CPU, GPU e NPU: o que cada processador faz e quando importa

CPU, GPU e NPU não são três níveis de uma mesma escala de poder de processamento. São unidades de processamento com projetos e funções diferentes: a CPU executa uma ampla variedade de instruções, a GPU se destaca quando muitas operações podem ser realizadas em paralelo e a NPU é dedicada a operações comuns em determinados modelos de inteligência artificial. A vantagem depende da tarefa, não apenas do nome que aparece nas especificações.

Uma GPU pode ser integrada ou discreta. A integrada faz parte do processador; a discreta é um chip separado, montado em uma placa própria. As duas podem processar gráficos, mas a capacidade e os limites de energia dependem do projeto específico. Integração não significa ausência de GPU: significa que não há uma placa gráfica separada.

Uma analogia útil é imaginar equipes com especialidades distintas: a CPU realiza tarefas variadas e coordena, a GPU distribui um trabalho que pode ser dividido entre muitas unidades e a NPU executa com eficiência determinadas operações de IA. A analogia tem limites: um aplicativo pode usar mais de uma unidade, e o sistema operacional e o software decidem como distribuir o trabalho.

A CPU executa instruções do sistema operacional e dos aplicativos e é necessária para o funcionamento normal do computador. Navegar, abrir programas, gerenciar arquivos e realizar cálculos variados envolve trabalho da CPU, embora uma tarefa específica também possa delegar partes a outros processadores. Seu principal ponto forte é a flexibilidade: ela pode lidar com muitos tipos de operação, inclusive aquelas que não podem ser facilmente divididas em tarefas simultâneas.

A CPU executa instruções do sistema operacional e dos aplicativos e é necessária para o funcionamento normal do computador. Navegar, abrir programas, gerenciar arquivos e realizar cálculos variados envolve trabalho da CPU, embora uma tarefa específica também possa delegar partes a outros processadores. Seu principal ponto forte é a flexibilidade: ela pode lidar com muitos tipos de operação, inclusive aquelas que não podem ser facilmente divididas em tarefas simultâneas.

A CPU executa as instruções de programas e sistemas operacionais, e seu desempenho contribui para a velocidade de tarefas como navegar, fazer cálculos ou trabalhar com planilhas. A GPU não substitui essa função geral, embora possa trabalhar junto com a CPU em tarefas que aproveitam o processamento paralelo.

A GPU foi desenvolvida para processar gráficos, nos quais operações semelhantes podem ser aplicadas a muitos elementos de uma imagem. Essa organização também é útil para outras cargas de trabalho paralelizáveis, como determinados processos de vídeo, cálculos científicos ou tarefas de inteligência artificial. O paralelismo é sua principal vantagem: a GPU pode lidar simultaneamente com grandes conjuntos de operações compatíveis, enquanto a CPU coordena e executa o código que não se beneficia dessa divisão.

A aceleração não acontece simplesmente porque um computador tem uma GPU. O aplicativo precisa ser projetado para usá-la, e bibliotecas otimizadas ou extensões de programação podem permitir que o código aproveite o processamento paralelo. A NVIDIA descreve a computação acelerada como a atribuição à GPU das partes mais intensivas de uma aplicação, enquanto o restante continua sendo executado na CPU. O software precisa saber delegar o trabalho para que o hardware especializado traga uma melhoria.

Uma GPU integrada pode ajudar a reduzir espaço e consumo de energia; uma GPU discreta acrescenta capacidade de processamento gráfico, mas também pode aumentar o consumo de energia e o calor. Nenhuma das categorias garante, por si só, determinado nível de desempenho: há projetos muito diferentes em ambas. Para jogos, edição de vídeo ou trabalho com modelos, verifique o aplicativo, a memória disponível e os requisitos específicos, além do nome da GPU. A escolha depende da carga de trabalho.

Uma NPU, ou unidade de processamento neural, é um acelerador projetado para certas operações usadas por redes neurais. Ela pode executar inferência, isto é, usar um modelo treinado para produzir resultados. Segundo a Microsoft, o Windows ML pode direcionar a inferência para CPU, GPU ou NPU por meio de provedores de execução; o processador escolhido depende do hardware disponível e do modelo. Ter uma NPU não ativa automaticamente todos os recursos de IA.

