初級ではGPUを「大人数の単純作業チーム」と捉えました。中級では、なぜ大量並列で速いのか、その実行方式とメモリの仕組みを見ます。
中級の解説は準備中のため、中級の内容を表示しています。
概要 — まず全体をつかむ
詳細 — 1段階ずつ追う
これは何をする係？
GPUは、多数の単純なコア（シェーダコア／CUDAコアなど）を数千個そなえ、同じ命令を別々のデータへ一斉に適用します。この方式を SIMT（Single Instruction, Multiple Threads）と呼びます。
アニメーション『CPUとGPU（少数万能 vs 大量並列）』を開く
- オフロード — CPUが全体を制御し、重い並列計算だけをGPUへ渡す（丸投げして結果を受け取る）
- VRAM — GPU専用の高速メモリ。数千コアへデータを供給するため、広いメモリ帯域が命
- スレッドの束 — 多数のスレッドをまとめ（ワープ／ウェーブ）、同じ命令で流す
登場人物メモ:
- ※1 シェーダコア／CUDAコア — GPU内の小さな演算ユニット。単純だが数が多い
- ※2 メモリ帯域 — 1秒あたりに読み書きできるデータ量。コアが多いほど帯域が効く
CPUとの違い
- CPU — 少数の高性能コア。分岐予測やキャッシュで複雑・逐次な処理を速く
- GPU — 多数の単純コア。同じ計算を大量並列（スループット重視）に
設計思想が逆です。CPUは1つの仕事を速く終わらせる（レイテンシ重視）、GPUは大量の仕事をまとめてこなす（スループット重視）。だから両者は役割分担し、CPUが制御役・GPUが計算役になります。
描画以外の使いみち
描画（グラフィックス）で培った並列演算は、汎用計算にも転用されました。これを GPGPU（General-Purpose computing on GPU）と呼びます。
- AI・機械学習 — 行列積など大量の積和演算を一括処理。学習・推論の主役
- 動画エンコード／編集 — 大量のピクセル処理を並列化
- 科学計算・シミュレーション — 流体・物理など並列化しやすい計算
こうした計算を書くための API も整いました。CUDA（NVIDIA専用）、OpenCL（汎用）、描画では Vulkan／DirectX／Metal などです。近年GPUが注目されるのは、この並列計算がAIと相性抜群だからです。
⚠️ うまくいかないとき
- 分岐が多い処理は苦手 — スレッドごとに進む道が分かれる（分岐ダイバージェンス）と、束で揃えられず並列度が落ちる
- 逐次依存が強い処理 — 前の結果を待つ処理はCPU向き
- メモリ帯域の壁 — 計算よりデータ供給が追いつかないと、コアが遊ぶ
- 発熱・消費電力が大きい — 大量に動くぶん電力と冷却を食う。冷却不足でクロックが落ちることも
理解度チェック
そのまま解けます（成績は保存されません）。無料アカウントを作ると、学習の記録と進捗の山登りが始まります。
問1. GPUが多数のコアで同じ命令を一斉に走らせる実行方式を何と呼ぶ？
問2. GPUが高い演算性能を出すために特に重要なのはどれ？
問3. CPUとGPUの設計思想の違いとして正しいのはどれ？
問4. GPUが苦手で、むしろCPUに向くのはどんな処理？
問5. GPUを使うときの「オフロード」の説明として正しいのはどれ？
問6. GPUで条件分岐が多い処理の性能が落ちやすいのはなぜ？
問7. GPUで同じ命令を共有して一斉実行する、スレッドをまとめた束を NVIDIA では何と呼びますか（カタカナで）。
問8. GPUの大量並列の力を、画面描画ではなく汎用的な計算に転用することを何と呼びますか（略語で）。