GPU 專注并行計算，高度契合人工智能需求。GPU（Graphics Processing Unit），即圖形處理器，目前主要作為顯卡的計算核心，主要解決圖形渲染問題。圖形渲染需要將大量的 3D 坐標轉化為 2D 顯示器上的坐標，需要執行大量計算來確定每個像素的顏色，還要處理大量內存緩沖，并描述每一個需要被渲染的對象的紋理的位圖信息。因此，圖形渲染的實質是大量數據的快速并行計算，具有高并行度以及高吞吐量特性的處理器，才能實現對圖形問題的快速解決。
深度學習助力人工智能發展，GPU 是良好訓練平臺。深度學習是人工神經網絡算法的進一步發展。人類的思維是從知覺的抽象-歸納-概括開始，先形成低層級的抽象概念，在此基礎上進行逐級抽象，最終形成低級-中級-高級的抽象鏈。深度學習通過分層結構，用低層次特征的組合形成更加抽象的高層次特征或屬性，從輸入的海量數據中自發地總結出規律，舉一反三泛化至從未見過的案例中，從而推動了人工智能發展的浪潮。
AI 芯片市場風起云涌，GPU 因其通用性是一個穩定發展的道路。過去 5 年，英偉達的 GPU 已經成為深度學習的主流芯片，但隨著人工智能尤其是機器學習應用大量涌現，處理器市場群雄覬覦，谷歌和微軟等公司都探索推出其他的人工智能芯片，包括 FPGA 和 ASIC。總體來看，GPU 并非唯一能驅動深度學習計算的處理器，在性能和能耗上較 FPGA、ASIC 芯片或有差距，但由于 GPU 因良好通用性，是唯一實現大規模應用的方案。
