CPU og GPU er to typer computerchips, der begge behandler data – men de er bygget til vidt forskellige opgaver. Forskellen mellem dem er ikke kun teknisk interessant: den er selve forklaringen på, hvorfor Nvidia er blevet et af verdens mest værdifulde selskaber. I denne guide gennemgår vi i et sprog, alle kan følge med i, hvad en CPU og en GPU er, hvordan de adskiller sig, og hvorfor netop den forskel er så afgørende for Nvidia og for aktien.
Hvad er en CPU?
CPU står for Central Processing Unit og oversættes til dansk som centralenhed. Den kaldes ofte “computerens hjerne”, fordi den styrer næsten alt, hvad din computer foretager sig – fra at starte operativsystemet til at åbne programmer og håndtere dine tastetryk.
En CPU er bygget op af nogle få, men meget kraftige kerner. En kerne er en selvstændig regneenhed inde i chippen. En almindelig stationær computer har typisk mellem 4 og 24 kerner. Hver enkelt kerne er hurtig og kan udføre komplekse instruktioner den ene efter den anden.
CPU’en er optimeret til det, man kalder lav latenstid. Latenstid er den tid, der går, fra en opgave stilles, til svaret er klar. En CPU er altså designet til at løse én opgave hurtigt og derefter gå videre til den næste. Den har også store mængder cache – en lynhurtig hukommelse tæt på kernerne – så den hurtigt kan hente de data, den arbejder med.
Kort sagt er en CPU en alsidig specialist, der er god til mange forskellige og ofte komplicerede opgaver, men som udfører dem i en relativt begrænset mængde ad gangen.
Hvad er en GPU?
GPU står for Graphics Processing Unit og betyder grafikprocessor. Den blev oprindeligt udviklet til at tegne billeder på skærmen – især i computerspil, hvor millioner af billedpunkter (pixels) skal beregnes mange gange i sekundet.
Hvor en CPU har få kraftige kerner, har en GPU i stedet tusindvis af mindre og enklere kerner. Hos Nvidia kaldes disse for CUDA-kerner. Et konkret eksempel: Nvidias forbrugergrafikkort GeForce RTX 5090 har 21.760 CUDA-kerner, mens forgængeren RTX 4090 havde 16.384. Til sammenligning har en CPU altså typisk under 24.
Fordi en GPU har så mange kerner, kan den udføre tusindvis af beregninger på samme tid. Det kaldes parallelberegning: den samme type beregning køres på rigtig mange datapunkter samtidig. Når en GPU tegner et billede, kan den for eksempel sende hver sin pixel til hver sin kerne og beregne dem alle på én gang.
GPU’en er derfor optimeret til høj gennemstrømning (på engelsk throughput) – altså til at behandle enorme datamængder ad gangen – frem for at løse en enkelt opgave så hurtigt som muligt.
Den vigtigste forskel: få stærke kerner mod mange simple kerner
Den grundlæggende forskel kan koges ned til én sætning: en CPU har få, meget kraftige kerner, mens en GPU har tusindvis af svagere kerner, der arbejder parallelt.
En klassisk måde at forstå det på er at forestille sig to arbejdshold:
- CPU’en – nogle få topuddannede eksperter, der kan løse komplicerede og vekslende opgaver hver for sig, men kun få ad gangen.
- GPU’en – en kæmpe hær af medarbejdere, der hver især laver en simpel opgave, men som til gengæld laver tusindvis af dem på samme tid.
Vælger man opgaven “læg to tal sammen ti tusind gange med forskellige tal”, vinder GPU’en, fordi arbejdet nemt kan deles op og køres samtidig. Vælger man i stedet en lang, indviklet opgave, hvor hvert trin afhænger af det forrige, vinder CPU’en. En GPU kan heller ikke på egen hånd styre et operativsystem – det er CPU’ens job.
Forskellen handler altså ikke om, at den ene chip er bedre end den anden, men om, at de er bygget til hver sin type arbejde. Nedenstående tabel samler de vigtigste forskelle.
Sammenligning: CPU vs. GPU
| Egenskab | CPU | GPU |
|---|---|---|
| Fuldt navn | Central Processing Unit (centralenhed) | Graphics Processing Unit (grafikprocessor) |
| Antal kerner | Få (typisk 4–24 i en pc) | Tusindvis (f.eks. 21.760 i RTX 5090) |
| Kernens styrke | Meget kraftig pr. kerne | Enklere og svagere pr. kerne |
| Arbejdsmåde | Få opgaver ad gangen, sekventielt | Mange ens beregninger samtidig (parallelt) |
| Optimeret til | Lav latenstid (hurtige enkeltopgaver) | Høj gennemstrømning (store datamængder) |
| Typiske opgaver | Operativsystem, programmer, logik | Grafik, AI-træning, videnskabelige beregninger |
| Rolle i et system | Styrer og koordinerer | Udfører de tunge, parallelle beregninger |
| Eksempel fra Nvidia | Grace (72 Arm-kerner) | GeForce RTX 5090, Blackwell-datacenter-GPU’er |
Hvorfor GPU’er er afgørende for kunstig intelligens
Det, der gjorde GPU’en til spilforbrugerens bedste ven, viste sig at være præcis det, kunstig intelligens (AI) havde brug for. Træning af AI-modeller handler nemlig i bund og grund om at udføre et astronomisk antal simple regnestykker – især matrixmultiplikationer, hvor store talgitre ganges sammen igen og igen.
Den type arbejde kan deles op i tusindvis af uafhængige beregninger, der kan køres samtidig. Det er lige netop dét, en GPU er bygget til. En CPU ville skulle arbejde sig igennem beregningerne i langt mindre portioner og ville derfor bruge urimeligt lang tid på den samme opgave.
