核心要点
GPU 拥有数千个计算核心，擅长同时处理大量相同的简单运算（大规模并行）。
深度学习的核心计算是大量矩阵乘法和加法，天然可以并行拆解。
CPU 核心少但单核强，适合复杂串行逻辑；GPU 核心多，适合海量并行的数值计算。
在训练大模型时，GPU 通常比 CPU 快几十倍，大幅缩短训练时间。
标准回答
深度学习算的是什么
神经网络的前向和反向传播，本质上是一层层的矩阵乘法和加法。这些运算的特点是：数量极大，但每个单独的乘加都很简单，而且彼此独立、可以同时算。
GPU 为什么合适
GPU 当初是为图形渲染设计的，要同时给屏幕上几百万个像素做计算，所以它堆了数千个小核心，专门用来「同一时间做很多个相同的简单计算」。这正好契合深度学习里大规模并行的矩阵运算。
和 CPU 的对比
CPU 像几个博士生，单兵能力强、擅长处理复杂多变的串行任务，但人少；GPU 像几千个小学生，每人只会做简单算术，但人多、能一起上。算 1+1 这种海量简单题，人多的一方碾压。所以在大矩阵运算上，GPU 往往比 CPU 快几十倍，让原本要跑几个月的训练缩短到几天。
常见误区
⚠️ 常见踩坑
GPU 不是「什么都比 CPU 快」。对于分支多、逻辑复杂、难以并行的串行任务，CPU 反而更高效。GPU 的优势只在于大规模、规整、可并行的数值计算（如矩阵乘）。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。