CPU · GPU · NPU · TPU — Prozessor-Grundlagen

← andblack Check · Übersicht

Original-Infografik: „CPU vs GPU vs NPU vs TPU — What's the difference?“ von sameerforge (Sameer Khan) — die vier wichtigsten Prozessor-Typen im Vergleich.

Quelle: Instagram — sameerforge ↗

Kernidee in einem Satz: CPU, GPU, NPU und TPU sind allesamt Rechenchips — aber jeder ist auf eine andere Aufgabe spezialisiert. CPU = Allrounder, GPU = Grafik/Parallel, NPU = KI im Gerät, TPU = KI-Training in der Cloud. Wer den Unterschied kennt, wählt das richtige Werkzeug für die richtige Arbeit.

Prozessoren in einer einfachen Metapher

Stell dir die Chips wie Spezialisten in einer Werkstatt vor:

CPU: Der Allround-Handwerker — kann fast alles, aber immer eine Aufgabe nach der anderen.
GPU: Das Team aus tausend Helfern — viele gleichzeitig, perfekt für Grafik und parallele Rechnerei.
NPU: Der KI-Coach direkt im Raum — erkennt Sprache, Gesichter, verbessert Fotos ohne Internet.
TPU: Die Riesen-Maschine in der Spezialfabrik (Google) — trainiert große KI-Modelle im Rechenzentrum.

Die 4 Prozessor-Typen im Detail

CPU — Central Processing UnitDAS „GEHIRN“ / ALLROUNDER

Der Hauptprozessor jeder Computern. Er führt das Betriebssystem und alle Programme aus, trifft Entscheidungen und steuert den Ablauf. Er ist sehr flexibel, aber auf eine Aufgabe nach der anderen ausgelegt (sequenziell). Beispiel: Intel Core, AMD Ryzen.

GPU — Graphics Processing UnitGRAFIK- & PARALLEL-SPEZIALIST

War ursprünglich nur für Grafik gedacht (Rendering, Gaming, 3D, Video). Ihr Geheimnis: tausende kleine Kerne, die gleichzeitig rechnen (Parallel-Computing). Dadurch ist sie heute auch extrem wertvoll für KI-Berechnungen. Beispiel: NVIDIA GeForce/RTX, AMD Radeon.

NPU — Neural Processing UnitKI-DIREKT-IM-GERÄT

Ein Spezialchip für neuronale Netze / KI-Aufgaben direkt im Gerät (On-Device AI) — ohne dass die Daten in die Cloud müssen. Das macht Spracherkennung, Gesichtserkennung oder Fotoverbesserung auf Smartphone und Laptop schnell und privat. Beispiele: Apple Neural Engine, Snapdragon-AI, AMD XDNA, Intel AI Boost.

TPU — Tensor Processing UnitKI-TRAINING IN DER CLOUD (GOOGLE)

Ein ASIC (maßgeschneiderter Chip) von Google für maschinelles Lernen. Er ist auf Matrix-/Tensor-Berechnungen optimiert — die Grundlage des Deep Learnings — und damit extrem schnell beim Trainieren großer KI-Modelle in Rechenzentren. Vergleichbare Custom-Chips: AWS Trainium/Inferentia, Microsoft Maia.

Vergleichstabelle

Chip	Volle Bezeichnung	Hauptaufgabe	Stärke	Typischer Ort
CPU	Central Processing Unit	Allgemeine Logik, OS, Apps	Flexibel, universell	In jedem Computer
GPU	Graphics Processing Unit	Grafik, Gaming, paralleles Rechnen	Viele Kerne = Parallel-Kraft	Grafikkarte / PC
NPU	Neural Processing Unit	KI-Aufgaben im Gerät (On-Device)	Schnell, energiearm, privat	Smartphone, Laptop
TPU	Tensor Processing Unit	Deep-Learning-Training (Matrix-Ops)	Extremste Rechengeschwindigkeit (Tensor)	Google-Rechenzentrum

Warum ist das heute wichtig?

KI verändert, welcher Chip wo zum Einsatz kommt:

Agenten & Tools (CPU): Logik, Tool-Aufrufe, Retrieval und Kontrollfluss laufen klassisch auf der CPU.
Training & Inferenz (GPU): Große KI-Modelle werden meist auf GPUs trainiert und ausgeführt.
Lokale, private KI (NPU): Immer mehr Laptops/Smartphones führen KI lokal über die NPU aus — schnell, offline, datenschutzfreundlich.
Flotten-Scale (TPU/Custom): Bei sehr großen KI-Workloads kommen spezialisierte Chips (TPU, Trainium, Maia) zum Einsatz.

Einordnung: gehört zur Kategorie IT-Basics — Hardware & Prozessor-Grundlagen. Themengebiet: Computer-Hardware, Prozessortypen, KI-Beschleuniger. Grundwissen, um zu verstehen, welcher Chip für welche Aufgabe zuständig ist — vom eigenen PC bis zur Cloud.

Ergänzung (aus den Kommentaren): Ein weiterer Spezialchip-Typ fehlt in der Infografik — der FPGA (Field-Programmable Gate Array). Ein FPGA ist ein frei programmierbarer Logik-Chip, der sich nach dem Kauf für bestimmte Aufgaben „konfigurieren“ lässt — ideal für flexible Hardware-Beschleunigung in Spezialfällen.

Selbsttest

Welcher Prozessor ist der „Allrounder“, der das Betriebssystem und alle Programme steuert? (CPU)
Welcher Chip hat tausende kleine Kerne und ist für Grafik und paralleles Rechnen zuständig? (GPU)
Welcher Chip führt KI-Aufgaben direkt im Gerät aus — ohne Cloud, schnell und privat? (NPU — z. B. Apple Neural Engine)
Was ist besonders an der TPU? (Ein Google-ASIC, extrem schnell bei Tensor/Matrix-Berechnungen fürs KI-Training)
Welcher animierte Spezialchip fehlt laut Kommentar in der Infografik? (FPGA)