تفاوت CPU ،GPU و NPU به زبان ساده

اگر CPU ،GPU و NPU هر سه «پردازنده» هستند، پس چرا یک لپ‌ تاپ باید هر سه‌شان را همزمان داشته باشد؟ این سؤالی است که این روزها خیلی‌ها هنگام خرید لپ‌ تاپ یا گوشی جدید با آن روبه‌رو می‌شوند؛ چون یک‌دفعه همه برندها شروع کرده‌اند به تبلیغ «پردازنده هوش مصنوعی» و NPU، انگار که این قطعه یک چیز کاملا جدید و جادویی است که تا دیروز اصلا وجود نداشت.

خبر خوب این است که موضوع اصلا پیچیده نیست. کافی است یک تشبیه ساده در ذهن داشته باشید. یک شرکت را تصور کنید که یک مدیر همه‌کاره دارد که تصمیم می‌گیرد و هماهنگ می‌کند، یک کارگاه بزرگ با هزاران کارگر که کارهای تکراری و حجیم را با سرعت باورنکردنی انجام می‌دهند، و یک فوق‌تخصصی که فقط یک کار را بلد است اما در همان یک کار از همه سریع‌تر، ساکت‌تر و کم‌مصرف‌تر است. در این مقاله از ویجیاتو قدم‌به‌قدم و با مثال‌های واقعی می‌بینیم که CPU ،GPU و NPU دقیقا چه نقشی در این «شرکت» دارند، چه زمانی هرکدام به کار می‌آیند، و این دانستن هنگام خرید لپ‌ تاپ یا گوشی چطور از کیسه‌تان محافظت می‌کند.

پردازنده CPU چیست؟

CPU مخفف عبارت Central Processing Unit یا «واحد پردازش مرکزی» است. اگر بخواهیم با یک جمله آن را تعریف کنیم. CPU مغز اصلی و مدیر کل هر کامپیوتر، لپ‌ تاپ یا گوشی هوشمند است؛ قطعه‌ای که از روشن شدن دستگاه تا خاموش کردنش، پشت صحنه همه‌چیز را کنترل می‌کند. برای اطلاع بیشتر مقاله‌های مقاله‌ی «راهنمای نام گذاری‌ها پردازنده‌های اینتل» و «راهنمای نام گذاری‌ها پردازنده‌های AMD» را مطالعه کنید.

وظیفه اصلی پردازنده CPU چیست؟

وظیفه CPU، اجرای دستورالعمل‌های سیستم‌ عامل و نرم‌افزارها و هماهنگ کردن بقیه قطعات با یکدیگر است. هر بار که کلیک می‌کنید، تایپ می‌کنید، یک برنامه را باز می‌کنید یا حتی فقط اسکرول می‌کنید، این CPU است که تصمیم می‌گیرد چه اتفاقی باید بیفتد، به کدام قطعه دستور بدهد و نتیجه را به کجا برساند. می‌شود گفت CPU مثل یک مترجم بین «خواسته‌های شما» و «زبان قابل‌ فهم برای سخت‌افزار» عمل می‌کند.

پردازنده CPU چگونه کار می‌کند؟

CPU یا پردازنده مرکزی، مغز کامپیوتر است و وظیفه دارد دستورات نرم‌افزارها و سیستم‌ عامل را با سرعت بسیار بالا پردازش کند. برخلاف GPU یا NPU که برای انجام تعداد زیادی عملیات مشابه بهینه شده‌اند، CPU برای اجرای سریع دستورات متنوع، تصمیم‌گیری‌های منطقی و مدیریت کل سیستم طراحی شده است.

امروزه بیشتر پردازنده‌ها چند هسته‌ای (Multi-Core) هستند. مدل‌های اقتصادی معمولا از ۴ هسته شروع می‌شوند و پردازنده‌های قدرتمند دسکتاپ و لپ‌ تاپ می‌توانند ۲۴ هسته یا حتی بیشتر داشته باشند. هر هسته (Core) در واقع یک پردازنده کوچک و مستقل است که اجزایی مانند واحد محاسبه و منطق (ALU)، ثبات‌ها (Registers)، حافظه کش (Cache) و میلیاردها ترانزیستور را در خود جای داده است.

وجود چند هسته باعث می‌شود CPU بتواند چندین کار را به‌طور هم‌زمان مدیریت کند و عملکرد سیستم در اجرای هم‌زمان برنامه‌ها (Multitasking) بهبود پیدا کند. البته افزایش تعداد هسته‌ها همیشه به معنای عملکرد بهتر نیست. بسیاری از برنامه‌ها و بازی‌ها هنوز به سرعت هر هسته بیشتر از تعداد هسته‌ها وابسته هستند.

