Heutigen Systemen wird wesentlich mehr abverlangt als je zuvor – ob bei Deep-Learning-Anwendungen, massiv-paralleler Datenverarbeitung, intensivem 3D-Gaming oder anderen anspruchsvollen Anwendungen. CPU (Central Processing Unit, „Hauptprozessor“) und GPU (Graphics Processing Unit, „Grafikprozessor“) haben sehr verschiedene Aufgaben. Wofür werden CPUs verwendet? Wozu setzt man GPUs ein? Bei der Anschaffung eines neuen Computers und dem Vergleich der technischen Eigenschaften ist es wichtig zu wissen, welche Rolle jedes dieser Geräte spielt.
Was ist eine CPU?
Die aus Millionen oder Milliarden Transistoren aufgebaute CPU kann mehrere Prozessorkerne („Rechenkerne“) haben und wird verbreitet auch als Gehirn des Computers bezeichnet. Sie ist das grundlegende Bauelement aller modernen Computersysteme, da sie die Programmbefehle und die für den Computer und das Betriebssystem erforderlichen Prozesse ausführt. Außerdem bestimmt die CPU maßgeblich, wie schnell Programme ausgeführt werden können, vom Surfen im Internet bis zur Tabellenkalkulation.
Die GPU ist ein Prozessor, der aus vielen kleineren und für speziellere Aufgaben konzipierten Kernen besteht. Durch ihr Zusammenspiel bieten die Kerne enorme Leistung, wenn Prozesse der Datenverarbeitung auf viele Kerne aufgeteilt werden können.
Was ist der Unterschied zwischen einer CPU und einer GPU?
CPUs und GPUs haben viele Gemeinsamkeiten. Beide sind entscheidend wichtige Computerelemente. Beide sind auf Halbleitertechnik basierende Mikroprozessoren. Und beide verarbeiten Daten. CPUs und GPUs haben jedoch verschiedene Architekturen und werden für unterschiedliche Zwecke eingesetzt.
Die CPU eignet sich für eine Vielzahl von Aufgaben, insbesondere für diejenigen, bei denen es auf die Latenz oder Leistungsfähigkeit pro Kern ankommt. Als leistungsstarker Baustein für die Ausführung von Programmbefehlen nutzt die CPU die geringere Anzahl der Kerne für einzelne Aufgaben und deren schnelle Erledigung. Damit ist die CPU in besonderer Weise für Jobs von der seriellen Datenverarbeitung bis zum Betrieb von Datenbanken geeignet.
GPUs waren anfangs spezialisierte ASICs, die zur Beschleunigung bestimmter 3D-Rendering-Prozesse entwickelt wurden. Im Lauf der Zeit wurden diese Grafik-Engines mit ursprünglich festgelegter Funktion besser programmierbar und flexibler. Während nach wie vor die Grafikdarstellung und die zunehmend naturgetreue Wiedergabe heutiger Top-Computerspiele die Hauptfunktion der GPUs ist, haben sie sich zwischenzeitlich auch zu Mehrzweck-Parallelprozessoren für ein größer werdendes Anwendungsspektrum entwickelt.
Was versteht man unter integrierter Grafik?
Bei der integrierten Grafik oder Grafik mit gemeinsam genutztem Speicher befindet sich die Grafikeinheit auf demselben Chip wie die CPU. Bestimmte CPUs können mit einer integrierten GPU geliefert werden, anstatt sich auf dedizierte oder diskrete Grafik zu stützen.
Integrierte Grafikprozessoren bieten mehrere Vorteile. Ihre Integration mit CPUs ermöglicht es ihnen, Platz-, Kosten- und Energieeffizienzvorteile gegenüber dedizierten Grafikprozessoren zu bieten. Sie stellen ausreichende Leistung für die Verarbeitung grafikrelevanter Daten und Befehle bei allgemeinen Aufgaben wie dem Surfen im Web, dem Streamen von 4K-Spielfilmen und für Gelegenheitsspiele bereit.
Dieses Konzept findet am häufigsten bei Geräten Anwendung, bei denen kompakte Abmessungen und Energieeffizienz von Bedeutung sind, wie Laptops, Tablets, Smartphones und einige Desktop-PCs.
Beschleunigung von Deep Learning und KI
Gegenwärtig werden GPUs für immer mehr Aufgaben wie Deep Learning und künstliche Intelligenz (KI) genutzt. Eine GPU oder andere Beschleuniger sind ideal für Deep-Learning-Training mit neuronalen Netzwerkschichten oder für massive Sätze bestimmter Daten, wie z. B. 2D-Bilder.
Deep-Learning-Algorithmen wurden für einen GPU-beschleunigten Ansatz angepasst. Mit der Beschleunigung erhalten diese Algorithmen einen signifikanten Leistungsschub und bringen die Trainingszeit realer Probleme in einen machbaren und tragfähigen Bereich.
