因為目前很多機器學習都還是簡單的重複試錯邏輯，靠運算量來把有限的解（答案）暴力破解出來。
我們拿下棋為例子，中國象棋。你只要給機器輸入每種棋子的行進規則（例如馬日象田），再給機器輸入勝利的條件（幹掉對方的將軍），然後其他什麼都不用管，讓機器模擬出兩個棋手互相訓練，每次對局完了就能積累出經驗繼承到下面的對局，最終它就會摸索出一套勝率最高的下棋策略。
例如自動駕駛，你可以給它輸入一些加速、減速、變向的簡單指令，然後再輸入“撞到障礙物是錯的，需要糾正”以及“目的是以最快的速度抵達目的地”，然後讓車子在某個訓練場所不斷地試錯，每次試錯都會累積經驗給下一次駕駛，最終他就會知道哪些操作是錯的，怎樣駕駛的效率是最高的。
這種簡單重複的低邏輯運算（我前面提到的是太簡單了，實際上不止這麼簡單）是最適合給GPU來執行的，因為它的流處理器數量是數百倍於CPU，而且這種程度的邏輯運算是流處理器就能處理得了的。
另一方面機器要堆砌GPU的難度是很低的，直接把運算卡插到主機板上就能獲得相應的算力提升。但CPU數量和核心數的堆砌都是很難的，比GPU難太多。
所以現在大概瞭解為什麼機器學習用GPU會更好了吧？
因為目前很多機器學習都還是簡單的重複試錯邏輯，靠運算量來把有限的解（答案）暴力破解出來。
我們拿下棋為例子，中國象棋。你只要給機器輸入每種棋子的行進規則（例如馬日象田），再給機器輸入勝利的條件（幹掉對方的將軍），然後其他什麼都不用管，讓機器模擬出兩個棋手互相訓練，每次對局完了就能積累出經驗繼承到下面的對局，最終它就會摸索出一套勝率最高的下棋策略。
例如自動駕駛，你可以給它輸入一些加速、減速、變向的簡單指令，然後再輸入“撞到障礙物是錯的，需要糾正”以及“目的是以最快的速度抵達目的地”，然後讓車子在某個訓練場所不斷地試錯，每次試錯都會累積經驗給下一次駕駛，最終他就會知道哪些操作是錯的，怎樣駕駛的效率是最高的。
這種簡單重複的低邏輯運算（我前面提到的是太簡單了，實際上不止這麼簡單）是最適合給GPU來執行的，因為它的流處理器數量是數百倍於CPU，而且這種程度的邏輯運算是流處理器就能處理得了的。
另一方面機器要堆砌GPU的難度是很低的，直接把運算卡插到主機板上就能獲得相應的算力提升。但CPU數量和核心數的堆砌都是很難的，比GPU難太多。
所以現在大概瞭解為什麼機器學習用GPU會更好了吧？