パソコンの仕様表に、CPU、GPU、NPUという3種類の処理装置が並ぶようになりました。名前は似ていますが、単純に速さの順位を表しているわけではありません。CPUは幅広い仕事をすばやく切り替え、GPUは同じ種類の計算を大量に並べ、NPUは対応するAI処理を少ない電力で続けるよう設計されています。
大切なのは「どれが上か」ではなく、「自分が使うソフトの処理を、どの装置が担当するか」です。NPUの数値が大きくても、ソフトがNPUに対応していなければ、その処理はCPUやGPUへ回ります。逆に、文書作成やWeb閲覧が中心なら、高価な外付けGPUを載せても体感差が小さいことがあります。本稿では3種類の違いを、購入判断までつながる形で整理します。
1. 3種類を一言で表すと
CPUは「少数の担当者が、種類の違う仕事を順番にさばく」装置です。OSの制御、アプリの起動、入力への応答、表計算、圧縮、プログラムの分岐など、内容が頻繁に変わる仕事を広く受け持ちます。処理を始めてから答えが返るまでの短さ、つまり遅延の小ささが重要な場面に向きます。
GPUは「大勢の担当者が、似た計算を一斉に進める」装置です。画面の各画素を描く、動画へ同じ効果をかける、行列計算を繰り返すといった、分割しやすい仕事で力を発揮します。1件だけをすばやく終えるより、多数の計算をまとめて運ぶ処理量の大きさが持ち味です。
NPUは「AIで繰り返す計算に設備を合わせた省電力の専用班」です。カメラの背景ぼかし、音声のノイズ除去、画像認識など、学習済みモデルを使って答えを出す推論を継続的に処理する用途が中心です。MicrosoftはCopilot+ PCの要件として40 TOPS以上のNPUを案内していますが、これは特定のWindows機能を動かすための区切りであり、あらゆるAIソフトの速度を示す共通順位ではありません。
3種類は競争相手というより分業相手です。たとえばビデオ会議では、CPUがアプリ全体と通信を管理し、GPUが画面を合成し、NPUが背景処理や音声処理を担当できます。実際の振り分けはOS、ドライバー、アプリの実装によって変わります。
| 処理装置 | 得意なこと | 苦手になりやすいこと | 主な確認指標 |
|---|---|---|---|
| CPU | 分岐の多い処理、素早い応答、汎用処理 | 同じ計算を極端な規模で並べる処理 | コア構成、世代、実アプリの所要時間 |
| GPU | 描画、動画、3D、大規模な並列計算 | 小さな分岐処理の連続、省電力での常時処理 | 実アプリ性能、専用メモリ量、帯域、消費電力 |
| NPU | 対応AIモデルの推論、常時動く軽量AI | 未対応ソフト、巨大モデル、汎用計算 | 対応ソフト、TOPSの条件、実測速度、電力 |
2. CPUは少数精鋭で複雑な流れをさばく
CPUの強みは、命令の種類が変わっても柔軟に対応できることです。「この条件ならA、違えばB」という分岐、ファイルの読み書き、アプリ間の調整、周辺機器とのやり取りなど、パソコンを動かす司令役を担います。Intelの公式説明でも、CPUはGPUより少ないコアを個々の仕事へ集中させ、直列処理や遅延、1コア当たりの性能が重要な仕事に適すると整理されています。
CPUにも複数のコアがありますが、コア数だけで速さは決まりません。同じ「8コア」でも、設計世代、1回の命令でできる仕事、動作周波数、キャッシュ、電力制限、冷却によって結果は変わります。ノートPCでは、同じCPU名でも本体の冷却能力によって長時間負荷の速度が変わる場合があります。
AI処理もCPUで実行できます。対応範囲が広く、モデルをまず動かして確認する場面では便利です。一方、大きな行列計算を大量に行うモデルでは、GPUやNPUより時間や電力がかかることがあります。CPUにAI機能がないという意味ではなく、汎用性を優先した設計と、特定計算へ寄せた設計の違いです。