Nvidia har desuden udstyret sine GPU’er med særlige Tensor-kerner, der er specialiseret til netop denne slags AI-beregninger. For at udnytte kernerne skal man bruge Nvidias software – du kan læse mere om, hvad CUDA er, som er den programmeringsplatform, der gør det muligt at bruge GPU’en til andet end grafik. Der er også forskel på selve AI-arbejdet, afhængigt af om man træner en model eller bruger den bagefter – det kan du dykke ned i under forskellen mellem AI-træning og inferens.
Derfor er forskellen vigtig for Nvidia
Forskellen mellem CPU og GPU er ikke blot teknisk trivia – den er fundamentet under Nvidias forretning. Da den moderne AI-bølge tog fart, viste det sig, at Nvidias GPU’er var det mest effektive værktøj til at træne og køre store AI-modeller. Virksomheder verden over kappes derfor om at købe Nvidias chips til deres datacentre.
Det afspejler sig direkte i regnskaberne. I andet kvartal af Nvidias regnskabsår 2027 (kvartalet, der sluttede 26. juli 2026) havde selskabet en samlet omsætning på 96,2 milliarder dollar – en stigning på 106 % på et år. Af det kom hele 89,0 milliarder dollar fra Data Center-forretningen, altså salg af AI-chips til datacentre, hvilket var en vækst på 117 % år til år ifølge Nvidias officielle kvartalsregnskab.
Med andre ord: GPU’ens evne til parallelberegning er den direkte årsag til, at datacenterforretningen er vokset så voldsomt – og den forklarer en stor del af, hvorfor Nvidia-aktien har bevæget sig, som den har. Vil du forstå helheden, kan du læse om Nvidias rolle i AI-revolutionen.
Vigtige punkter
- Parallelberegning er nøglen — GPU’ens evne til at køre tusindvis af beregninger samtidig er præcis det, AI-træning kræver.
- GPU’en driver væksten — Nvidias datacenterforretning, som bygger på GPU’er, stod for 89,0 mia. dollar i Q2 af regnskabsåret 2027 (kvartalet sluttede 26. juli 2026), en vækst på 117 % år til år.
- Ikke enten-eller — CPU og GPU arbejder sammen: CPU’en styrer, GPU’en regner.
- Nvidia dækker begge dele — udover GPU’er laver selskabet nu også Grace-CPU’er og kombinerer dem i Grace Blackwell-systemer.
- Derfor betyder forskellen for aktien — jo mere AI-arbejde flytter fra CPU til GPU, desto større efterspørgsel på Nvidias chips.
Nvidia laver nu også CPU’er: Grace og Grace Blackwell
Selvom Nvidia er mest kendt for GPU’er, bygger selskabet også sine egne CPU’er. Processoren hedder Grace og er baseret på Arm-teknologi med 72 kerner (en version med to sammenkoblede chips, kaldet en Superchip, har 144 kerner).
Det mest interessante er, hvordan Nvidia kombinerer de to verdener. I den såkaldte Grace Blackwell-løsning kobles Grace-CPU’en sammen med en Blackwell-GPU via en hurtig forbindelse kaldet NVLink-C2C, der giver langt større båndbredde end en almindelig forbindelse mellem chips. På den måde får man CPU’ens styring og GPU’ens rå regnekraft i ét system. Du kan læse mere om Nvidias nyeste chipgenerationer i artiklen om Blackwell og Hopper.
CPU og GPU arbejder sammen
Det er vigtigt at forstå, at det sjældent er et spørgsmål om enten-eller. I næsten alle moderne computere og datacentre arbejder CPU og GPU sammen. CPU’en fungerer som dirigent, der styrer systemet og uddelegerer de tunge, parallelle beregninger til GPU’en, som derefter maler det store datalæs igennem.
For en helt ny investor, der vil forstå, hvordan denne teknologi hænger sammen med selve aktien, kan det være en god idé at starte med guiden til Nvidia-aktien for begyndere.
Kildehenvisninger
Ofte stillede spørgsmål (FAQ)
Hvad er den største forskel mellem en CPU og en GPU?
En CPU har få, men meget kraftige kerner og er bygget til at løse komplekse opgaver hurtigt én ad gangen. En GPU har tusindvis af enklere kerner og er bygget til at udføre mange ens beregninger samtidig. CPU’en prioriterer hastighed på enkeltopgaver, GPU’en prioriterer mængde.
Er en GPU hurtigere end en CPU?
Det afhænger af opgaven. Til opgaver, der kan deles op og køres parallelt – som grafik og AI-beregninger – er en GPU langt hurtigere. Til opgaver, der skal udføres skridt for skridt, eller som kræver styring af hele systemet, er CPU’en bedst. De er specialiseret til hver sin type arbejde.
Hvorfor bruger man GPU’er til kunstig intelligens?
Træning af AI-modeller består af et enormt antal simple regnestykker, især matrixmultiplikationer, der kan udføres samtidig. GPU’ens mange kerner gør netop dette muligt, hvilket gør den langt mere effektiv end en CPU til AI. Nvidias GPU’er har desuden særlige Tensor-kerner, der er optimeret til formålet.
Laver Nvidia også CPU’er?
Ja. Nvidia fremstiller Arm-baserede CPU’er under navnet Grace. Selskabet kombinerer dem ofte med sine GPU’er i løsninger som Grace Blackwell, hvor CPU og GPU kobles tæt sammen for at levere både styring og høj regnekraft i samme system.
Hvad er CUDA-kerner?
CUDA-kerner er Nvidias betegnelse for de mange små regneenheder i en GPU, der udfører parallelberegninger. Jo flere CUDA-kerner, desto flere beregninger kan GPU’en i princippet udføre samtidig. For eksempel har GeForce RTX 5090 21.760 CUDA-kerner.