图形处理器(英语：GraphicsProcessingUnit，缩写：GPU)，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上图像运算工作的微处理器。
　　用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是“人机对话”的重要设备之一。显卡作为电脑主机里的一个重要组成部分，承担输出显示图形的任务，对于从事专业图形设计的人来说显卡非常重要。
　　GPU是为了能够更快处理图像而诞生
　　在九十年代，一批工程师意识到：在屏幕上进行多边形图像渲染，本质上是个能并行处理的任务--每个像素点的色彩可以独立计算，不需要考虑其它像素点。于是GPU诞生，成为比CPU更高效的渲染工具。简而言之，由于CPU在图像渲染方面的能力不足，GPU被发明出来分担这部分工作，此后就成了专门搞这方面的硬件。有了上千个更加简单的核心，GPU能高效地处理让CPU十分吃力的任务。只要有合适的代码配合，这些核心就能处理超大规模的数学运算，实现逼真的游戏体验。
　　GPU作为显示卡的“大脑”决定了该显卡的档次和大部分性能，同时GPU也是2D显示卡和3D显示卡的区别依据。2D显示芯片在处理3D图像与特效时主要依赖CPU的处理能力，称为软加速。3D显示芯片是把三维图像和特效处理功能集中在显示芯片内，也就是所谓的“硬件加速”功能。显示芯片一般是显示卡上最大的芯片。时下市场上的显卡大多采用NVIDIA和AMD-ATI两家公司的图形处理芯片。NVIDIA公司在1999年发布GeForce256图形处理芯片时首先提出GPU的概念。从此NV显卡的芯就用这个新名字GPU来称呼。GPU使显卡削减了对CPU的依赖，并实行部分原本CPU的工作，更加是在3D图形处理时。
　　GPU能将3D模型的信息转换为2D表示，同时添加不同的纹理和阴影效果，所以GPU在硬件里也是比较特殊的存在。从3D建模到最终显示在屏幕上，GPU渲染场景使用的是流水线操作。早些时候流水线操作是固定不能作任何改动的，整个操作由读取三角形的顶点数据开始，接着GPU处理完后进入帧缓冲区(framebuffer)，准备发送给显示器。GPU也能对场景进行某些特定效果的处理，不过这些都是由工程师设计固定好的，能提供的选项很少。
　　GPU设计之初非针对深度学习而是并行计算
　　GPU关键性能是并行计算。这意味着可以同时处理运算，而不是一步步进行。复杂问题可被分解为更简单的问题，然后同时进行处理。并行计算适用于HPC和超算领域所涉及的许多问题类型，比如气象、宇宙模型和DNA序列。并不是只有天体物理学家和气象学家才能充分利用并行计算的优点。事实证明，许多企业应用能从并行计算获得超出寻常比例的好处。这包括：数据库查询、密码学领域的暴力搜索、对比不同独立场景的计算机模拟、机器学习/深度学习、地理可视化
　　在GPU设计之初，并非针对深度学习，而是图形加速，在NVIDIA推出CUDA架构之前，GPU并无太强对深度学习运算能力的支持。而如今，NVIDIA可以提供基于其GPU的从后端模型训练到前端推理应用的全套深度学习解决方案，一般的开发人员都可以非常容易地上手使用GPU进行深度学习开发，或者高性能运算。而CUDA架构的开发，耗费了NVIDIA巨大的人力物力。可以说，是CUDA这个中间层(computingframework)的优化，才使得开发者真正爱上了GPU，NVIDIA胜在软件。而CUDA还不能称之为算法，它只是计算硬件与算法之间的桥梁。
　　目前来看，NVIDIA作为人工智能计算平台的领导者，但事实是，一开始并非NVIDIA选择了人工智能，而是人工智能的研究者选择了GPU，进而成就了NVIDIA。在2012年，Alex利用深度学习+GPU的方案，一举赢得ImageNetLSVRC-2010图像识别大赛，并奇迹般地将识别成功率从74%提升到85%。NVIDIA敏锐地觉察到了这一趋势，并大力优化基于GPU的深度学习生态系统，并加速迭代开发，三年时间将GPU性能提升了65倍，从而奠定了目前的王者之位。
　　AI时代 GPU将是数据爆炸时代的核心处理模块
　　对于人工智能计算架构来说，一般可以归结为三类模式：CPU + GPU，CPU + FPGA，CPU + ASIC(专用集成电路)。其中，应用于图形、图像处理领域的GPU 可以并行处理大量数据，非常适合深度学习的高并行、高本地化数据场景，是目前主流的人工智能计算架构。
　　如果把科技产业划分为三个时代：PC 时代、移动互联网时代和AI 时代。目前，我们处于移动互联网时代的末期和下一个时代的早期，即以深度学习、无人驾驶为主的AI 时代。