为了使 GPU 能够执行更通用的非图形算法，。这反过来又导致了硬件的优化，以适应这些更通用的任务，使其成为通用 GPU 或 GPGPU。例如，一些 GPGPU 现在支持双精度计算，而这并非图形处理的必要条件。
硬件
在高端显卡上， GPGPU 的处理单元数量可高达10,000 多个核心。但需要注意的是，这些核心并非独立运行：多个核心步调一致地运行，同时执行相同的计算，尽管每个核心针对不同的数据元素。换句 最近的手机号码数据 话说，这是一种数据并行计算，而不是任务并行计算。
与处理单元数量同样重要的是 GPU 的内存。内存通常相对有限，大约只有几十 GB。事实上，内存架构的设计主要是为了实现高吞吐量，而不是存储大量数据。其理念是，只有当 GPGPU 实际工作时，数据才会驻留在 GPGPU 上。
提供商
目前，GPGPU 主要有三家供应商。市场领导者是英伟达 (Nvidia) ，市场份额约为 80%。AMD位居第二，占有 17% 的市场份额，剩下的一小部分市场份额则由英特尔 (Intel)占据。过去几年，由于人工智能 (AI) 的发展，对 GPU 的需求激增，而 GPU 也非常适合人工智能。目前，供应商难以满足需求，导致顶级型号的交货时间较长且价格昂贵。使用公有云提供的 GPU 是一个不错的选择。所有主流公有云都提供 GPU 选项。例如，请参阅如何在Azure上执行此操作。