CPUを重視したいのは、オフィス作業、Web閲覧、プログラミング、データ整理、軽い写真編集などです。ゲームでも、登場人物の挙動や物理計算、高いフレームレートを維持する場面でCPUが重要になります。GPUだけを上げてもCPU側の処理が追いつかなければ、全体の速度はそこで頭打ちになります。
3. GPUは大量の似た計算を並列に進める
画面には数百万の画素があり、3D映像では多数の頂点、材質、光を繰り返し計算します。GPUは、こうした似た計算を多数の小さな処理器へ分け、同時に進めるために発達しました。現在は描画だけでなく、動画の変換、科学計算、生成AIの学習と推論にも使われます。
GPUにはCPU内へ組み込まれた内蔵GPUと、独立したチップや基板を持つ外付けGPUがあります。内蔵GPUは本体メモリをCPUと共有する構成が一般的で、省スペースと省電力に向きます。外付けGPUは専用のビデオメモリを備える製品が多く、大きな処理量を狙えますが、価格、発熱、消費電力、本体サイズも増えやすくなります。
生成AIでは「GPUを搭載しているか」に加え、使いたいソフトがそのGPU向けの実行環境に対応するかを確認する必要があります。また、モデル本体に加えて、入力途中の情報や作業領域もメモリを使います。計算器が速くても、必要なデータがメモリに収まらなければ、一部をCPU側へ移す、モデルを小さくする、精度を落とした形式に変換するといった調整が必要です。
GPUが向くのは、3Dゲーム、高解像度動画編集、3D制作、大量の画像処理、比較的大きなローカルAIモデルなどです。ただし、GPUの仕様表にある演算性能は理論上の上限です。NVIDIAのCUDA最適化資料も、CPU側とGPU側の間のデータ転送には時間がかかり、転送を含む処理全体で効果を判断する必要があると説明しています。ゲームなら解像度と画質設定、AIならモデル、数値精度、バッチ数、ソフトの最適化をそろえた実測で比べます。
4. NPUは対応するAI推論を省電力で続ける
NPUはニューラルネットワークで頻繁に使う積和演算などへ回路を寄せた処理装置です。CPUやGPUでも同じ種類の計算はできますが、NPUは利用できる演算やデータ形式を絞る代わりに、対応する推論を少ない電力で処理することを狙います。Intelは、CPUを素早い応答、GPUを高い処理量、NPUを低電力で継続するAI処理の担当と説明しています。
ここでいう推論は、学習済みモデルへ入力を渡して答えを出す工程です。大規模モデルを一から学習させる処理とは条件が違います。現在のPC向けNPUは、会議中に続く背景ぼかしや視線補正、音声処理、画像分類など、端末上で繰り返す処理に使われます。高負荷な生成処理ではGPUが選ばれたり、CPU、GPU、NPUを組み合わせたりする場合もあります。
NPUで最も見落としやすい点は、搭載されているだけではアプリが自動的に使うとは限らないことです。Microsoftの開発者向け資料には、NPUの利点を得るにはソフトをそのハードウェア向けに作る必要があると明記されています。Windows MLはNPU、GPU、CPU向けの実行環境を扱い、利用可能な実行先へ推論を振り分けやすくします。ただし、モデルの演算や形式、OS、ドライバー、アプリ側の対応は依然として確認項目です。
したがって、NPU搭載PCを選ぶ前に、使いたい機能の公式要件を見ることが先です。「将来AIを使うかもしれない」という理由だけでTOPSの大きさを追うより、いま使う会議アプリ、編集ソフト、ローカルAIツールがNPUへ対応しているかを調べる方が、購入後の差につながります。
5. メモリ容量と帯域が実性能を左右する
処理装置は、計算するたびにデータを読み、結果を書き戻します。その通り道が細ければ、演算器が待たされます。メモリ帯域は、一定時間にどれだけのデータを運べるかを表す指標です。Appleの開発者資料でも、GPUのメモリ帯域使用が高い場合はCPUのメモリアクセスを妨げることがあると説明されています。