A NPU pode executar localmente inferências compatíveis, e seu projeto busca realizar essas operações com eficiência. O resultado depende do modelo, do dispositivo e da implementação. Para usar a NPU, o aplicativo precisa de um caminho de software compatível e, às vezes, de um modelo adaptado ao hardware. A compatibilidade do aplicativo é tão importante quanto o chip.

Nem todos os recursos comercializados como “IA” exigem uma NPU. Alguns podem ser executados na CPU ou na GPU; outros dependem de serviços remotos. No Windows, as APIs de IA oferecem recursos para PCs Copilot+, enquanto o Windows ML permite executar modelos ONNX em CPU, GPU ou NPU. Recursos que exigem uma categoria específica de PC não devem ser confundidos com a capacidade geral de executar modelos em diferentes aceleradores. Antes de comprar, verifique qual recurso você quer usar e quais hardware e versão de software ele exige.

Em um fluxo de trabalho, os processadores podem dividir etapas: a CPU prepara os dados e coordena, a GPU processa uma parte paralelizável e a NPU pode executar inferências compatíveis. Essa divisão não é fixa em todos os computadores. O software pode direcionar a inferência para diferentes processadores, conforme o hardware disponível e o modelo; o desempenho varia de acordo com a configuração.

O Windows ML exemplifica essa abordagem para modelos ONNX: sua documentação informa que ele pode usar CPU, GPU e NPU por meio de provedores de execução e que o desempenho depende da configuração e do modelo. Também prevê que um aplicativo use a CPU como alternativa quando não houver um acelerador adequado. Isso permite criar aplicativos para diferentes configurações, mas não significa que todas as combinações sejam igualmente rápidas ou que todo modelo funcione em qualquer unidade.

Em um notebook, integrar CPU e GPU pode ajudar a reduzir tamanho e consumo de energia; uma GPU dedicada acrescenta um recurso separado para tarefas que possam aproveitá-lo. Uma NPU integrada adiciona outra opção especializada para determinados modelos de IA. Cada unidade oferece capacidades diferentes: sua utilidade depende da compatibilidade da tarefa e do software.

A capacidade teórica de um componente não significa que um aplicativo vá utilizá-la. O desenvolvedor precisa integrar compatibilidade com o acelerador, o ambiente de execução e os drivers disponíveis; além disso, o modelo pode precisar de conversão ou otimização. A Microsoft explica, por exemplo, que algumas NPUs aceitam formatos numéricos de menor precisão e que os modelos precisam ser preparados para funcionar nelas. O suporte precisa existir em toda a cadeia, do modelo ao driver.

Também é importante distinguir inferência de treinamento. Uma NPU de PC costuma ser voltada à execução de modelos para produzir resultados, não a assumir todas as etapas de criação ou treinamento de modelos. A GPU pode acelerar algumas cargas de treinamento e inferência, enquanto a CPU mantém suas funções gerais e pode servir como alternativa. Essas categorias se sobrepõem em certas tarefas, mas não são intercambiáveis em todos os programas.

As operações por segundo (TOPS) e a quantidade de núcleos descrevem aspectos do hardware, mas não bastam, sozinhas, para caracterizar uma carga de trabalho de IA. O resultado depende de fatores como precisão numérica, tamanho do modelo e configuração do hardware. O desempenho varia conforme o modelo e o computador.

Comece pelo uso principal, não pelo rótulo “AI PC” nem pelo componente com o número mais chamativo. Para tarefas gerais, compare a CPU e a capacidade de memória; para jogos ou criação visual, confira a GPU e os requisitos do programa; para um recurso local de IA, confirme se o aplicativo é compatível com NPU e se exige um modelo ou uma versão específica do Windows. A especificação útil é a que atende à sua carga de trabalho.

Uma verificação prática pode seguir esta ordem:

• Identifique o aplicativo e a tarefa exata que você quer acelerar.
• Confira os requisitos oficiais de sistema, acelerador, memória e versão do software.
• Verifique se o recurso é executado localmente ou depende de um serviço online.
• Procure resultados de desempenho para esse aplicativo e uma configuração comparável.
• Considere consumo de energia, ruído, tamanho e autonomia junto com a velocidade.

CPU, GPU e NPU são projetadas para diferentes tipos de processamento e podem ser relevantes em tarefas distintas. O aplicativo determina se usa um acelerador e qual unidade aproveita. Confira a compatibilidade com o programa que pretende usar e consulte os requisitos de hardware e software.