英偉達GTC大會推出全新GPU Blackwell，引發股市中相關板塊強勢，那麽CPU和GPU有什麽區別？

英偉達GTC大會推出了一款全新的産品或概念GPU Blackwell。通過其演講，GPU Blackwell就是通過芯片與芯片間的連接技術，一步步構建出大型AI超算集群。

把兩個4nm制程的芯片合在一起，組成B200GPU，再把兩個B200 GPU與Grace CPU結合組成GB200超級芯片。兩個GB200超級芯片裝到主板上，就成了一個Blackwell計算節點。與相同數量的72個H100相比，GB200的大模型推理性能提升高達30倍，成本和能耗降低高達25倍。

受這個消息影響，美股大型科技股普漲，A股的CPO、光通信、英偉達等概念在大勢回落過程中表現強勢。那麽到底什麽是CPU，什麽是GPU，CPU和GPU有什麽區別呢？

CPU的意思就是中央處理器，是一塊超大規模的集成電路。GPU的意思是圖形處理器，也就是我們所說的顯卡，用于圖像顯示。做爲人工智能算力的GPU實際上已經不是普通的GPU，而是GPGPU。CPU和GPU本質上都是算力芯片。最早的GPU也是要通過CPU演化出來的。

在大型圖像處理需要産生以前，CPU既要負責邏輯運算，處理各種並行、串行任務和數據，又要負責將計算的結果進行呈現，所以CPU被視爲整個計算機的大腦。隨著3d技術尤其是大型3d遊戲的誕生，圖像處理工作越來越密集、複雜，CPU已經不能滿足需要，GPU就被獨立了出來。

CPU更擅長複雜邏輯的運算，他的主要任務是解決計算機中最核心的工作，通俗的講就是更適合做難題。而GPU架構簡單，更適合解決大量邏輯簡單但體量非常大的高密度計算，通俗講更適合解決簡單的但題量較大的題。

在架構設計上，CPU的工作基于任務指令，並根據指令最終達成某種結果，這個結果是清晰的，對准確度要求較高。而GPU的工作則是基于數據，對數據分析後達成若幹種結果，這個結果是模糊的，或者對准確度要求不那麽嚴格。

所以，我們就不難看出，AI領域的大數據運算結果本來就是一個模糊的概率問題，對精准度要求並不那麽高。比如，我們用某個文生圖案，或文生視頻去工作時，得出的結果往往與我們所要求的結果相差巨大。對于這樣的計算處理任務，顯然並不需要CPU這個牛人來解決，只需要一個能夠幹一般活的GPU普通工作者就能完成。

但是我們發現，AI領域裏普通工作者的需求非常龐大。怎麽說呢？比如建一棟樓，設計者可能只需要一個人，我們把這個設計者理解爲CPU，而涉及到具體建設方面，比如挖地基、做基礎、鋼筋工、水泥工、架子工等等普通工作卻需要若幹個人，我們把這些普通工作者稱之爲GPU。當需要建的樓越來越多，這樣的GPU需要也就越來越多。

而人工智能AI的大發展，就可以比喻爲需要建的樓越來越多，而且需要在不同的地方去建設，那麽GPU的需要就會成幾何倍數增長。大概也是基于此，英偉達GTC大會上推出了Blackwell GPU新架構。

說回國內，目前我們的芯片技術，包括CPU和GPU技術，如果在傳統路線上追趕美國，短期內幾乎沒有可能。但是，不久前中科院物理研究所曾經提出過量子芯片和光電芯片，其運算能力要遠超美國的芯片，而功耗卻遠低于他們，如果真能實現，那我們在芯片技術上能夠實現彎道超車。

A股在大勢回落的情況下，量子通信、量子技術、CPO、光通信等相關板塊表現強勢，或許與這兒直接相關。