CPU

　CPUは、全てのコンピュータに欠かせないプロセッサだ。企業のシステムにおいては、GPUを活用することもますます一般的になっている。機械学習などのAI（人工知能）技術の利用が広がる中で、CPUもGPUも演算処理における重要な役割を果たしている。

　CPUはAI技術の処理に特化するよりも、複雑で多様なタスクを処理することを得意としてるが、AI技術のタスクにも参加する。CPUは複数のプロセッサによる処理を含めて全体の指揮を執る他、CPU自身がAIアプリケーションの演算処理を担うこともある。CPUはAI技術に関連した複雑な演算処理を実行できる。

　CPUの問題の一つは、CPUが効率的に処理できる命令パイプライン（命令を段階に分けて処理するプロセス）の数に限界があることだ。CPUは、高負荷の並列処理は得意としていない。複雑なタスクを同時に大量に実行するよう求められると、CPUの処理能力は大幅に落ちる可能性がある。

　CPUはAIアプリケーションを起動して実行するものの、CPUが直接的に処理するAI関連のタスクは一部に限定される。例えば以下のような用途がある。

• 比較的シンプルなAI関連タスク
  • 少ないトレーニング用データで学習する「フューショット学習」や「ワンショット学習」など
• メモリ要件が高いタスク
  • 推論、システムのトレーニングなど
• 並列化（大きな処理を分割して実行すること）が必要ないタスク
  • リアルタイム推論、機械学習アルゴリズムの実行など
• 系列データを必要とするタスク

GPU

　GPUは処理できるタスクの範囲は限られているが、大量の処理を同時に実行することが可能だ。CPUがさまざまなタスクを効率的に処理できる少数の大きな汎用（はんよう）のコア（演算装置）を持つのに対して、GPUは大量のデータを同時に処理するために小さなコアを多数持つ。GPUは特定の演算処理用に設計される。

　AIモデルをトレーニングする際は、膨大な量のデータセットを用いるのが一般的だ。その際の演算処理は、CPUでは担い切れない規模になる。そうしたAI関連のタスクを高速で機能させるために、GPUによる並列処理が使われるようになった。

　GPUは以下のようなAI関連のタスクで使われている。

• ニューラルネットワーク（人間の脳の神経回路を再現した機械学習の要素技術）の開発、トレーニング、運用
• ビッグデータ分析
• 製薬や生物学的な研究
• ディープラーニング（深層学習）による画像認識
• その他、トレーニングを必要とする機械学習関連タスク

　大規模な並列処理が得意というGPUの長所は、欠点にもなり得る。そのため、GPU向けのAIアプリケーションを設計する際は、複雑さを最小限に抑える必要がある。分岐ロジックや連続的に実行する複雑なプロセスがあると、GPUを使うコストメリットは低下する可能性がある。

　次回は、AI需要の拡大とともに台頭してきたTPU（テンソル処理装置）について解説する。