CPU（中央处理单元）与GPU（图形处理单元）协同工作，以增加应用程序中的数据吞吐量和并发计算数量。GPU最初设计用于为计算机图形和视频游戏机创建图像，但自2010年初以来，GPU也可用于加速涉及海量数据的计算。

CPU永远无法被GPU完全取代：GPU通过允许应用程序中的重复计算并行运行而主程序继续在CPU上运行来补充CPU架构。CPU可以被认为是整个系统的任务主管，协调范围广泛的通用计算任务，而 GPU 执行范围更小的更专业的任务（通常是数学）。与CPU相比，GPU 可以利用并行的强大功能在相同的时间内完成更多的工作。

CPU和GPU架构之间的主要区别在于：

1、CPU旨在快速处理各种任务（以CPU时钟速度衡量），但在可运行的任务的并发性方面受到限制，GPU 旨在同时快速渲染高分辨率图像和视频。

2、由于GPU可以对多组数据进行并行运算，因此它们也常用于机器学习和科学计算等非图形任务。GPU设计有数千个同时运行的处理器内核，可实现大规模并行处理，其中每个内核都专注于进行高效计算。

由于大规模并行性，GPU 处理数据的速度比CPU快几个数量级，但 GPU的通用性不如CPU。CPU 具有庞大而广泛的指令集，可以管理计算机的每个输入和输出，这是GPU无法做到的。在服务器环境中，可能有24到48个非常快的CPU内核。向同一台服务器添加4到8个GPU可以提供多达40,000个额外的内核。虽然单个CPU内核比单个GPU内核更快（以CPU时钟速度衡量）和更智能（以可用指令集衡量），但GPU内核的绝对数量和它们提供的大量并行性不仅仅是单一的-核心时钟速度差异和有限的指令集。

3、GPU最适合重复性和高度并行的计算任务。除了视频渲染之外，GPU 在机器学习、金融模拟和风险建模以及许多其他类型的科学计算方面也表现出色。虽然在过去几年中，GPU 用于挖掘比特币或以太坊等加密货币，但 GPU 通常不再大规模使用，取而代之的是现场可编程网格阵列 (FPGA) 等专用硬件，然后是专用集成电路 (ASIC)。

以上就是cpu与gpu的区别。