1. ai算力为什么看gpu而不是cpu算力是cpu还是gpu
ai算力看重gpu而不是cpu的原因如下：
1. 并行计算能力：GPU（图形处理单元）相对于CPU（中央处理单元）在并行计算方面具有显著优势。AI计算通常涉及大量的矩阵运算和并行计算任务，而GPU设计用于高效处理这些任务。GPU拥有更多的核心和线程，可以同时执行更多的计算操作，提供更快速和高效的并行计算能力。
2. 特化硬件架构：现代GPU通常采用特殊的硬件架构来加速深度学习和神经网络相关的计算。例如，NVIDIA的CUDA架构和Tensor Cores通过专门的硬件单元提供了针对深度学习任务的优化计算能力。这种特化的硬件架构使GPU在处理AI工作负载时更加高效。
3. 计算性能和功耗比：GPU通常具有更高的浮点计算性能和更低的功耗比例。在AI应用中，需要进行大量的浮点数计算，包括矩阵乘法、卷积运算等。GPU的架构可以更好地支持这些计算需求，并提供更高的吞吐量和更低的功耗。
4. AI框架和库支持：许多流行的AI框架和库，如TensorFlow、PyTorch和CUDA等，都针对GPU进行了优化，并提供了相应的GPU加速功能和接口。这使得开发者可以方便地利用GPU的计算能力来加速深度学习和机器学习任务。
综上所述，由于GPU在并行计算、特化硬件架构、计算性能和功耗比以及AI框架支持等方面的优势，评估AI算力时通常会将重点放在GPU的性能上。然而，CPU仍然在一些特定的AI任务中扮演重要角色，如数据预处理、模型部署和推理等。
原因：
我们常说的CPU多线程编程偏向于前者， GPU的并行编程模式则偏向于后者 。后者对庞大但逻辑简单的算力需求，有明显更强更高效的支持能力。
或者我们也可以这么认为：AI领域的大数据流运算本来就是一个模糊概率问题，并没有多少很精准的计算需求， 也就不要那么多的算力“牛人”（CPU），需要的是很多能够干一般活的“工人”（通用GPU） 。
2. ai绠楀姏鍜屽摢浜涙ц兘鏈夊叧ai绠楀姏鍜屽摢浜涙ц兘鏈夊叧鑱
銆銆AI绠楀姏鍜岃稿氬洜绱犳湁鍏筹紝浠ヤ笅鏄涓浜涙渶閲嶈佺殑鎬ц兘鎸囨爣锛
銆銆1. GPU锛氬浘褰㈠勭悊鍣ㄦ槸AI璁缁冨拰鎺ㄧ悊涓鏈閲嶈佺殑缁勪欢涔嬩竴銆傚畠浠鏄涓洪珮骞跺彂璁＄畻鑰岃捐＄殑锛屽叿鏈夋瘮浼犵粺涓澶澶勭悊鍣ㄦ洿楂樼殑骞惰屾э紝杩欎娇寰桮PU鍙浠ユ洿蹇鍦拌繘琛屽悜閲忓拰鐭╅樀璁＄畻锛屼粠鑰屽姞閫烝I妯″瀷鐨勮缁冨拰棰勬祴銆
銆銆2. CPU锛氳櫧鐒禛PU闈炲父閲嶈侊紝浣咰PU涔熸壆婕旂潃鑷冲叧閲嶈佺殑瑙掕壊銆侰PU涓昏佺敤浜庢帶鍒禛PU鎵ц屼换鍔★紝骞剁＄悊瀛樺偍鍣ㄣ佺綉缁溿佽緭鍏/杈撳嚭绛夊叾浠栧瓙绯荤粺銆
銆銆3. 鏄惧瓨锛欰I搴旂敤闇瑕佸ぇ閲忕殑鏄惧瓨鏉ュ瓨鍌ㄦ潈閲嶇煩闃点佹縺娲诲煎拰鍏朵粬鏁版嵁锛屼互鍙婅繘琛岀壒寰佹彁鍙栧拰绁炵粡缃戠粶璁＄畻銆傚洜姝わ紝鏄惧瓨瀹归噺鎴愪负浜嗚瘎浼癆I绠楀姏鐨勪竴涓閲嶈佹寚鏍囥
銆銆4. 绠楁硶鍜屼紭鍖栵細闄や簡纭浠舵柟闈锛孉I绠楁硶鍜屼紭鍖栦篃鍗佸垎閲嶈併備笉鍚岀殑绠楁硶鍙浠ュ湪鐩稿悓纭浠朵笂瀹炵幇涓嶅悓绋嬪害鐨勬ц兘鎻愬崌銆傛ゅ栵紝浼樺寲鎶鏈濡傛贩鍚堢簿搴﹁＄畻銆佸紓姝ユ搴︿笅闄嶇瓑涔熷彲浠ュ姞閫熻缁冩垨鎺ㄧ悊杩囩▼銆
銆銆5. 缃戠粶鎷撴墤缁撴瀯锛氱炵粡缃戠粶鏋舵瀯鍙浠ュ奖鍝嶆ā鍨嬪ぇ灏忋佸嶆潅搴﹀拰璁缁冩椂闂淬備竴浜涚綉缁滃俆ransformer銆丷esNet绛夌粨鏋勬洿閫傚悎鍦ㄨ秴澶ц勬ā鏈虹兢涓婅缁冿紝鑰屽叾浠栧侻obileNetV2銆丒fficientNet绛夌綉缁滅粨鏋勫彲鑳芥洿閫傚悎鍦ㄨ竟缂樿惧囦笂杩涜屾帹鐞嗐
銆銆6. 鏁版嵁闆嗗ぇ灏忥細鏁版嵁鏀鎸佹槸AI绠楁硶鐨勫熀纭銆傚傛灉娌℃湁瓒冲熺殑璁缁冩暟鎹锛屾ā鍨嬪氨鏃犳硶瀛︿範鍒版湁鐢ㄧ殑淇℃伅锛屼粠鑰岄檺鍒朵簡鍏舵ц兘鍜屽噯纭鎬с
銆銆缁间笂鎵杩帮紝AI绠楀姏涓庣‖浠惰惧囥佺畻娉曞拰浼樺寲鎶鏈銆佺炵粡缃戠粶鎷撴墤缁撴瀯浠ュ強鏁版嵁閲忕瓑閮藉瘑鍒囩浉鍏炽