GPU einfach erklärt – Ausbildung in der IT

Die GPU (Graphics Processing Unit), auf Deutsch Grafikprozessor, ist ein spezialisierter Prozessor, der ursprünglich für die Berechnung und Darstellung von Grafiken entwickelt wurde. Im Gegensatz zur CPU, die wenige komplexe Aufgaben sequentiell abarbeitet, ist die GPU darauf optimiert, tausende einfache Berechnungen gleichzeitig durchzuführen.

Heute sind GPUs nicht mehr nur für Spiele und Grafikbearbeitung relevant. Sie spielen eine zentrale Rolle in Bereichen wie Machine Learning, wissenschaftlichen Simulationen und Kryptowährungen. Als IT-Fachkraft wirst du GPUs sowohl bei der Hardwareplanung als auch bei der Entwicklung rechenintensiver Anwendungen begegnen.

Geschichte und Entwicklung

Die Geschichte der GPU beginnt in den 1990er Jahren, als 3D-Grafik in Computerspielen immer wichtiger wurde. Der Begriff GPU wurde 1999 von NVIDIA mit der Vorstellung der GeForce 256 geprägt. Dieser Chip konnte erstmals Transformations- und Beleuchtungsberechnungen eigenständig durchführen und entlastete damit die CPU erheblich.

Vor der GeForce 256 gab es bereits Grafikbeschleuniger wie die 3dfx Voodoo-Karten, die jedoch nur Teilaspekte der Grafikberechnung übernahmen. Die vollständige Integration aller wichtigen Grafikfunktionen in einem Chip markierte den Beginn der modernen GPU-Ära.

Ein weiterer Meilenstein war 2007 die Einführung von CUDA durch NVIDIA, das GPUs für allgemeine Berechnungen (GPGPU, General Purpose GPU) nutzbar machte. Damit konnten Entwickler die massive Parallelverarbeitung der GPU für nicht-grafische Aufgaben wie wissenschaftliche Simulationen und später Machine Learning einsetzen.

Aufbau einer GPU

Der Aufbau einer GPU unterscheidet sich grundlegend von dem einer CPU. Während eine CPU wenige, aber leistungsstarke Kerne besitzt, verfügt eine GPU über tausende kleine, spezialisierte Recheneinheiten.

Shader-Prozessoren (CUDA Cores / Stream Processors)

Das Herzstück moderner GPUs sind die Shader-Prozessoren. NVIDIA nennt sie CUDA Cores, AMD bezeichnet sie als Stream Processors. Diese kleinen Recheneinheiten führen mathematische Operationen parallel aus. Eine moderne High-End-GPU kann über 10.000 solcher Kerne besitzen.

Jeder einzelne Shader-Prozessor ist deutlich einfacher aufgebaut als ein CPU-Kern. Die Stärke liegt in der schieren Anzahl: Während eine CPU vielleicht 8–16 komplexe Kerne hat, arbeiten in einer GPU tausende einfache Kerne parallel an derselben Aufgabe.

Speicher (VRAM)

GPUs verfügen über eigenen Speicher, den VRAM (Video Random Access Memory). Dieser ist auf hohe Bandbreite optimiert, um die massiv parallelen Berechnungen mit Daten zu versorgen. Moderne GPUs nutzen GDDR6 oder HBM (High Bandwidth Memory) mit Bandbreiten von mehreren hundert GB/s.

Die VRAM-Größe ist besonders wichtig für hochauflösende Texturen in Spielen und große Datensätze im Machine Learning. Eine Gaming-GPU hat typischerweise 8–24 GB VRAM, während professionelle KI-Beschleuniger wie die NVIDIA H100 bis zu 80 GB HBM besitzen.

Spezialisierte Einheiten

Moderne GPUs enthalten zusätzlich spezialisierte Hardware für bestimmte Aufgaben:

Tensor Cores: Spezialisierte Einheiten für Matrix-Operationen, essenziell für Deep Learning und KI
RT Cores: Raytracing-Einheiten für realistische Licht- und Schattenberechnungen in Echtzeit
Texture Mapping Units (TMU): Verarbeiten Texturdaten für 3D-Grafiken
Rasterizer Output Units (ROP): Berechnen finale Pixelwerte und schreiben sie in den Framebuffer

GPU vs. CPU: Die Unterschiede

CPU und GPU ergänzen sich gegenseitig, sind aber für unterschiedliche Aufgaben optimiert. Die Unterschiede liegen im fundamentalen Design.

Merkmal	CPU	GPU
Anzahl Kerne	Wenige (4–64)	Viele (1.000–16.000+)
Kern-Komplexität	Hoch	Niedrig
Optimiert für	Sequentielle Aufgaben	Parallele Aufgaben
Latenz	Sehr niedrig	Höher
Durchsatz	Niedrig bis mittel	Sehr hoch
Einsatzgebiet	Allgemeine Berechnungen	Grafikrendering, KI, Parallelverarbeitung

Man kann sich den Unterschied so vorstellen: Eine CPU ist wie ein Mathematik-Professor, der komplexe Probleme löst, aber immer nur eines nach dem anderen. Eine GPU ist wie eine Schulklasse mit hunderten Schülern. Jeder kann nur einfache Aufgaben lösen, aber alle gleichzeitig.

Dedizierte GPU vs. integrierte Grafik

Bei Grafikprozessoren unterscheidet man zwischen dedizierten GPUs und integrierten Grafikeinheiten.

Dedizierte GPU (Grafikkarte)

Eine dedizierte GPU ist ein separater Chip auf einer eigenen Platine (Grafikkarte), die in einen PCIe-Slot eingesteckt wird. Sie hat eigenen Speicher (VRAM) und eine separate Stromversorgung. Dedizierte GPUs bieten die höchste Leistung und sind notwendig für Gaming, professionelle Grafikarbeit und KI-Training.

