CPU, GPU, TPU και τώρα NPU, Πώς να εξηγήσουμε τις «μηχανές» της Τεχνητής Νοημοσύνης;

Η Τεχνητή Νοημοσύνη, τα σύγχρονα παιχνίδια και οι ψηφιακές εφαρμογές που χρησιμοποιούν οι μαθητές κάθε μέρα βασίζονται σε διαφορετικούς τύπους επεξεργαστών. Ακούμε τις λέξεις όπως CPU, GPU, TPU και πλέον NPU, αλλά χωρίς να γίνεται ξεκάθαρο τι κάνουν και γιατί είναι σημαντικές. Στόχος του άρθρου είναι να προσφέρει μια παιδαγωγική και απλή εξήγηση, αξιοποιώντας παραδείγματα από την καθημερινή ζωή, δραστηριότητες και ανοικτά εργαλεία προγραμματισμού.

CPU ο έξυπνος μάστορας

Η CPU είναι σαν ένας πολύ ικανός μάστορας που μπορεί να κάνει πολλές διαφορετικές δουλειές. Έχει λίγους αλλά πολύ δυνατούς πυρήνες και εκτελεί εργασίες μία προς μία ή σε λίγα κομμάτια. Είναι ιδανική όταν απαιτείται λήψη αποφάσεων, σύνθετη λογική και διαχείριση πολλών διαφορετικών λειτουργιών.

Προγραμματιστικό παράδειγμα με NumPy (CPU)
Notebook: colab.research.google.com

import numpy as np, time

n = 3000
A = np.random.randn(n, n)
B = np.random.randn(n, n)

start = time.time()
C = A @ B
end = time.time()

print("Χρόνος CPU:", end – start) .

GPU οι πολλοί εργάτες που δουλεύουν μαζί

Η GPU μοιάζει με χιλιάδες εργάτες που εκτελούν ταυτόχρονα την ίδια εργασία. Γι’ αυτό είναι εξαιρετική για γραφικά, βίντεο και Τεχνητή Νοημοσύνη, όπου πρέπει να γίνουν πάρα πολλές επαναλαμβανόμενες πράξεις.

Παρομοίωση για την τάξη
CPU ένα άτομο λύνει 20 πράξεις.
GPU 10 άτομα λύνουν από 2 πράξεις ταυτόχρονα.

CuPy Notebook για GPU: colab.research.google.com

import cupy as cp, time

n = 3000
A = cp.random.randn(n,n)
B = cp.random.randn(n,n)

start = time.time()
C = A @ B
cp.cuda.Stream.null.synchronize()
end = time.time()

print("Χρόνος GPU:", end - start)

PyTorch Notebook: colab.research.google.com

TPU η αυτοματοποιημένη γραμμή παραγωγής για AI

Η TPU είναι φτιαγμένη αποκλειστικά για νευρωνικά δίκτυα. Είναι σαν μια γραμμή παραγωγής που κάνει μία εξειδικευμένη δουλειά απίστευτα γρήγορα. Δεν είναι ευέλικτη, αλλά είναι κορυφαία στις εργασίες που της έχουν σχεδιαστεί, όπως η εκπαίδευση μοντέλων.

TPU Notebook με TensorFlow: colab.research.google.com

import tensorflow as tf
print(tf.config.list_logical_devices())

mnist = tf.keras.datasets.mnist
(x_train, y_train), _ = mnist.load_data()
x_train = x_train / 255.0

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation="relu"),
    tf.keras.layers.Dense(10)
])
model.compile(optimizer="adam",
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=["accuracy"])
model.fit(x_train, y_train, epochs=3)

NPU ο μικρός αλλά πολύ έξυπνος βοηθός του κινητού

Η NPU Neural Processing Unit είναι πιο πρόσφατος τύπος επεξεργαστή. Χρησιμοποιείται κυρίως σε κινητά και tablets. Είναι σαν ένας μικρός, εξειδικευμένος εργαζόμενος που βοηθά τη συσκευή να κάνει AI εργασίες τοπικά χωρίς να χρειάζεται σύνδεση στο cloud. Δεν είναι τόσο ισχυρή όσο GPU ή TPU, αλλά είναι πολύ αποδοτική και γρήγορη σε χαμηλή κατανάλωση ενέργειας.

Πού χρησιμοποιείται η NPU

• Αναγνώριση προσώπου στο κινητό
• Αυτόματη βελτίωση φωτογραφίας
• Μετάφραση χωρίς σύνδεση στο διαδίκτυο
• Λειτουργίες όπως το «Magic Eraser» ή η αυτόματη σύνοψη κειμένου

Παρομοίωση

Αν η CPU είναι ο μάστορας και η GPU οι πολλοί εργάτες, τότε η NPU είναι ο έξυπνος βοηθός που ειδικεύεται μόνο σε AI μικροεργασίες και τις κάνει γρήγορα χωρίς να κουράζει το κινητό.

Απλό παράδειγμα για συζήτηση στην τάξη

Ρώτα τους μαθητές
Τι κάνει το κινητό όταν αναγνωρίζει το πρόσωπό σας σε μια φωτογραφία χωρίς internet
Απάντηση Η NPU εκτελεί το μοντέλο αναγνώρισης τοπικά.

Συνοπτική σύγκριση CPU GPU TPU NPU

Επεξεργαστής	Τι κάνει καλύτερα	Παρομοίωση	Πού τον συναντάμε
CPU	Γενική χρήση. Σύνθετες λογικές εργασίες	Έξυπνος μάστορας	Υπολογιστές
GPU	Πολλές ίδιες πράξεις ταυτόχρονα	Χιλιάδες εργάτες	Παιχνίδια, AI
TPU	Εξαιρετικά γρήγορη εκπαίδευση AI	Γραμμή παραγωγής	Google Cloud
NPU	Μικρές AI εργασίες σε κινητά	Μικρός ειδικός βοηθός	Smartphones, tablets

Προτεινόμενο μάθημα για Γυμνάσιο

1. Θεωρητικό μέρος 10 λεπτά

Παρουσίαση CPU GPU TPU NPU με τις παραπάνω παρομοιώσεις.

2. Δραστηριότητες με τα χέρια 10 λεπτά

CPU ένας μαθητής κάνει όλες τις πράξεις.
GPU πολλοί μαθητές μοιράζονται τις πράξεις.
TPU οι μαθητές σχηματίζουν «γραμμή παραγωγής».
NPU ένας μαθητής κάνει μικρές AI εργασίες σε σειρά.

3. Πρακτικός προγραμματισμός 15 λεπτά

Χρήση των notebooks CPU → GPU → TPU.
Οι μαθητές καταγράφουν χρόνους και εξάγουν συμπεράσματα.

4. Συζήτηση για NPU 5 λεπτά

Τι AI λειτουργίες κάνει το κινητό τους χωρίς σύνδεση στο ιντερνέτ.
Φωτογραφίες,
Μετάφραση,
Ξεκλείδωμα προσώπου.

Με παρομοιώσεις, απλά παραδείγματα και ανοικτά εργαλεία, οι μαθητές μπορούν να κατανοήσουν ουσιαστικά τη διαφορά ανάμεσα σε CPU, GPU, TPU και NPU. Έτσι το μάθημα Πληροφορικής γίνεται πιο σύγχρονο, πιο ενδιαφέρον και πιο κοντά στην πραγματική χρήση της Τεχνητής Νοημοσύνης στην καθημερινότητα των παιδιών.

—