En GPU er den chip, der gør moderne computerspil, videoredigering og ikke mindst kunstig intelligens mulig. For Nvidia er GPU’en selve forretningen: det er grafikprocessoren, der har gjort virksomheden til et af verdens mest værdifulde selskaber. Men hvad er en GPU egentlig, hvordan adskiller den sig fra en almindelig processor, og hvorfor er netop Nvidias udgave blevet så eftertragtet? Denne guide forklarer det hele fra bunden – uden at forudsætte teknisk forhåndsviden.
Hvad betyder GPU?
GPU står for Graphics Processing Unit, på dansk grafikprocessor. Det er en specialiseret computerchip, der oprindeligt blev lavet til at tegne billeder på en skærm – altså grafik til spil, film og 3D-programmer. I dag bruges GPU’er langt bredere, fordi de er ekstremt gode til at udføre mange ens udregninger på én gang.
Netop den egenskab har gjort GPU’en til hjertet i kunstig intelligens. Når en AI-model skal trænes, kræver det milliarder af simple regnestykker, og en GPU kan køre tusindvis af dem samtidig. Det er grunden til, at ordet “GPU” er gået fra at være et nicheudtryk blandt gamere til at optræde i nyheder om teknologi og aktier.
Vigtige punkter
- GPU = grafikprocessor – en chip bygget til at udføre rigtig mange ens udregninger samtidig.
- Parallel kraft – mange tusinde små kerner gør GPU’en ideel til grafik og kunstig intelligens.
- GPU vs. CPU – CPU’en løser få komplekse opgaver hurtigt; GPU’en løser mange simple opgaver på én gang.
- Nvidias to linjer – GeForce til gaming og datacenter-GPU’er (Hopper og Blackwell) til AI.
- Fundamentet under successen – GPU-salg til datacentre står for størstedelen af Nvidias rekordomsætning.
GPU vs. CPU – hvad er forskellen?
De fleste computere har både en CPU og en GPU, og de løser hver sin type opgave. En CPU (Central Processing Unit, centralprocessor) er computerens hjerne. Den har få, men meget kraftige kerner og er bygget til at udføre komplekse opgaver hurtigt, én ad gangen eller nogle få samtidig. Den styrer programmer, operativsystem og beslutninger.
En GPU er bygget anderledes. Den har mange tusinde små kerner, der hver især er svagere end en CPU-kerne, men som tilsammen kan udføre et enormt antal udregninger på samme tid. Hvor CPU’en jager lav ventetid på den enkelte opgave, jager GPU’en høj gennemstrømning – altså mest muligt arbejde samlet set.
En god måde at forstå det på: CPU’en er nogle få eksperter, der løser svære opgaver efter hinanden. GPU’en er en hær af hjælpere, der alle laver den samme simple opgave på hver sin lille bid af dataene samtidig. De to arbejder normalt sammen: CPU’en styrer forløbet og sender de parallelle udregninger videre til GPU’en.
Hvordan fungerer en GPU?
GPU’ens styrke kaldes parallel databehandling. I stedet for at løse et problem trin for trin deler den det op i mange små stykker, der kan regnes ud på én gang. Grafik er det oprindelige eksempel: en skærm består af millioner af pixels, og mange af dem kan beregnes samtidig. Præcis samme princip gør GPU’en ideel til AI, hvor der skal ganges store taltabeller (matricer) sammen igen og igen.
Mange kerner, der arbejder samtidig
- CUDA-kerner — Nvidias betegnelse for GPU’ens almindelige regnekerner. En moderne spil-GPU har titusindvis af dem.
- Tensor Cores — specialkerner, der er bygget til netop den slags matrixregning, AI bruger. De er en stor del af, hvorfor Nvidias chips er så stærke til AI.
- RT-kerner — kerner til “ray tracing”, der beregner realistisk lys og skygger i spil.
Hukommelse (VRAM)
En GPU har sin egen hurtige hukommelse kaldet VRAM (Video RAM). Her opbevares de data, GPU’en arbejder med, så den slipper for at vente på computerens almindelige hukommelse. Jo mere og jo hurtigere VRAM, desto større opgaver kan GPU’en håndtere – for eksempel store AI-modeller eller spil i høj opløsning. Spil-GPU’er bruger typisk hukommelsestypen GDDR7, mens datacenter-GPU’er bruger den endnu hurtigere HBM-hukommelse.
Fra grafik til kunstig intelligens
Nvidia introducerede selve begrebet “GPU” tilbage i 1999 med chippen GeForce 256, som virksomheden markedsførte som verdens første grafikprocessor. I mange år handlede det primært om spil. Vendepunktet kom, da forskere opdagede, at GPU’ens parallelle kraft også kunne bruges til helt andre udregninger – videnskab, økonomi og til sidst maskinlæring.
Da den moderne AI-bølge for alvor tog fart, viste det sig, at Nvidias GPU’er var næsten perfekte til både AI-træning og inferens. Det er baggrunden for virksomhedens eksplosive vækst, som du kan læse mere om i vores gennemgang af Nvidias rolle i AI-revolutionen.
Nvidias GPU’er – fra gaming til datacentre
Nvidia laver i dag to hovedtyper GPU’er, der henvender sig til vidt forskellige kunder. Begge bygger på den samme grundlæggende teknologi, men er optimeret til hver sit formål.