Die wichtigsten Hersteller dedizierter GPUs sind:

NVIDIA: GeForce (Gaming), RTX (Raytracing), Quadro/RTX A-Serie (Workstation), Tesla/H100 (Datacenter/KI)
AMD: Radeon RX (Gaming), Radeon Pro (Workstation), Instinct (Datacenter)
Intel: Arc (Gaming/Creator), Data Center GPU Max (Server)

Integrierte Grafik (iGPU)

Eine integrierte GPU (iGPU) ist direkt in die CPU eingebaut und teilt sich den Arbeitsspeicher mit dem System. Sie ist energieeffizienter und kostengünstiger, bietet aber deutlich weniger Leistung. Für Office-Anwendungen, Videostreaming und einfache Grafikaufgaben reicht eine iGPU vollkommen aus.

Beispiele für integrierte Grafik sind Intel UHD Graphics und Intel Iris Xe in Intel-Prozessoren sowie AMD Radeon Graphics in AMD Ryzen APUs. Die Apple M-Serie kombiniert CPU und GPU ebenfalls auf einem Chip, erreicht aber deutlich höhere GPU-Leistung als klassische iGPUs.

Einsatzgebiete moderner GPUs

Die Einsatzgebiete von GPUs haben sich in den letzten Jahren stark erweitert. Neben der klassischen Grafikverarbeitung gibt es heute zahlreiche weitere Anwendungsbereiche.

Gaming und Visualisierung

Der ursprüngliche Einsatzzweck bleibt einer der wichtigsten: Echtzeit-3D-Grafik in Spielen und Visualisierungsanwendungen. Moderne GPUs berechnen komplexe Shader-Effekte, Raytracing für realistische Beleuchtung und hochauflösende Texturen mit Bildraten von 60 FPS und mehr.

Machine Learning und KI

GPUs sind heute unverzichtbar für das Training neuronaler Netze. Die parallele Architektur eignet sich perfekt für die Matrixoperationen, die Deep Learning dominieren. Frameworks wie TensorFlow, PyTorch und JAX nutzen GPUs für dramatische Geschwindigkeitsvorteile. Ein Training, das auf der CPU Wochen dauern würde, ist auf einer modernen GPU in Stunden abgeschlossen.

Auch die Inferenz (Ausführung trainierter Modelle) profitiert von GPUs. KI-Dienste wie ChatGPT, Bildgeneratoren und Spracherkennung laufen auf GPU-Clustern in Rechenzentren.

Wissenschaftliche Berechnungen

In Forschung und Wissenschaft werden GPUs für Simulationen eingesetzt: Wettervorhersagen, Molekulardynamik, Strömungssimulationen und Finanzmodelle. Die parallele Architektur ermöglicht Berechnungen, die auf CPUs nicht in realistischer Zeit möglich wären.

Videobearbeitung und Rendering

Professionelle Videobearbeitung nutzt GPU-Beschleunigung für Effekte, Farbkorrektur und das finale Rendering. Programme wie DaVinci Resolve, Adobe Premiere Pro und Blender können Aufgaben, die früher Stunden dauerten, in Minuten erledigen.

Wichtige Leistungskennzahlen

Bei der Auswahl einer GPU helfen verschiedene Kennzahlen, die Leistung einzuschätzen.

TFLOPS (Teraflops): Billionen Gleitkommaoperationen pro Sekunde, ein Maß für die Rechenleistung
Shader-Anzahl: Mehr CUDA Cores/Stream Processors bedeuten tendenziell mehr Leistung
VRAM-Größe und -Typ: Wichtig für hochauflösende Texturen und große Datensätze
Speicherbandbreite: Wie schnell Daten zwischen GPU und VRAM übertragen werden (GB/s)
TDP/TBP: Thermal Design Power / Total Board Power, der Stromverbrauch und die Wärmeabgabe
Taktfrequenz: Boost-Takt gibt die maximale Geschwindigkeit unter Last an

GPU-Programmierung

Um die GPU für eigene Programme zu nutzen, stehen verschiedene Frameworks und APIs zur Verfügung.

CUDA: NVIDIAs proprietäre Plattform für GPU-Computing, weit verbreitet im KI-Bereich
OpenCL: Offener Standard für parallele Berechnungen auf verschiedenen Hardwareplattformen
Vulkan: Moderne, plattformübergreifende Grafik-API mit geringem Overhead
DirectX 12: Microsofts Grafik-API für Windows, optimiert für Gaming
Metal: Apples Grafik- und Compute-API für macOS und iOS

Für Machine Learning nutzen die meisten Entwickler Hochsprachen-Frameworks wie PyTorch oder TensorFlow, die die GPU-Programmierung abstrahieren. Das direkte Schreiben von CUDA- oder OpenCL-Code ist nur für spezialisierte Anwendungen notwendig.

GPU in der Praxis

Als Fachinformatiker für Systemintegration wirst du GPUs bei der Planung von Workstations und Servern berücksichtigen müssen. Für CAD-Arbeitsplätze, Videobearbeitung oder KI-Entwicklung ist die richtige GPU-Auswahl entscheidend. Auch die Kühlung und Stromversorgung muss entsprechend dimensioniert sein. Eine High-End-GPU kann allein 450 Watt oder mehr verbrauchen.

In der Anwendungsentwicklung ist das Verständnis von GPU-Computing wichtig, wenn du mit rechenintensiven Anwendungen arbeitest. Viele Algorithmen lassen sich parallelisieren und profitieren enorm von GPU-Beschleunigung. Tools wie nvidia-smi (NVIDIA) oder der Task-Manager zeigen dir die GPU-Auslastung in Echtzeit.

GPU