CPUs und die für sie erstellten Software-Bibliotheken haben sich im Verlauf der Zeit zu wesentlich leistungsfähigeren Werkzeugen für Deep-Learning-Aufgaben weiterentwickelt. Durch umfassende Softwareoptimierungen und die Hinzufügung dedizierter KI-Hardware, wie Intel® Deep Learning Boost (Intel® DL Boost) in den neuesten skalierbaren Intel® Xeon® Prozessoren, genießen CPU-basierte Systeme beispielsweise Verbesserungen bei der Deep-Learning-Leistung.
Bei vielen Anwendungen, wie etwa beim High-Definition-, 3D- und nicht bildbasierten Deep Learning mit Sprach-, Text- und Zeitreihendaten, kommen die Stärken von CPUs zur Geltung. CPUs können wesentlich größere Arbeitsspeicher als selbst die besten heutigen GPUs für komplexe Modelle oder Deep-Learning-Anwendungen (z. B. 2D-Bild-Erkennung) unterstützen.
Die Kombination von CPU und GPU sowie ausreichend großem RAM bietet hervorragende Testmöglichkeiten für Deep Learning und KI.
Jahrzehntelange Führungsposition in der CPU-Entwicklung
Intel blickt auf eine langjährige Erfahrung in der CPU-Innovation zurück, die 1971 mit der Vorstellung des 4004 als ersten kommerziellen Mikroprozessor, der vollständig auf einem Halbleiterchip integriert ist, ihren Anfang nahm.
Heute kann mit Intel® CPUs auf Basis der gewohnten x86-Architektur die gewünschte KI-Lösung dort realisiert werden, wo dies sinnvoll erscheint. Von der hochleistungsfähigen skalierbaren Intel® Xeon® Prozessorreihe im Rechenzentrum und in der Cloud bis zu energieeffizienten Intel® Core™ Prozessoren am Netzwerkrand bietet Intel CPUs für jeden Bedarf an.
Intelligente Leistungseigenschaften von Intel® Core™ Prozessoren der 13. Generation
Intel® Core™ Prozessoren der 13. Generation nutzen eine leistungshybride Architektur mit schnelleren Performance-cores (P-cores) und mehr Efficient-cores (E-cores) mit branchenführenden Tools, um die Leistung und Multitasking-Kapazitäten zu optimieren.
Ausgewählte Laptops mit Intel Core Prozessoren der 13. Generation können Intel® Iris® Xe Grafik oder dedizierte Intel® Iris® Xe MAX Grafik enthalten, die erste diskrete GPU-Architektur mit Intel Xe. Die Intel® Iris® Xe MAX dedizierte Grafik sorgt für einen großen Sprung nach vorn im Bereich der flachen und leichten Notebooks. Zudem erhalten Sie mehr Leistung und neue Funktionen für eine verbesserte Erstellung von Inhalten und ein verbessertes Gaming-Erlebnis.
Intel® Iris® Xe Grafik bietet mit Intel® Deep Learning Boost-betriebene KI für eine bessere Inhaltserstellung z. B. bei Foto- und Videobearbeitung sowie eine stromsparende Architektur für eine längere Akkulaufzeit.
Separate GPUs von Intel
Intel bietet drei Optionen mit separater GPU.
Intel® Iris® Xe MAX mit dedizierter Grafik ist eine separate GPU mit Grafikkartenoptionen für Laptops und Desktops. Basierend auf der Xe-Architektur, erhalten Sie noch mehr Leistung und neue Funktionen, wie z. B. Intel® Arc™ Kontrollcenter für verbesserte Inhaltserstellung und Gaming.
Die Intel® Data Center GPU ist eine GPU, die neue Technologien wie KI, Rendering, Analysen und Simulationen unterstützt. Sie bietet auch leistungsstarke parallele Verarbeitungsfunktionen für Rechenzentrums-CPUs.
Erstellen Sie ansprechende Inhalte, fesseln Sie Ihr Publikum und verbessern Sie die Gaming-Erfahrung um ein Vielfaches mit der neuesten Hochleistungs-Grafiklösung, Intel Arc™ Grafik. Basierend auf der Xe HPG Mikroarchitektur ermöglicht Intel Arc Grafik integriertes Machine Learing, Grafikbeschleunigung und Raytracing-Hardware für Laptops, Desktops und professionelle Workstations.
Heute geht es nicht mehr darum, CPU und GPU gegeneinander abzuwägen. Mehr denn je werden beide zusammen benötigt, um den vielfältigen Anforderungen an die Datenverarbeitung gerecht zu werden. Die besten Ergebnisse werden fraglos dann erzielt, wenn für jede Aufgabe das richtige Werkzeug verwendet wird.