ディープラーニングの話題ではGPUやTPUが主役のように語られますが、その前提としてまず理解すべきなのがCPUです。G検定でCPUが問われるときの核心は「コンピュータ全般を担う汎用プロセッサでありながら、なぜディープラーニングの計算には向かないのか」、そして「ムーアの法則の限界」という時代背景です。この記事はその2点を軸に解説します。
📖 ひと言でいうと
CPU（Central Processing Unit、中央処理装置）は、コンピュータ全体の処理を担う汎用のプロセッサで、多種多様なタスクを順番にこなすことに長けています。例えるなら、何でもこなせる超優秀な料理長が1人（〜数人）で厨房を回しているようなもので、どんな注文にも対応できる一方、「同じ単純作業を100万回」のような仕事では、大人数のアルバイト部隊（GPU）に量で負けてしまいます。
🖼 1枚でわかるCPU
📘 公式テキストの説明
CPU（Central Processing Unit、セントラル・プロセッシング・ユニット）は、ディープラーニングを考える上では、ハードウェアの進化の影響は確かに大きい。Intel社の創設者の1人であるゴードン・ムーアが提唱した「半導体の性能と集積は、18ヶ月ごとに2倍になる」という経験則、通称ムーアの法則は、一般的に今や限界を迎えてきたと言われている。その背景としては、物理的な制約やエネルギー効率の問題がある。ここで補足すると、これらの制約により、単一のCPUコアのクロック速度の向上が難しくなっているため、多コア化や特化したハードウェアの重要性が高まってきている。コンピュータ全般の作業を処理する役割を担うCPUは、様々な種類のタスクを順番に処理していくことに長けている。しかし、ディープラーニング特有の計算、特に大量の行列演算や並列処理には不得意である。これに対応するため、グラフィックス処理ユニット（GPU）やテンソル処理ユニット（TPU）など、計算の特性に合わせた特化型のハードウェアがよく用いられる。
この説明は「CPUの定義」と「ハードウェア進化の歴史」の2つの話が織り込まれています。前半はムーアの法則の話です。半導体の性能向上が長らくAIの進歩を支えてきましたが、微細化の物理的な限界や消費電力・発熱の問題から、1つのコアの動作速度（クロック速度）を上げ続ける路線が行き詰まりました。後半はその帰結で、「1コアを速くする」代わりに「コアを増やす（多コア化）」「用途特化のチップを作る（GPU・TPU）」という方向へ進化の軸が移った、という流れです。
🔍 しっかり理解する
CPUの得意技は「多様なタスクの逐次処理」
CPUはOSの管理、ファイルの読み書き、アプリの実行、条件分岐だらけの複雑なプログラムなど、性質のまったく異なる処理を次々にさばくための装置です。少数の高性能なコアが、複雑な命令を高速に、順番に実行していく設計になっています。この汎用性こそがCPUの存在意義で、コンピュータからCPUをなくすことはできません。
なぜディープラーニングの計算に向かないのか
ディープラーニングの学習は、その計算の大部分が行列演算（大量の数値のかけ算と足し算）です。しかも個々の計算は単純で、互いに独立しているため「同時に」実行できます。つまり必要なのは「単純計算を大量に並列で」こなす能力ですが、CPUは「複雑なタスクを少数のコアで順番に」こなす設計です。得意分野が根本的にずれているため、CPUだけで大規模なニューラルネットワークを学習させると膨大な時間がかかってしまいます。
ムーアの法則の限界が特化型チップを生んだ
かつては18ヶ月待てばCPUが2倍速くなったので、待っているだけで計算力の問題は解決していきました。しかしその経験則が限界を迎えたことで、「汎用チップの進化を待つ」のではなく「計算の特性に合わせたチップを使う」戦略が主流になりました。
💡 具体例で考える
ディープラーニングの実務でも、CPUが不要になったわけではありません。典型的な学習システムでは、CPUがデータの読み込み・前処理・学習全体の制御を担当し、行列演算の本体だけをGPUに投げる、という分業体制をとります。厨房の例えでいえば、料理長（CPU）が段取りと仕込みの指示を出し、単純な大量作業はアルバイト部隊（GPU)に任せる形です。
また、学習済みモデルを使う推論の場面では、CPUだけで実行されるケースも多くあります。スマートフォンやパソコン上での小規模なモデルの実行なら、CPUで十分間に合うことも珍しくありません。「学習の大規模な行列演算はGPU/TPU、制御や軽い処理はCPU」という役割分担のイメージを持っておくと、試験でも実務でも整理がつきます。
⚠️ よくある誤解・紛らわしい用語
- 「CPUはGPUより性能が低い」は誤り — 優劣ではなく得意分野の違いです。多様なタスクの逐次処理はCPUが優れ、単純計算の大規模並列処理はGPUが優れます。GPUはCPUの代わりにコンピュータ全体を制御することはできません。
- 「ディープラーニングにCPUは不要」は誤り — データの前処理や処理全体の制御はCPUの仕事です。GPUやTPUはCPUと組み合わせて使われます。
- GPUとの違い — GPUはもともと画像処理向けに作られた並列演算特化のプロセッサです。「汎用・逐次のCPU」対「特化・並列のGPU」という対比で覚えましょう。
- ムーアの法則の内容の取り違え — 「半導体の性能と集積は18ヶ月ごとに2倍になる」という経験則で、提唱者はIntel創設者の1人ゴードン・ムーアです。「法則」と呼ばれますが物理法則ではなく経験則であり、現在は限界が指摘されています。
📝 試験でのポイント
- 「様々な種類のタスクを順番に処理することに長けているが、大量の行列演算や並列処理は不得意」という記述からCPUを選ばせる問題が定番です。
- ムーアの法則はセットで問われます。「提唱者=ゴードン・ムーア」「18ヶ月ごとに2倍」「経験則」「限界の背景は物理的制約とエネルギー効率」を押さえましょう。
- CPU・GPU・TPUの3択で特徴の記述を対応させる問題が想定されます。CPUのキーワードは「汎用」「逐次処理」です。
- 「クロック速度の向上が難しくなり、多コア化や特化型ハードウェアが重要になった」という進化の流れを問う出題にも備えましょう。
📚 まとめ
- CPUはコンピュータ全般の処理を担う汎用プロセッサで、多様なタスクの逐次処理が得意です。
- 一方、ディープラーニング特有の大量の行列演算・並列処理は不得意で、これがGPU・TPUといった特化型ハードウェアが使われる理由です。
- 背景には「18ヶ月で性能2倍」というムーアの法則の限界があり、多コア化・特化チップへの流れを生みました。
- CPUとGPUは優劣関係ではなく分業関係——この視点が試験でも実務でも整理の軸になります。
