计算机专业对显卡和CPU的依赖程度取决于具体的任务和应用场景，不能简单地说“吃显卡”还是“吃CPU”。以下分别从不同角度进行分析：
1. 对于编程和软件开发
主要依赖CPU：
编程语言的编译、代码的逻辑处理以及软件的运行主要依赖CPU的运算能力。例如，在编写和运行C++、Java、Python等语言的程序时，CPU负责执行代码中的指令，进行复杂的逻辑运算和数据处理。
对于一些轻量级的开发任务，如Web开发（HTML、CSS、JavaScript），虽然对硬件要求不高，但CPU的性能仍然决定了代码的编译速度和程序的响应速度。
显卡需求较低：
一般情况下，编程和软件开发对显卡的要求不高，显卡主要用于显示代码编辑器和开发工具的界面。即使是运行一些图形界面的应用程序，普通的集成显卡或入门级独立显卡也足以满足需求。
2. 对于图形设计和多媒体处理
主要依赖显卡：
在图形设计（如Photoshop、Illustrator）、视频编辑（如Adobe Premiere、After Effects）和3D建模（如3ds Max、Maya）等任务中，显卡的图形处理能力至关重要。显卡负责渲染图像、处理视频特效和生成复杂的3D场景。
高性能显卡能够加速图形和视频的渲染过程，提高工作效率。例如，在渲染高清视频或复杂的3D模型时，显卡的CUDA或OpenCL计算能力可以显著缩短渲染时间。
CPU也有一定作用：
CPU在这些任务中主要负责后台的逻辑处理和数据管理。例如，在视频编辑中，CPU负责解码视频文件、管理素材库和执行一些非图形相关的任务。不过，其重要性相对显卡较低。
3. 对于数据分析和机器学习
主要依赖CPU（传统数据分析）：
在传统的数据分析任务中，如使用Python的Pandas库进行数据清洗、SQL进行数据查询等，主要依赖CPU的运算能力。CPU负责处理数据的逻辑运算和复杂算法。
依赖显卡（深度学习）：
深度学习（如使用TensorFlow、PyTorch框架）对显卡的依赖程度较高。显卡的并行计算能力（尤其是NVIDIA的CUDA技术）能够加速神经网络的训练和推理过程。例如，在训练大规模的深度学习模型时，高性能显卡可以显著缩短训练时间。
一些高端的深度学习任务（如图像识别、自然语言处理）对显卡的性能要求极高，可能需要使用多块高端显卡进行分布式训练。
4. 对于游戏开发
两者都很重要：
游戏开发既需要强大的CPU来处理游戏逻辑、物理引擎和AI算法，也需要高性能的显卡来渲染游戏画面。例如，在开发3D游戏时，显卡负责实时渲染复杂的场景和特效，而CPU则负责游戏的逻辑控制和数据处理。
不过，对于不同类型的游戏开发，侧重点有所不同。例如，对于一些以逻辑和策略为主的游戏，CPU的重要性更高；而对于以画面和特效为主的游戏，显卡的重要性更高。
总结
如果你的计算机专业学习或工作主要集中在编程、数据分析等对逻辑运算要求较高的领域，那么CPU更为重要。
如果你的工作重点是图形设计、多媒体处理或深度学习等对图形渲染和并行计算要求较高的领域，那么显卡更为重要。
对于一些综合性的任务（如游戏开发），则需要平衡CPU和显卡的性能。