AI需要大量的计算能力来处理大量的数据，例如深度学习中的卷积神经网络（CNN）需要对大量的图像数据进行处理。在这个过程中，GPU（图形处理器）具有大量的核心和高速内存，擅长并行计算，因此它们比CPU（中央处理器）更适合执行这些任务。GPU采用的是并行计算处理技术，能够极大缓解计算层面的瓶颈，让深度学习成为实用的算法。
并行计算： 这个不难理解，就像是把一个大任务分成许多小任务，然后让多个人同时工作来完成这些小任务，最后把所有人的成果汇总起来得到最终结果。这样可以大大提高完成任务的速度。
卷积神经网络（CNN）是一种人工神经网络，它的工作原理受到生物视觉系统的启发。它通过模拟人类视觉系统中的神经元来处理图像数据。人们利用GPU来训练这些深度神经网络，所使用的训练集更大，所耗费的时间也大幅缩短，占用的数据中心基础设施也少得多。GPU还可以用于运行这些机器学习训练模型，以便在云端进行分类和预测，从而在耗费功率更低、占用基础设施更少的情况下能够支持远比从前更大的数据量和吞吐量。
由于GPU擅长并行计算且具有大量核心和高速内存，它们比CPU更适合执行深度学习中需要处理大量数据和进行复杂运算的任务。目前来看，AI人工智能的发展需要大量GPU的算力参与，那么以后拥有GPU的显卡也就成为电脑或服务器配置里的重要指标。（文章内容来源于科技棒棒。）