skaičiavimo (GPU) yra kritiškai svarbu. Ši apžvalga gilinasi į techninę architektūrą, paaiškindama, kodėl šie komponentai nėra konkurentai, o veikiau neatsiejami partneriai skaitmeninėje ekosistemoje.

CPU: Sistemos „smegenys“ ir loginių operacijų lyderis

Centrinis procesorius (CPU) yra suprojektuotas kaip universalus valdymo centras, orientuotas į mažą delsą (low latency). Jo pagrindinė užduotis – itin greitai vykdyti sudėtingas, nuoseklias instrukcijas. Įsivaizduokite CPU kaip elitinį mokslininką ar įmonės vadovą: jis geba spręsti unikalias, sudėtingas problemas, valdyti operacinės sistemos procesus, paskirstyti atmintį ir reaguoti į vartotojo įvestį per milisekundes. Nors šiuolaikiniai vartotojų klasės procesoriai paprastai turi nuo 6 iki 24 branduolių (serveriniai – iki 128), kiekvienas iš jų yra itin galingas ir lankstus, galintis savarankiškai apdoroti skirtingas užduotis.

GPU: Masinio lygiagretumo jėgainė

Grafinis procesorius (GPU) laikosi visiškai kitokios – pralaidumo (throughput) – filosofijos. Jei CPU yra mokslininkas, tai GPU – tai tūkstančių disciplinuotų darbininkų armija. Atskiras GPU branduolys yra gerokai paprastesnis ir lėtesnis už CPU branduolį, tačiau vaizdo plokštėje jų yra tūkstančiai (pvz., modernios „NVIDIA RTX“ serijos kortos turi virš 16 000 CUDA branduolių). Ši architektūra skirta lygiagrečiajam apdorojimui – kai ta pati instrukcija taikoma milžiniškam duomenų kiekiui vienu metu. Tai idealiai tinka grafikai, kur milijonams pikselių reikia vienu metu pritaikyti spalvos ar apšvietimo koordinates.

Esminiai architektūriniai skirtumai

Norint suprasti, kodėl GPU negali pakeisti CPU (ir atvirkščiai), būtina pažvelgti į jų vidinę struktūrą:

• Branduolių tipologija: CPU naudoja sudėtingą instrukcijų rinkinį (CISC arba RISC) ir turi didelius spartinančiosios atmintinės (cache) rezervus, kad sumažintų duomenų paieškos laiką. GPU branduoliai yra optimizuoti SIMD (Single Instruction, Multiple Data) principui – vienas nurodymas vykdomas tūkstančiams duomenų srautų.
• Lankstumas prieš specializaciją: CPU gali vykdyti bet kokį kodą, įskaitant sudėtingas logines šakas (branching). GPU efektyvumas krenta, jei užduotys nėra vienodos ir lygiagrečios; jis skirtas „bruliai jėgai“ duomenų masyvuose.
• Atminties pralaidumas: GPU dažnai naudoja greitesnę, specializuotą atmintį (pvz., GDDR6X), kuri užtikrina didžiulį duomenų srauto pralaidumą (iki 1 TB/s), ko CPU architektūrai paprastai nereikia.

Evoliucija: nuo žaidimų iki dirbtinio intelekto

Iki maždaug 2006 m. GPU buvo išimtinai žaidėjų ir 3D dizainerių įrankis. Lūžis įvyko atsiradus programuojamoms sistemoms, tokioms kaip CUDA, kurios leido programuotojams pasiekti GPU resursus ne tik grafikai, bet ir bendriesiems skaičiavimams (GPGPU). Paaiškėjo, kad gilusis mokymas (Deep Learning) ir neuroniniai tinklai reikalauja būtent to, ką geriausiai atlieka vaizdo plokštės – matricų daugybos ir vektorių skaičiavimo. Šiandienos DI modeliai (pvz., GPT serija) yra treniruojami naudojant tūkstančius sujungtų GPU, nes CPU šiuos skaičiavimus atliktų dešimtis kartų lėčiau.

Išvada

Apibendrinant galima teigti, kad CPU ir GPU santykis yra simbiotinis. CPU išlieka nepakeičiamu sistemos administratoriumi, priimančiu sprendimus ir valdančiu logiką, o GPU veikia kaip specializuotas akceleratorius, atliekantis sunkųjį „matematinį darbą“. Nors technologijos tobulėja, šis darbo pasidalijimas išlieka efektyviausiu būdu užtikrinti tiek sklandų kasdienį darbą, tiek proveržį dirbtinio intelekto bei fotorealistinės grafikos srityse.

Naudoti šaltiniai

• Patterson, D. A., & Hennessy, J. L. (2017). Computer Architecture: A Quantitative Approach. (Architektūriniai skirtumai). 
• NVIDIA. (2024). CUDA ir lygiagretusis skaičiavimas. (Techninė dokumentacija apie GPGPU).
• Intel. (2024). The difference between CPU and GPU architectures. (Palyginamoji analizė).
• Technews.lt. (2023). Vaizdo plokščių evoliucija ir DI įtaka. (Lietuviškas kontekstas). 
• Kirk, D. B., & Hwu, W. W. (2016). Programming Massively Parallel Processors. (Programavimo paradigmos).