به همین دلیل، برای اکثر کاربران و گیمرها یک پردازنده ۶ تا ۸ هسته‌ای انتخابی کاملا مناسب محسوب می‌شود، در حالی که کاربرانی که با رندر سه‌بعدی، تدوین ویدیو، برنامه‌نویسی سنگین یا شبیه‌سازی‌های پیچیده سروکار دارند، از پردازنده‌های ۱۲، ۱۶ یا حتی ۲۴ هسته‌ای سود بیشتری می‌برند.

بیشتر بخوانید: مزایا و معایب اورکلاک کردن CPU چیست؟

رشته (Thread) چیست؟

علاوه بر هسته‌ها، پردازنده‌ها دارای رشته (Thread) نیز هستند. رشته در واقع مسیری است که یک هسته از طریق آن دستورات را اجرا می‌کند. اگر هر هسته تنها بتواند یک رشته را پردازش کند، یک پردازنده ۶ هسته‌ای، ۶ رشته خواهد داشت. اما اگر هر هسته بتواند به‌طور هم‌زمان دو رشته را مدیریت کند، همان پردازنده به یک مدل ۶ هسته‌ای و ۱۲ رشته‌ای تبدیل می‌شود.

این قابلیت در پردازنده‌های اینتل با نام Hyper-Threading شناخته می‌شود و در پردازنده‌های AMD از فناوری Simultaneous Multithreading (SMT) استفاده می‌شود. این فناوری باعث نمی‌شود تعداد هسته‌های فیزیکی افزایش پیدا کند، اما با استفاده بهتر از منابع هر هسته، عملکرد پردازنده در بسیاری از پردازش‌های چندوظیفه‌ای و نرم‌افزارهای حرفه‌ای بهبود پیدا می‌کند.

فرکانس پردازنده (Clock Speed)

این عدد نشان می‌دهد هر هسته در هر ثانیه چند میلیارد چرخه پردازشی انجام می‌دهد. البته فرکانس بالاتر همیشه به معنای پردازنده سریع‌تر نیست؛ زیرا عواملی مانند معماری پردازنده، حافظه کش، تعداد هسته‌ها و بهینه‌سازی نرم‌افزارها نیز نقش مهمی در عملکرد نهایی دارند.

در نهایت، می‌توان گفت CPU به‌جای انجام هزاران محاسبه ساده به‌صورت موازی، برای اجرای سریع دستورات پیچیده، تصمیم‌گیری‌های منطقی و هماهنگ کردن تمام بخش‌های سیستم ساخته شده است. همین ویژگی باعث می‌شود هنوز هم مهم‌ترین پردازنده در مدیریت سیستم باشد و نقش آن با GPU و NPU کاملا متفاوت باشد.

در چه کارهایی از CPU استفاده می‌شود؟

• بالا آمدن ویندوز، macOS، اندروید یا iOS در لحظه روشن شدن دستگاه
• باز کردن مرورگر، بارگذاری صفحات وب و اجرای جاواسکریپت آن‌ها
• اجرای نرم‌افزارهای روزمره مثل Word، Excel، تلگرام یا اسپاتیفای
• مدیریت فایل‌ها، کپی، جابه‌جایی، فشرده‌سازی و جست‌وجوی داده‌ها روی هارد یا SSD
• هماهنگی بین رم، هارد، کارت گرافیک، شبکه و سایر قطعات سخت‌افزاری
• اجرای محاسبات ریاضی و منطقی پشت‌صحنه هر برنامه‌ای، از ماشین‌حساب گرفته تا بازی‌های ساده

تشبیه ساده برای CPU

CPU مثل مدیرعامل یک شرکت است؛ کسی که همه‌کاره است، می‌تواند تقریبا هر تصمیمی بگیرد، جلسات مختلف را مدیریت کند و اولویت‌ها را مشخص کند. اما چون فقط چند نفر مدیر ارشد دارید (نه هزاران نفر)، نمی‌توانید همزمان هزاران کار کاملا مشابه و تکراری را با همین چند مدیر انجام دهید؛ برای آن کار به کارگاهی با هزاران کارگر نیاز دارید دقیقا همان چیزی که در ادامه به آن می‌رسیم.

