Technisch gesehen sind sich sowohl GPUs als auch CPUs (Central Processing Units) ziemlich ähnlich. Der Hauptunterschied besteht jedoch in der Parallelität: In einer modernen CPU befinden sich mehrere komplexe, leistungsstarke CPU-Kerne. Acht Kerne sind mittlerweile typisch für die allermeisten PCs, aber 12- und 16-Kern-CPUs werden immer mehr zum Mainstream. Jeder CPU-Kern kann eine oder (aufgrund von Hyperthreading) zwei Aufgaben auf einmal erledigen. Diese Aufgabe kann so ziemlich alles umfassen – auch komplexe Prozesse. CPUs bringen eine breite Palette von Verarbeitungsfähigkeiten mit und haben ein überaus intelligentes Design, durch das sie auch komplizierte, mathematische Daten effizient verarbeiten können.
Moderne GPUs nutzen in der Regel Tausende von einfachen Prozessoren. Der Grafikprozessor der Nvidia Geforce RTX 3090 verfügt beispielsweise über satte 10 496 GPU-Kerne. Im Gegensatz zu einer CPU ist jeder GPU-Kern allerdings vergleichsweise einfach gestrickt und auf die typischen Berechnungen bei Grafikaufgaben ausgelegt. Doch nicht nur das: Alle diese Prozessoren können gleichzeitig an einem kleinen Teil des Grafik- Rendering-Problems arbeiten. Das ist es, was wir mit „Parallelität“ meinen.
©Nvidia
GPU teils schneller als CPU durch paralleles Verarbeitungsdesign
Tatsächlich kann eine CPU alles erledigen, was auch eine GPU leistet, jedoch nicht schnell genug, um bei Echtzeit-Grafikanwendungen von Nutzen zu sein. GPUs können ebenfalls einige CPU-Berechnungen durchführen. Wegen des parallelen Verarbeitungsdesigns schaffen sie das sogar um einiges schneller. Dies wird GPGPU (General Purpose Computation on Graphics Processing Unit) genannt – der Einsatz von GPUs für herkömmliche CPU-Arbeitslasten.
GPU-Computing hat die Möglichkeiten von Wissenschaftlern revolutioniert: Data Mining, bei dem Computer in Datenbergen nach interessanten Mustern suchen und so Erkenntnisse gewinnen, die sonst im Rauschen untergehen würden. Projekte wie Folding@Home nutzen die von Privatanwendern gespendete GPU-Rechenzeit zu Hause, um an ernsten Problemen wie Krebs zu arbeiten. GPUs sind für alle Arten von wissenschaftlichen und technischen Simulationen nützlich, deren Durchführung in der Vergangenheit Jahre und Millionen von Euro an gemieteter Zeit auf großen Supercomputern erfordert hätte.
GPUs eignen sich auch hervorragend für bestimmte Aufgaben im Bereich der künstlichen Intelligenz (KI). Maschinelles Lernen (ML) ist auf GPUs um vieles schneller als auf CPUs. Bei den aktuellsten GPU-Modellen ist sogar verstärkt spezialisierte Hardware für maschinelles Lernen integriert.
©Nvidia
Grafikprozessoren eignen sich außerdem hervorragend zum Knacken von kryptografischen Rätseln, weshalb sie beim Mining von Kryptowährungen mittlerweile so beliebt sind. Obwohl GPUs Kryptowährungen nicht so schnell schürfen wie ASIC-Miner (Application Specific Integrated Circuit), haben sie den eindeutigen Vorteil, vielseitiger zu sein. ASICs können in der Regel lediglich einen bestimmten Typ oder eine kleine Gruppe von Kryptowährungen schürfen und nichts anderes. Deshalb sind Kryptowährungs-Miner einer der Hauptgründe, warum GPUs so teuer und schwer zu finden sind, zumindest zum Zeitpunkt der Erstellung dieses Artikels Anfang 2022.
Auch wenn Sie sich dessen nicht immer bewusst sind, verlagert möglicherweise auch ein Programm, das Sie täglich einsetzen, einen Teil der Verarbeitung auf Ihren Grafikprozessor. Wenn Sie zum Beispiel mit Videobearbeitungssoftware oder Audioverarbeitungstools arbeiten, ist die Wahrscheinlichkeit hoch, dass Ihr Grafikprozessor einen Teil dieser Last trägt. Wir sollten also alle dankbar sein, dass Grafikprozessoren mehr können, als nur ein schönes Bild auf dem Bildschirm darzustellen.