一次搞懂 CPU、GPU、TPU：差異、特色與實務應用場景全解析
在學習系統架構、雲端服務或 AI 技術時，常常會聽到 CPU、GPU、TPU 這三種處理器名詞。 它們看似都是「算東西的」，但實際上 設計目的、適合的工作負載與效能衡量方式完全不同 。 這篇文章會用工程師角度，帶你一步步理解： CPU / GPU / TPU 各自是什麼 它們的核心設計差異 適合使用的實務情境 為什麼「誰比較快」其實是個錯誤問題 什麼是 CPU？（Central Processing Unit） CPU 的角色 CPU 可以視為整個系統的「指揮中心」，負責： 程式流程控制 分支判斷（if / else） 任務排程 與記憶體、磁碟、網路設備互動 幾乎所有程式在執行時， 一定會經過 CPU 。 CPU 的設計特色 核心數量較少（通常 4～64 核） 每個核心效能極高 快取（L1/L2/L3 Cache）容量大 對複雜邏輯與低延遲反應非常擅長 適合的使用情境 作業系統 Web / API Server 商業邏輯處理 資料庫查詢 系統控制與流程判斷 👉 CPU 的強項不是「算得多」，而是「想得快、想得準」。 什麼是 GPU？（Graphics Processing Unit） GPU 的起源與轉變 GPU 最早是為了「圖形渲染」而設計，用來處理大量像素運算。 後來發現它非常適合「 大量資料做同一件事 」，因此被廣泛用於： 科學運算 機器學習 影像與影片處理 GPU 的設計特色 擁有成千上萬個核心 單一核心運算能力較弱 極高的記憶體頻寬 非常適合高度平行的運算模型 適合的使用情境 圖形與影像處理 深度學習模型訓練 大規模矩陣計算 區塊鏈挖礦 科學模擬 👉 GPU 的核心概念是：一次算很多筆，而不是一次算很聰明。 什麼是 TPU？（Tensor Processing Unit） TPU 是什麼？ TPU 是 Google 為了 AI / 深度學習 所設計的專用晶片（ASIC）。 它不是通用處理器，而是針對「Tensor（張量）」運算高度最佳化。 TPU 的設計特色 專注於矩陣乘法與向量運算 ...