بیشتر بخوانید: بهترین نرم‌ افزار‌ اورکلاک CPU و GPU کدام است؟

GPU چیست؟

GPU مخفف Graphics Processing Unit یا «واحد پردازش گرافیکی» است. این پردازنده در ابتدا برای پردازش تصاویر، انیمیشن‌ها و بازی‌های ویدیویی طراحی شد، اما امروزه کاربرد آن بسیار فراتر از گرافیک رفته و در هوش مصنوعی، یادگیری ماشین، شبیه‌سازی‌های علمی و پردازش داده‌های عظیم نیز نقش کلیدی دارد.

برخلاف CPU که وظیفه مدیریت و اجرای انواع مختلف دستورات را بر عهده دارد، GPU برای انجام حجم بسیار زیادی از محاسبات مشابه به‌صورت هم‌زمان بهینه شده است. به همین دلیل، هنگام اجرای بازی‌های سنگین، رندر سه‌بعدی یا آموزش مدل‌های هوش مصنوعی، بخش عمده بار پردازشی روی GPU قرار می‌گیرد و CPU بیشتر وظیفه هماهنگی و مدیریت سیستم را بر عهده دارد.

چرا GPU ساخته شد؟

نمایش هر فریم از یک بازی یا ویدیو به میلیون‌ها محاسبه نیاز دارد؛ از محاسبه رنگ و نور گرفته تا سایه، بافت و افکت‌های گرافیکی. این عملیات باید ده‌ها یا حتی صدها بار در هر ثانیه تکرار شوند تا تصویر روان نمایش داده شود.

CPU برای چنین حجم عظیمی از عملیات تکراری طراحی نشده است، زیرا فلسفه طراحی آن بر اجرای سریع دستورات پیچیده و متنوع است. به همین دلیل، از اواخر دهه ۱۹۹۰ شرکت‌هایی مانند NVIDIA و بعدها AMD پردازنده‌های تخصصی گرافیکی را توسعه دادند که می‌توانستند هزاران محاسبه مشابه را به‌صورت هم‌زمان انجام دهند.

GPU چگونه کار می‌کند؟

برخلاف CPU که معمولا بین ۴ تا ۲۴ هسته قدرتمند دارد، GPU از صدها تا هزاران هسته پردازشی کوچک‌تر تشکیل شده است. برای مثال، کارت‌های گرافیک مدرن می‌توانند بیش از ۱۰ هزار هسته پردازشی داشته باشند.

این هسته‌ها به‌گونه‌ای طراحی شده‌اند که یک کار بزرگ را به هزاران بخش کوچک تقسیم کرده و همه آن‌ها را به‌طور هم‌زمان پردازش کنند. به این روش پردازش موازی (Parallel Processing) گفته می‌شود.

همین معماری باعث می‌شود GPU در کارهایی که میلیون‌ها عملیات مشابه دارند، چندین برابر سریع‌تر از CPU عمل کند. فناوری‌هایی مانند CUDA در کارت‌های گرافیک NVIDIA یا ROCm در محصولات AMD نیز به توسعه‌دهندگان اجازه می‌دهند از این قدرت پردازشی برای کاربردهایی فراتر از گرافیک، مانند یادگیری ماشین، تحلیل داده و شبیه‌سازی‌های علمی استفاده کنند.

GPU برای چه کارهایی مناسب است؟

به دلیل توان پردازش موازی بسیار بالا، GPU در وظایفی که حجم زیادی از محاسبات مشابه دارند بهترین عملکرد را ارائه می‌دهد، از جمله:

• اجرای بازی‌های ویدیویی با کیفیت گرافیکی بالا و نرخ فریم زیاد
• رندر پروژه‌های سه‌بعدی در نرم‌افزارهایی مانند Blender، Maya و Cinema 4D
• تدوین و ویرایش ویدیوهای 4K و 8K
• آموزش (Training) مدل‌های هوش مصنوعی و شبکه‌های عصبی
• پردازش‌های علمی، مهندسی و شبیه‌سازی‌های پیچیده
• استخراج برخی ارزهای دیجیتال (هرچند امروزه به دلیل هزینه انرژی، کاربرد آن نسبت به گذشته کمتر شده است)

تشبیه ساده برای GPU

اگر CPU را مدیر یک شرکت در نظر بگیریم که تصمیم‌های مهم را می‌گیرد و کارها را مدیریت می‌کند، GPU مانند هزاران کارگر یک خط تولید است که هم‌زمان روی بخش‌های مختلف یک پروژه کار می‌کنند. فرض کنید باید ۱۰۰۰ نامه را داخل پاکت بگذارید. اگر یک نفر همه نامه‌ها را یکی‌یکی انجام دهد، زمان زیادی طول می‌کشد.