GeForce – til forbrugere og gaming
GeForce-serien er de grafikkort, private køber til spil og kreativt arbejde. Den nyeste generation, RTX 50-serien, blev lanceret 30. januar 2025 og bygger på arkitekturen Blackwell. Topmodellen GeForce RTX 5090 har 21.760 CUDA-kerner og 32 GB GDDR7-hukommelse, mens den mere udbredte RTX 5080 har 10.752 CUDA-kerner og 16 GB.
Datacenter-GPU’er – motoren bag AI
Det er imidlertid datacenter-chipsene, der tjener de store penge. Her finder man modeller som H100 og H200 (arkitekturen Hopper) samt B200 og superchippen GB200 (arkitekturen Blackwell). De har enorme mængder ultrahurtig HBM-hukommelse og er bygget til at stå i tusindvis sammen i store serverhaller. Vil du dykke ned i teknikken, forklarer vi forskellen på Blackwell og Hopper i en separat artikel.
Sammenligning
| Model | Arkitektur | Segment | Hukommelse | Bemærkning |
|---|---|---|---|---|
| GeForce RTX 5090 | Blackwell | Gaming / forbruger | 32 GB GDDR7 | 21.760 CUDA-kerner; topmodel lanceret jan. 2025 |
| GeForce RTX 5080 | Blackwell | Gaming / forbruger | 16 GB GDDR7 | 10.752 CUDA-kerner |
| H100 | Hopper | Datacenter / AI | 80 GB HBM3 | 16.896 CUDA-kerner, 528 Tensor Cores |
| H200 | Hopper | Datacenter / AI | 141 GB HBM3e | Op til 4,8 TB/s hukommelsesbåndbredde |
| B200 | Blackwell | Datacenter / AI | 192 GB HBM3e | 208 mia. transistorer; to chips i én |
| GB200 | Blackwell | Datacenter / AI | 2 × B200 | Superchip: to B200-GPU’er + en Grace-CPU |
CUDA – Nvidias skjulte våben
Hardwaren er kun den ene halvdel. Den anden er software. Nvidia udviklede tidligt en platform kaldet CUDA, som gør det muligt for udviklere at skrive programmer, der udnytter GPU’ens parallelle kraft. Igennem mange år har stort set hele AI-verdenen bygget deres værktøjer oven på CUDA.
Det skaber en kraftig bindingseffekt: selv hvis en konkurrent laver en lige så hurtig chip, skal kunderne ofte skrive deres software om for at skifte væk fra Nvidia. Den fordel er en stor del af forklaringen på, hvorfor konkurrenter har svært ved at udfordre Nvidia – et emne vi uddyber i artiklen om Nvidia mod AMD og Intel.
Hvorfor GPU’en driver Nvidias succes
Efterspørgslen efter AI-hardware har gjort GPU’en til en af verdens mest eftertragtede komponenter. I Nvidias regnskab for andet kvartal af regnskabsåret 2027 (afsluttet 26. juli 2026) var omsætningen fra datacenter-afdelingen rekordhøje 89,0 milliarder dollars – en stigning på 117 % på et år – ud af en samlet omsætning på 96,2 milliarder dollars. Tallene fremgår af Nvidias officielle kvartalsregnskab.
I begyndelsen af oktober 2026 var Nvidia værdisat til omkring 5,6 billioner dollars og dermed verdens mest værdifulde børsnoterede selskab. Hele denne udvikling hviler altså på én grundlæggende teknologi: grafikprocessoren. Vil du forstå selve forretningen bag tallene, kan du begynde med vores forklaring af Nvidias kvartalsregnskab.
Hvad man bør være opmærksom på
GPU-markedet er ikke uden risici, og det er vigtigt at forstå som helhed:
- Konkurrence — AMD og Intel laver også GPU’er, og flere af de store teknologiselskaber udvikler nu deres egne AI-chips for at blive mindre afhængige af Nvidia.
- Cyklisk efterspørgsel — behovet for hardware kan svinge. Hvis AI-investeringerne aftager, kan salget af datacenter-GPU’er falde hurtigt.
- Politik og eksportregler — salget af avancerede GPU’er til blandt andet Kina er begrænset af amerikanske eksportregler, hvilket påvirker omsætningen.
Disse forhold ændrer ikke på, hvad en GPU er, men de er med til at forklare, hvorfor netop denne chip er så central – både teknologisk og økonomisk.
Kildehenvisninger
Ofte stillede spørgsmål (FAQ)
Hvad står GPU for?
GPU står for Graphics Processing Unit, på dansk grafikprocessor. Det er en chip, der oprindeligt blev lavet til at tegne grafik, men som i dag også bruges til blandt andet kunstig intelligens.
Hvad er forskellen på en GPU og en CPU?
En CPU har få, men meget kraftige kerner og løser komplekse opgaver hurtigt, én ad gangen. En GPU har mange tusinde små kerner og er bygget til at udføre rigtig mange ens udregninger samtidig. De to arbejder typisk sammen i en computer.
Hvorfor bruges GPU’er til kunstig intelligens?
AI-modeller kræver enorme mængder ens matematiske udregninger. GPU’en kan køre tusindvis af dem parallelt, hvilket gør den langt hurtigere til AI end en almindelig CPU.
Hvilke GPU’er laver Nvidia?
Nvidia laver GeForce-kort til forbrugere og gaming (f.eks. RTX 50-serien) samt kraftige datacenter-GPU’er til AI, som H100, H200, B200 og superchippen GB200.
Hvad er VRAM?
VRAM (Video RAM) er GPU’ens egen hurtige hukommelse. Her ligger de data, chippen arbejder med. Jo mere og jo hurtigere VRAM, desto større opgaver kan GPU’en håndtere.