‌AI大模型主要使用显卡（GPU）而非CPU，核心原因在于GPU的并行计算能力更强、能效比更高，尤其适合处理矩阵运算等大模型的核心任务。‌

1. ‌并行计算优势‌
   GPU拥有数千个计算核心，可同时执行大量简单运算，而CPU通常只有几个高性能核心，擅长复杂逻辑但并行能力弱。大模型的训练和推理涉及海量矩阵乘法（如神经网络权重更新），GPU的并行架构能显著加速这一过程。

2. ‌高带宽显存支持‌
   GPU配备的显存（如HBM）带宽远超CPU内存，例如NVIDIA H100显存带宽达3TB/s，而主流CPU内存带宽仅约50GB/s。大模型参数规模庞大（如GPT-3达1750亿参数），高带宽显存可快速传输数据，避免计算瓶颈。

3. ‌专用硬件加速‌
   现代GPU（如A100/H100）集成Tensor Core等专用单元，针对AI常见的混合精度计算（FP16/FP32）优化，运算速度可达CPU的数十倍。例如，A100的FP16算力达312TFLOPS，而顶级CPU仅约5TFLOPS。

4. ‌能效比更优‌
   GPU完成相同AI任务时功耗效率更高。以训练ResNet-50为例，GPU集群的耗电量仅为CPU集群的1/10，这对需长期运行的大模型训练至关重要。

‌总结‌：GPU凭借并行架构、高速显存和专用硬件，成为大模型的首选计算单元，而CPU更多承担控制调度等辅助角色。未来随着AI芯片（如TPU）发展，专用计算硬件的优势将进一步扩大。