اما اگر ۱۰۰۰ نفر هرکدام فقط یک نامه را آماده کنند، کل کار در مدت بسیار کوتاهی تمام می‌شود. GPU دقیقا با همین منطق، هزاران محاسبه مشابه را به‌صورت موازی انجام می‌دهد و به همین دلیل در پردازش‌های گرافیکی و هوش مصنوعی عملکردی فوق‌العاده دارد. در همین راستا برای اطلاعات تکمیلی «هرآنچه که باید پیش از خرید کارت گرافیک (GPU) گیمینگ بدانید» را مطالعه کنید.

NPU چیست؟

NPU مخفف Neural Processing Unit یا «واحد پردازش عصبی» است؛ تازه‌واردی که در چند سال اخیر به کنار CPU و GPU در گوشی‌ها و لپ‌ تاپ‌ها اضافه شده و اسمش را از «شبکه‌های عصبی مصنوعی» (Neural Networks) گرفته که پایه و اساس هوش مصنوعی امروزی هستند.

چرا شرکت‌ها NPU ساختند؟

تا چند سال پیش، اکثر پردازش‌های هوش مصنوعی (مثل تشخیص گفتار، ترجمه یا پردازش تصویر) روی سرورهای ابری غول‌های تکنولوژی انجام می‌شد؛ یعنی دستگاه شما داده‌ها را از طریق اینترنت به سرور می‌فرستاد، سرور محاسبه می‌کرد و نتیجه را برمی‌گرداند. اما این روش سه مشکل جدی داشت:

• نیاز به اینترنت پرسرعت و پایدار که همیشه در دسترس نیست.
• تأخیر (Latency)؛ یعنی فاصله زمانی بین درخواست شما و دریافت پاسخ، که تجربه کاربری را کند می‌کند.
• نگرانی درباره حریم خصوصی؛ چون داده‌های شخصی و حساس شما (مثل صدا یا تصویر چهره) باید به سرورهای خارجی ارسال شود.

راه‌حل، انتقال بخشی از این پردازش به خود دستگاه بود و برای این کار، یک تراشه تخصصی به نام NPU طراحی شد که می‌تواند این محاسبات را مستقیما روی گوشی یا لپ‌ تاپ شما، بدون نیاز به اینترنت انجام دهد.

NPU چه تفاوتی با GPU دارد؟

هر دو در پردازش موازی خوب هستند، اما تفاوت اصلی در نوع کار و دقت داده‌ها است:

• GPU برای رندر گرافیکی معمولا به محاسبات دقیق‌تر (مثلا ۳۲‑بیتی یا FP32) نیاز دارد تا رنگ و نور واقعی به نظر برسد.
• شبکه‌های عصبی هوش مصنوعی معمولا به این سطح از دقت نیاز ندارند و با داده‌های سبک‌تر (مثلا ۸ یا ۱۶‑بیتی، یعنی INT8 یا FP16) به‌خوبی و با دقت قابل‌قبول کار می‌کنند.
• NPU دقیقا برای همین نوع محاسبات سبک و تکرارشونده (ضرب و جمع ماتریس‌ها که پایه شبکه‌های عصبی است) بهینه شده و برخلاف GPU، انرژی بسیار کمتری مصرف می‌کند و گرمای کمتری تولید می‌کند.
• NPU معمولا حافظه داخلی اختصاصی خودش را دارد تا داده‌ها را نزدیک‌تر به هسته‌های پردازشی نگه دارد و رفت‌وبرگشت با رم اصلی سیستم را کاهش دهد؛ همین موضوع سرعت را بیشتر می‌کند.

به همین دلیل، NPU برای اجرای مداوم و در پس‌زمینه بدون داغ کردن دستگاه یا خالی کردن سریع باتری عالی است؛ کاری که اگر به GPU سپرده شود، معمولا باتری را به‌سرعت تخلیه می‌کند و فن‌های خنک‌کننده را به کار می‌اندازد.