メモリの構成は、大きく共有型と専用型に分けて考えると分かりやすくなります。共有型ではCPUとGPUなどが同じメモリ領域を利用します。データを装置間で複製する手間を減らせる一方、容量と帯域を複数の処理が取り合います。専用型の外付けGPUでは、GPU用の高速メモリを別に持つ構成が一般的です。GPUが大きなデータを扱いやすい反面、CPU側との転送が必要になる場面があります。
「共有メモリ32GB」と「専用ビデオメモリ8GB」は、数字だけで単純比較できません。OSやアプリも共有メモリを使うため、全容量をAIモデルへ渡せるわけではないからです。一方、専用メモリにモデルが収まらない場合も、直ちに実行不能とは限りませんが、転送が増えて速度が落ちることがあります。
ローカルAIを主目的にするなら、演算性能だけでなく、モデルと作業領域が収まる容量、メモリ帯域、ソフトが使う数値形式を一組で確認します。動画編集なら素材の解像度、同時に重ねる映像数、エフェクトも必要量を変えます。仕様表の一項目ではなく、自分と近い作業条件の実測を見る理由がここにあります。
6. 用途別早見表で担当を決める
選び方は、最初に「何を、どこで、どのくらい続けるか」を決めると整理できます。
| 主な用途 | 優先して確認する装置 | 理由 | 追加で見る項目 |
|---|---|---|---|
| 文書、Web、表計算 | CPU | 分岐と応答を含む汎用処理が中心 | メモリ容量、SSD、静音性 |
| 3Dゲーム | GPUとCPU | 描画量とゲーム進行の両方が必要 | 解像度、実測fps、冷却、電源 |
| 動画編集、3D制作 | GPU、次にCPU | 並列処理とエンコードを多用 | 対応コーデック、専用メモリ、帯域 |
| 大きめのローカル生成AI | GPUとメモリ | 大量の行列計算とモデル保持が必要 | ソフト対応、容量、生成速度、電力 |
| 会議の背景処理、ノイズ除去 | NPU | 軽量AIを長く動かしやすい | アプリのNPU対応、電池持続時間 |
| 開発や幅広い試行 | CPUと十分なメモリ | 対応範囲が広く、複数環境を動かす | GPU/NPU向け開発環境の対応 |
AI機能をクラウドで使うだけなら、端末のNPUや外付けGPUが主要な計算をしていない場合があります。このとき体感へ強く影響するのは、通信回線、サービス側の混雑、ブラウザ、メモリなどです。「AIを使うからNPUが必要」とは限りません。
反対に、機密データを外へ送らず端末内で処理したい、通信がない場所でも使いたい、会議中ずっとAI効果を動かしたい場合は、NPUを含むオンデバイス処理の価値が高まります。ただし、端末内で動くこと自体が情報保護を自動で保証するわけではありません。アプリの保存先、ログ、同期、権限も別に確認します。
性能比較では、同じ作業の完了時間、1秒当たりの処理量、操作してから返るまでの遅延、処理中のシステム全体の電力を見ます。MLCommonsの推論ベンチマークも、用途を複数のシナリオに分け、遅延や処理量を測っています。電力測定値は、そのベンチマークを実行している間のシステム全体について有効であり、部品の定格電力とは別物です。
7. 購入時はTOPSより先にソフトと条件を見る
TOPSは1秒当たり何兆回の演算を行えるかを示す単位で、AI向け演算器の理論上の処理能力を表す際に使われます。IntelはTOPSを、AIアクセラレーターを100パーセント利用できたと仮定した理論ピークと説明し、例示値ではINT8という数値形式と、スパース性を使わない条件を明記しています。数値形式や疎なデータを省略する仕組みの有無が違えば、TOPSの数字だけを横並びにはできません。
さらに実アプリでは、モデルがその装置の演算に対応するか、データを運ぶ時間、メモリ容量と帯域、ドライバー、冷却、電力制限が効きます。そのため「50 TOPSは40 TOPSより25パーセント速い」とは言えません。40 TOPSという数字はCopilot+ PCの機能要件を確認する際には意味がありますが、画像生成、音声認識、文章生成など異なる仕事の所要時間を直接予測する数字ではありません。
購入前は、次の順で確認すると仕様表の数字に振り回されにくくなります。
