前面简单对显卡显存有了大体的了解，但大叔有时候还是蒙蒙的，会有疑问“显卡就是GPU么” ?
AI时代不懂得就得先问问各种AI助手。
GPU和显卡的关系
显卡与GPU的关系可以概括为：
GPU是显卡的核心处理单元，而显卡是包含GPU及其他组件的完整硬件系统。
图形处理器（Graphics Processing Unit, GPU），是专门负责图形渲染和并行计算的芯片，拥有数千个计算核心，擅长处理图形渲染（如3D建模、游戏画面）及通用计算（如AI训练、科学模拟）等。
类比来说，GPU如汽车发动机，显卡如整车——发动机（GPU）决定动力，但整车需底盘、油箱（显存、散热等）配合才能行驶。总结：GPU仅是显卡的核心组件，如同“发动机≠汽车”。
通常而言，一款显卡会对应相应的GPU型号，例如NVIDIA GeForce RTX 5070 显卡的 GPU 型号为 GB205。
通过搜索知道，RTX 5070移动版显卡是NVIDIA在2025年推出的50系中高端显卡，采用Blackwell架构，拥有4608个CUDA核心以及8GB GDDR7显存，128bit位宽设计，支持光线追踪和DLSS 4.0技术。
CUDA什么？
来源：https://blogs.nvidia.com/blog/what-is-cuda-2/
CUDA（Compute Unified Device Architecture，统一计算设备架构）是英伟达（NVIDIA）推出的并行计算平台和编程模型，涵盖软件和硬件相关的一整套计算体系，包括 CUDA Toolkit（含编译器、库等开发工具）、CUDA 驱动、针对多种编程语言的扩展等。它让开发者能借助 GPU 的并行计算能力加速通用计算任务（程序运行）。
CUDA核心是GPU中处理浮点/整数运算的最小单元（GPU的基础计算单元），是构成 GPU 并行计算能力的基础硬件单元，是物理实体。
CUDA 核心作为 GPU 并行计算的执行单元，是 CUDA 技术实现高性能计算的硬件基础。在 CUDA 平台下，大量 CUDA 核心协同工作，承担具体计算任务，在 CUDA 架构支持下，在加速深度学习模型训练、3D 图形渲染、分子模拟等计算密集型任务中发挥核心作用。
CUDA核心数量决定GPU的并行任务吞吐上限，但实际性能需结合架构、显存、功耗及系统平衡性综合考量。例如，RTX 5070的4608个CUDA核心可同时处理海量数据，加速AI训练和图形渲染。
另外，各个厂家的RTX 5070显卡虽基于相同的NVIDIA GPU，但由于厂商在产品定位、散热设计、功耗调校等方面的差异，实际性能表现、稳定性和使用体验会有区别。
CPU和GPU有啥区别？
CPU（中央处理器）和GPU（图形处理器）都是选择电脑的重要指标。
在运行大模型（训练与推理）时，GPU 的核心重要性显著高于 CPU，但 CPU 的协同作用不可替代。
| 对比维度 | CPU（中央处理器） | GPU（图形处理器） |
|---|---|---|
| 设计目标 | ||
| 核心功能 | ||
| 核心数量 | ||
| 缓存容量 | ||
| 逻辑单元占比 | ||
| 指令集 | ||
| 单线程性能 | ||
| 并行计算能力 | ||
| 典型应用场景 | - 系统内核任务调度 - 复杂逻辑计算（如金融风险建模） | - 深度学习训练（TensorFlow/PyTorch） - 大数据并行处理、气象模拟 |
| 类比说明 |
CPU：是计算机的 “大脑”，主要处理程序、操作系统等指令，能进行复杂计算、逻辑操作和决策，还能快速切换任务，适合多任务处理。它通常有 4 到 64 个核心，每个核心有缓存， clock speed（时钟速度）以 GHz 为单位，比如 3.0 GHz 的 CPU 每秒可处理 30 亿条指令。不过，CPU 不擅长对大量数据重复执行相同任务，比如给视频做色彩校正时，若用 CPU 逐个处理像素，会耗费大量时间和资源。
GPU：是专门处理图形渲染的电子电路，有数千个更小、更简单的核心，可并行处理大量数据，适合高吞吐量和并行性任务，像 3D 图形渲染中的浮点运算、机器学习中的矩阵运算等。但 GPU 不擅长需要顺序处理或低延迟的不同任务，比如打开文件或加载网站时，得等 CPU 发送指令和数据，会拖慢进程。
来源：https://blogs.nvidia.com/blog/whats-the-difference-between-a-cpu-and-a-gpu/
结论：对于涉及大量可通过简单算术运算并行处理的数据任务，GPU 计算比 CPU 计算更快。
未完待续。。。