NPU چه کارهایی را سریع‌تر و کم‌مصرف‌تر انجام می‌دهد؟

• حذف نویز پس‌زمینه در تماس‌های صوتی و تصویری، حتی وقتی محیط اطرافتان شلوغ است
• ترجمه همزمان مکالمه یا زیرنویس زنده در حین تماشای ویدیو یا کنفرانس آنلاین
• اجرای دستیارهای هوشمند مثل Windows Copilot که مستقیما روی دستگاه پاسخ می‌دهند
• قابلیت‌هایی مثل Recall در ویندوز که رویدادهای صفحه‌نمایش را برای جست‌وجوی بعدی ذخیره و تحلیل می‌کند
• تولید و ویرایش تصویر با هوش مصنوعی (مثلا حذف هوشمند اشیای مزاحم از عکس یا اپلیکیشن‌های ویرایش عکس گوشی)
• تشخیص چهره سه‌بعدی برای باز کردن قفل گوشی در کسری از ثانیه
• افکت‌های دوربین موبایل مثل تار کردن پس‌زمینه (Portrait Mode)، بهبود نور شب یا تصحیح خودکار زاویه چشم در تماس‌های ویدیویی
• مدیریت هوشمند مصرف باتری بر اساس یادگیری الگوی استفاده روزانه شما از دستگاه

تشبیه ساده برای NPU

NPU مثل یک فوق‌تخصصی است که فقط یک نوع کار بلد است (محاسبات مربوط به هوش مصنوعی)، اما همان یک کار را با کمترین انرژی و بیشترین سرعت انجام می‌دهد؛ درست مثل یک حسابدار حرفه‌ای که فقط اعداد را حساب می‌کند و نمی‌تواند برایتان قهوه بریزد یا جلسه مدیریت کند، اما در همان کار حسابداری از هر مدیر همه‌کاره یا کارگر ساده‌ای سریع‌تر و دقیق‌تر است.

مقایسه CPU ،GPU و NPU

ویژگی	CPU	GPU	NPU
وظیفه اصلی	مدیریت کلی سیستم و اجرای برنامه‌ها	رندر تصویر و پردازش‌های سنگین موازی	اجرای الگوریتم‌های هوش مصنوعی و یادگیری ماشین
نوع پردازش	خطی و پشت‌سرهم (Serial)	موازی (هزاران هسته کوچک)	موازی و تخصصی (محاسبات تانسوری/ماتریسی)
سرعت در کار خودش	بسیار سریع در تصمیم‌گیری‌های منطقی متنوع	بسیار سریع در محاسبات تکراری حجیم	بسیار سریع در محاسبات هوش مصنوعی مشخص
مصرف انرژی	متوسط	بالا (پرمصرف‌ترین قطعه در بار کاری سنگین)	پایین (بهینه‌شده برای باتری)
مناسب برای	کارهای روزمره و مدیریت سیستم	گیمینگ، رندر سه‌بعدی، تدوین ویدیو	AI محلی، دستیار صوتی، افکت دوربین
تعداد هسته	معمولا ۴ تا ۲۴ هسته قدرتمند و همه‌کاره	هزاران هسته کوچک و ساده	واحدهای تخصصی پردازش تانسور
بهترین کاربرد	وب‌گردی، آفیس، مدیریت فایل	بازی، طراحی سه‌بعدی، تدوین ویدیو	ترجمه آنی، حذف نویز، تشخیص چهره

تفاوت CPU و GPU

خیلی‌ها فکر می‌کنند چون GPU «هزاران هسته» دارد، پس همیشه از CPU سریع‌تر است؛ اما این تصور کاملا درست نیست و به نوع کار بستگی دارد.CPU در کارهایی که نیاز به تصمیم‌گیری پیچیده، متنوع و پشت‌سرهم دارند (مثل باز کردن یک برنامه، اجرای سیستم‌عامل یا پردازش منطق یک بازی) خیلی سریع‌تر از GPU عمل می‌کند، چون هسته‌هایش قدرتمند، پیچیده و همه‌کاره‌اند و می‌توانند در هر لحظه تصمیمات متفاوتی بگیرند.

اما در کارهایی که باید یک عملیات ساده و مشابه روی حجم زیادی از داده تکرار شود (مثل رندر میلیون‌ها پیکسل یا ضرب هزاران ماتریس کوچک)، GPU با پردازش موازی خیلی جلوتر می‌افتد، چون می‌تواند همه آن‌ها را همزمان انجام دهد.