- 使うアプリ名と機能名を決める。
- その機能が端末内処理かクラウド処理かを公式情報で確認する。
- CPU、GPU、NPUのどれを使うか、対応OSとドライバーを確認する。
- 自分に近いモデル、入力サイズ、解像度で測った実測を見る。
- 速度だけでなく、メモリ、騒音、表面温度、電池持続時間も比べる。
- 将来機能ではなく、購入時点で利用できる機能を基準にする。
結論として、CPUはパソコン全体の汎用的な司令役、GPUは大量の並列計算を運ぶ処理役、NPUは対応AI推論を省電力で続ける処理役です。3種類の搭載数値を足して総合点にするのではなく、自分のソフトが実際に使う装置と、処理全体の実測で選ぶことが重要です。
8. よくある質問
NPUがないPCでも生成AIは使えますか？
使えます。クラウドAIは主な計算をサービス側で行い、ローカルAIも対応ソフトならCPUやGPUで実行できます。NPUは、対応する端末内AI処理を省電力で続けるための選択肢です。
GPUとNPUのTOPSはそのまま比較できますか？
原則として、数字だけでは比較できません。数値形式、スパース性の扱い、測定対象、ソフトの対応が異なる場合があるためです。同じアプリ、モデル、設定で測った処理時間や消費電力を確認します。
外付けGPUがあればCPUは低性能でもよいですか？
用途によります。ゲーム進行、ファイル処理、アプリ全体の制御などはCPUが担うため、CPUが追いつかないとGPUの性能を生かし切れません。目的のアプリを使った構成全体の実測で判断します。
ローカル生成AIではメモリとGPUのどちらを優先すべきですか？
まず、使うモデルと作業領域がメモリに収まることが前提です。そのうえで、対応するGPUの処理速度やメモリ帯域を比べます。必要容量を満たさないまま演算性能だけを上げても、転送や縮小の影響で期待どおりにならない場合があります。
タスクマネージャーでNPU使用率が0%なのは故障ですか？
0%だけで故障とは判断できません。実行中のアプリがNPUへ対応していない、対象機能を使っていない、CPUやGPUへ振り分けられている可能性があります。まずアプリの公式要件と、対象機能を動かした状態の使用率を確認します。
9. あわせて読みたい
- ローカルAIとクラウドAIを比較：計算する場所、費用、通信、情報管理の違いを整理します。
- 生成AIはなぜ文章を作れる？仕組みを分解：CPU、GPU、NPUが処理する「推論」の中身を理解できます。
製品仕様、対応アプリ、OS要件は更新されるため、購入前に各公式ページで再確認してください。
一次情報確認メモ（2026-07-23確認）:
- CPUとGPUの構造、並列処理、NPUの推論用途: Intel「CPU vs. GPU」
- CPU、GPU、NPUの役割分担とTOPSの測定条件: Intel「AI PCs Powered by Intel」
- Copilot+ PCの40 TOPS要件、NPU利用にはソフト側の対応が必要であること: Microsoft Learn「Develop AI applications for Copilot+ PCs」
- GPUのメモリ帯域がCPUのメモリアクセスへ影響し得ること: Apple Developer「Measuring the GPU’s use of memory bandwidth」
- CPUとGPUが全メモリを共有する構成の定義: Apple Developer「hasUnifiedMemory」
- 推論性能を遅延・処理量・システム電力など条件別に測る考え方: MLCommons「MLPerf Inference: Datacenter」
- Windows上でNPU、GPU、CPUへAI推論を振り分ける実行環境と要件: Microsoft Learn「What is Windows ML?」
- GPUの並列処理、CPU・GPU間のデータ転送コスト、実作業での測定: NVIDIA「CUDA C++ Best Practices Guide」