مثال ملموس: اگر بخواهید یک فایل اکسل با فرمول‌های پیچیده و متفاوت در هر سلول را محاسبه کنید، CPU بهتر عمل می‌کند. اما اگر بخواهید رنگ همه پیکسل‌های یک عکس بزرگ را به‌طور یکسان تغییر دهید، GPU در چند میلی‌ثانیه این کار را انجام می‌دهد، در حالی که CPU ممکن است چند ثانیه طول بکشد. به زبان ساده: CPU برای «تنوع کار» طراحی شده، GPU برای «تکرار حجیم یک نوع کار مشابه».

آیا NPU جای GPU را می‌گیرد؟

نه، و در آینده نزدیک هم چنین اتفاقی نمی‌افتد. این دو رقیب هم نیستند و قرار نیست یکی جایگزین دیگری شود، چون از پایه برای دو نوع کار متفاوت طراحی شده‌اند. GPU برای پردازش گرافیکی عمومی و انعطاف‌پذیر، NPU فقط برای محاسبات هوش مصنوعی سبک و تکرارشونده.

آیا NPU برای بازی کاربرد دارد؟

عملا نه، حداقل نه به‌طور مستقیم. رندر گرافیکی بازی‌ها یعنی محاسبه نور، سایه، بافت و فیزیک صحنه همچنان کار GPU است. البته برخی بازی‌های جدید ممکن است از NPU برای کارهای جانبی مثل تولید هوشمند دیالوگ شخصیت‌ها یا بهبود کیفیت تصویر با هوش مصنوعی (مشابه فناوری‌های آپ‌اسکیل تصویر) استفاده کنند، اما این هنوز جایگزین نقش اصلی GPU در بازی نشده است.

آیا NPU برای رندر مناسب است؟

خیر، رندر ویدیو یا پروژه‌های سه‌بعدی همچنان روی دوش GPU (و تا حدی CPU) است، چون این کارها به دقت محاسباتی بالا و انعطاف‌پذیری زیاد نیاز دارند که NPU برای آن طراحی نشده است.

چرا هوش مصنوعی روی NPU کم‌مصرف‌تر است؟

چون NPU فقط برای یک نوع محاسبه (پردازش شبکه‌های عصبی) بهینه شده و بخش زیادی از مدارهای اضافی که در GPU برای رندر گرافیکی وجود دارد (مثل واحدهای مخصوص نورپردازی و بافت‌کشی) را ندارد. همین تخصصی بودن باعث می‌شود مصرف انرژی‌اش برای کارهای هوش مصنوعی مداوم مثل حذف نویز در یک تماس یک‌ساعته یا ترجمه زنده یک کنفرانس طولانی بسیار کمتر از GPU باشد؛ در حالی که استفاده از GPU برای همین کار می‌تواند باتری لپ‌ تاپ شما را در عرض یکی دو ساعت کاملا خالی کند.

آیا CPU ،GPU و NPU با هم کار می‌کنند؟

بله، و در واقع بیشتر وقت‌ها همزمان و هماهنگ با هم کار می‌کنند. در پردازنده‌های امروزی (مثل Intel Core Ultra، AMD Ryzen AI، Snapdragon X Elite یا Apple Silicon) هر سه واحد روی یک تراشه واحد قرار دارند؛ به این معماری SoC یا «سیستم روی چیپ» (System on a Chip) می‌گویند که باعث می‌شود این سه بخش با کمترین تأخیر و بالاترین سرعت با هم داده رد و بدل کنند.

وقتی یک قابلیت هوش مصنوعی روی لپ‌ تاپ اجرا می‌شود، معمولا این اتفاقات پشت‌صحنه رخ می‌دهد:

1. CPU درخواست شما را دریافت می‌کند (مثلا کلیک روی دکمه «حذف نویز») و تصمیم می‌گیرد چه کاری باید انجام شود و کدام قطعه باید آن را اجرا کند.
2. اگر کار سنگین گرافیکی باشد (مثل رندر پیش‌نمایش ویدیو)، به GPU سپرده می‌شود.
3. اگر کار مربوط به هوش مصنوعی سبک، مداوم و پس‌زمینه‌ای باشد (مثل حذف نویز صدا یا تار کردن پس‌زمینه دوربین)، به NPU فرستاده می‌شود.
4. نتیجه نهایی توسط CPU جمع‌آوری و روی صفحه نمایش داده می‌شود یا به نرم‌افزار برگردانده می‌شود.

سیستم‌عامل (مثل ویندوز ۱۱) این تقسیم‌کار را در پس‌زمینه و به‌طور کاملا خودکار انجام می‌دهد، بدون اینکه شما متوجه آن شوید، تا بیشترین سرعت با کمترین مصرف باتری و کمترین دمای سیستم به‌دست بیاید.

مثال واقعی: تولید تصویر با هوش مصنوعی در فتوشاپ

فرض کنید در Adobe Photoshop یک تصویر با هوش مصنوعی می‌سازید یا پس‌زمینه یک عکس را حذف می‌کنید. این کار در واقع چند مرحله دارد و هر مرحله به یک پردازنده متفاوت سپرده می‌شود:

• CPU رابط کاربری فتوشاپ را اجرا می‌کند، فایل تصویری شما را از هارد یا SSD می‌خواند و باز می‌کند، درخواست شما (مثلا کلیک روی ابزار «حذف پس‌زمینه») را دریافت می‌کند و آن را به بخش مربوطه ارسال می‌کند. همچنین مدیریت حافظه و ذخیره فایل نهایی هم بر عهده CPU است.
• GPU بخش سنگین رندر و پردازش تصویری با کیفیت بالا را انجام می‌دهد؛ مثلا پیش‌نمایش زنده فیلترها، تغییر اندازه تصویر با کیفیت بالا یا اعمال افکت‌های پیچیده گرافیکی که نیاز به محاسبات موازی سنگین دارند.
• NPU (اگر سیستم پشتیبانی کند) وظایف سبک‌تر و تکرارشونده هوش مصنوعی مثل تشخیص هوشمند لبه‌های موضوع اصلی عکس، شناسایی چهره یا اجرای مدل‌های یادگیری ماشین برای «انتخاب موضوع» (Select Subject) را با مصرف انرژی بسیار کمتر انجام می‌دهد، تا باتری لپ‌ تاپ و دمای سیستم کمتر تحت فشار قرار بگیرد و شما بتوانید ساعت‌ها بدون نگرانی درباره باتری کار کنید.

نتیجه اینکه هر سه پردازنده در یک عملیات ساده مثل «حذف پس‌زمینه یک عکس» با هم همکاری می‌کنند تا شما فقط با یک کلیک، نتیجه‌ای سریع و باکیفیت ببینید.

هنگام خرید لپ‌ تاپ به چه چیزی توجه کنیم؟

• کاربر عادی (وب‌گردی، آفیس، شبکه‌های اجتماعی، تماشای فیلم): یک CPU متوسط رو به بالا (مثلا از سری Core i5 یا Ryzen 5 به بعد) کاملا کافی است؛ نیازی به GPU قوی یا NPU پرقدرت نیست، مگر اینکه بخواهید از قابلیت‌های هوش مصنوعی محلی هم استفاده کنید.
• گیمر: تمرکز اصلی باید روی GPU باشد؛ هرچه حافظه گرافیکی اختصاصی (VRAM) و قدرت پردازشی GPU بیشتر باشد، تجربه بازی با فریم‌ریت بالاتر و کیفیت گرافیکی بهتری خواهید داشت. CPU هم باید به اندازه کافی قوی باشد تا گلوگاه (Bottleneck) برای GPU ایجاد نکند.
• تدوینگر ویدیو: هم CPU قوی و چندهسته‌ای (برای رندر نهایی و پردازش تایم‌لاین طولانی) و هم GPU قدرتمند با VRAM بالا (برای پیش‌نمایش روان و افکت‌های پیچیده) لازم است. NPU هم می‌تواند در برخی نرم‌افزارهای جدید برای افکت‌های هوش مصنوعی مثل جداسازی صدا یا زیرنویس خودکار کمک کند.
• برنامه‌نویس: CPU چندهسته‌ای قدرتمند و رم بالا (حداقل ۱۶ گیگابایت) معمولا از GPU قوی مهم‌تر است، مگر اینکه روی مدل‌های هوش مصنوعی، پردازش تصویر یا بازی‌سازی کار کنید که در آن صورت به GPU مناسب هم نیاز خواهید داشت.
• تولی دکننده محتوا (عکاسی، گرافیک، موشن‌گرافیک، پادکست): ترکیبی از CPU خوب و GPU متوسط تا قوی، بسته به نرم‌افزار مورد استفاده (مثلا Premiere و After Effects بیشتر به GPU وابسته‌اند، در حالی که برخی ابزارهای صوتی بیشتر به CPU نیاز دارند).
• کاربر هوش مصنوعی (کسی که از دستیارهای هوشمند، ترجمه آنی، ویرایش تصویر با AI یا قابلیت‌های Copilot+ زیاد استفاده می‌کند): وجود NPU با توان حداقل ۴۰ TOPS را حتما در مشخصات فنی چک کنید تا مطمئن شوید دستگاه واقعا یک «Copilot+ PC» رسمی است، نه فقط یک برچسب تبلیغاتی که عدد TOPS آن، مجموع CPU و GPU را هم شامل می‌شود.

جمع‌بندی | CPU ،GPU و NPU

CPU ،GPU و NPU رقیب هم نیستند؛ سه همکار در یک تیم‌اند که هرکدام یک بخش از بار کاری دستگاه شما را به دوش می‌کشند. CPU مدیر کل سیستم است که همه‌چیز را هماهنگ می‌کند، GPU نیروی کار عظیم برای پردازش‌های گرافیکی و موازی است که گیمرها و تدوین‌گران به آن وابسته‌اند، و NPU متخصصی است که فقط هوش مصنوعی را با کمترین مصرف انرژی و بدون داغ کردن دستگاه انجام می‌دهد. دفعه بعد که مشخصات یک لپ‌ تاپ یا گوشی را بررسی می‌کنید، به‌جای گیج شدن با اعداد و برچسب‌های تبلیغاتی پیچیده، فقط از خودتان بپرسید: «قرار است بیشتر چه کاری با این دستگاه انجام بدهم؟» و بر همان اساس، به CPU، GPU یا NPU وزن بیشتری بدهید تا پولتان دقیقا برای همان چیزی خرج شود که واقعا به آن نیاز دارید.

سوالات متداول (FAQ)

CPU بهتر است یا GPU؟ هیچ‌کدام به‌طور مطلق «بهتر» نیستند؛ هرکدام برای کار متفاوتی طراحی شده‌اند. CPU برای تنوع کارها، تصمیم‌گیری‌های پیچیده و مدیریت کلی سیستم بهتر است، در حالی که GPU برای پردازش موازی حجیم مثل گرافیک، بازی و رندر بسیار قوی‌تر عمل می‌کند. مقایسه این دو مثل مقایسه یک مدیر باتجربه با یک کارخانه پرکارگر است؛ هرکدام در جای خودشان بی‌رقیب‌اند.

NPU دقیقا چه کاری انجام می‌دهد؟ NPU محاسبات مربوط به هوش مصنوعی و یادگیری ماشین مثل تشخیص چهره، حذف نویز صدا، ترجمه همزمان و تولید تصویر با AI را با سرعت بالا و مصرف انرژی بسیار پایین، مستقیما روی خود دستگاه (بدون نیاز به سرور ابری) اجرا می‌کند.

آیا بدون GPU می‌توان بازی کرد؟ تقریبا همه CPUهای امروزی یک گرافیک داخلی (Integrated GPU) دارند که برای بازی‌های سبک و قدیمی‌تر کافی است، اما برای بازی‌های سنگین و جدید با گرافیک بالا حتما به یک GPU جدا (Discrete GPU) نیاز دارید.

آیا همه لپ‌تاپ‌ها NPU دارند؟ خیر. NPU در نسل‌های جدید پردازنده‌ها (مثل Intel Core Ultra، AMD Ryzen AI و Snapdragon X) به‌صورت پیش‌فرض وجود دارد، اما لپ‌تاپ‌های قدیمی‌تر یا برخی مدل‌های ارزان‌قیمت هنوز فاقد آن هستند. برای اطمینان، همیشه مشخصات فنی پردازنده را قبل از خرید بررسی کنید.

آیا NPU جای GPU را می‌گیرد؟ نه. این دو کارهای متفاوتی انجام می‌دهند و مکمل هم هستند، نه جایگزین هم؛ NPU برای هوش مصنوعی سبک و کم‌مصرف طراحی شده، در حالی که GPU همچنان تنها گزینه برای گرافیک سنگین، بازی و رندر باقی می‌ماند.

هوش مصنوعی بیشتر از GPU استفاده می‌کند یا NPU؟ برای آموزش مدل‌های بزرگ هوش مصنوعی (Training) که نیاز به میلیون‌ها محاسبه موازی سنگین دارد، معمولا GPUهای قدرتمند در سرورهای عظیم مراکز داده به کار می‌روند. اما برای اجرای روزمره و محلی قابلیت‌های هوش مصنوعی روی گوشی و لپ‌ تاپ شما (که به آن Inference گفته می‌شود)، NPU به دلیل مصرف انرژی بسیار پایین‌تر و گرمای کمتر، گزینه اصلی و بهینه‌تر است.