GPU vs CPU: Was ist der Unterschied und was ist für die Leistung wichtiger

Moderne Computer benötigen zwei wichtige Komponenten, um Informationen effizient zu verarbeiten: die CPU (Central Processing Unit) und die GPU (Graphics Processing Unit). Jede von ihnen spielt eine bestimmte Rolle dabei, wie Systeme Arbeitslasten bewältigen – vom Öffnen von Anwendungen bis hin zur Ausführung komplexer Simulationen. Das Verständnis ihrer Unterschiede hilft Anwendern dabei, die richtige Hardware für Spiele, kreative Arbeit oder KI-Entwicklung auszuwählen.

Beide Einheiten führen Befehle aus, jedoch auf unterschiedliche Weise. Die CPU konzentriert sich auf sequentielle Logik und steuert jeden Prozess innerhalb des Betriebssystems und der Software. Die GPU ist auf parallele Berechnungen spezialisiert und bewältigt Tausende kleiner Aufgaben gleichzeitig. Dieser Unterschied wirkt sich direkt auf Geschwindigkeit, Stromverbrauch und Kosteneffizienz aus.

Beim Vergleich von GPU und CPU ist das eine kein Ersatz für das andere. Sie arbeiten als komplementäres Paar in jedem modernen System zusammen. Die CPU steuert die Vorgänge und koordiniert den Datenfluss, während die GPU die grafische Darstellung und parallele Arbeitslasten beschleunigt.

Die folgende vereinfachte Darstellung zeigt, wie beide Komponenten in die Architektur eines Computers eingebunden sind:

In diesem Artikel erfahren Sie:

• Die Kernstruktur und Funktionen beider Prozessoren
• Wie sich die Leistung bei verschiedenen Anwendungen unterscheidet
• Welche Komponente für Aufgaben wie Gaming, KI und Videobearbeitung wichtiger ist
• Wie CPUs und GPUs zusammenarbeiten, um eine ausgewogene Leistung zu erzielen

Was ist eine CPU (Central Processing Unit)?

Die CPU wird oft als das „zentrale Gehirn“ eines Computers bezeichnet. Sie führt die Befehle des Betriebssystems aus, verwaltet Ein- und Ausgaben und koordiniert alle aktiven Prozesse. Im Gegensatz zu spezialisierten Prozessoren übernimmt die CPU eine Vielzahl von Aufgaben und legt dabei mehr Wert auf Flexibilität und Präzision als auf reine Parallelrechenleistung.

Wie CPUs Aufgaben sequenziell verarbeiten

Eine CPU führt Befehle Schritt für Schritt aus. Jeder Befehl durchläuft einen definierten Zyklus – Abrufen, Dekodieren, Ausführen und Zurückschreiben. Dieses sequenzielle Modell ermöglicht eine genaue Steuerung und logische Konsistenz, was für Betriebssysteme, Datenverwaltung und Benutzeranwendungen von entscheidender Bedeutung ist.

Befehlsausführung und logische Operationen

Moderne CPUs basieren auf Befehlssätzen wie x86 oder ARM. Diese Sätze definieren die Binärsprache, die Software zur Kommunikation mit der Hardware verwendet. Jede Aktion – das Addieren von Zahlen, das Verschieben von Daten oder das Vergleichen von Werten – läuft über diese logischen Operationen.

Die CPU enthält mehrere Kerneinheiten:

• Arithmetisch-logische Einheit (ALU): Führt mathematische und logische Funktionen aus.
• Steuereinheit (CU): Leitet Daten zwischen Speicher und Verarbeitungseinheiten weiter.
• Register: Speichern temporäre Daten und Adressen für einen schnellen Zugriff.

Dieses Design priorisiert Genauigkeit, minimale Latenz und präzises Timing gegenüber großem Durchsatz.

Multi-Core-Verarbeitung erklärt

Frühe CPUs hatten einen einzigen Kern, der jeweils einen Thread verarbeitete. Heutige Prozessoren integrieren mehrere Kerne, von denen jeder separate Threads ausführen kann. Eine Quad-Core-CPU kann vier unabhängige Aufgaben gleichzeitig verarbeiten und verbessert so die Reaktionsfähigkeit bei Multitasking oder anspruchsvollen Workloads.

Die Effizienz von Multi-Core-Prozessoren hängt jedoch davon ab, wie die Software die Arbeit verteilt. Anwendungen wie Tabellenkalkulationen oder Textverarbeitungsprogramme profitieren möglicherweise nur wenig von mehreren Kernen, während Videowiedergabe oder Datenkomprimierung erheblich davon profitieren können.

Wann die CPU-Leistung am wichtigsten ist

Die CPU-Leistung wird entscheidend, wenn Aufgaben sequentielle Logik oder häufige Entscheidungen erfordern. Beispiele hierfür sind:

• Verwaltung von Hintergrundsystemoperationen
• Ausführung von Datenbanken und Tabellenkalkulationen
• Multitasking in Büroumgebungen
• Ausführung von Single-Thread-Anwendungen wie älteren Spielen oder bestimmten Engineering-Tools

Die folgende Tabelle zeigt, in welchen Bereichen CPUs GPUs übertreffen und umgekehrt:

Die Rolle der CPU bleibt unverzichtbar. Sie verwaltet Ressourcen, sorgt für Stabilität und koordiniert andere Komponenten, darunter auch die GPU.

💡Leser, die sich eingehender mit der CPU-Architektur befassen und verstehen möchten, wie sich Kerne auf Multitasking und Geschwindigkeit auswirken, finden in unserem ausführlichen Leitfaden weitere Informationen: Was sind CPU-Kerne?

Was ist eine GPU (Grafikprozessor)?

Die GPU (Grafikprozessor) ist ein spezieller Prozessor, der für die effiziente Verarbeitung paralleler Berechnungen ausgelegt ist. Dank ihrer Struktur können Tausende kleiner Aufgaben gleichzeitig ausgeführt werden, was sie ideal für das Rendern von Bildern, die Verarbeitung von Videobildern und die Beschleunigung von Modellen der künstlichen Intelligenz macht.

Während die CPU die Gesamtsteuerung übernimmt, konzentriert sich die GPU auf massiv repetitive mathematische Operationen. Ihr Design legt den Schwerpunkt auf Durchsatz statt auf sequentielle Logik, was eine flüssigere Darstellung und schnellere Datenverarbeitung bei komplexen Workloads ermöglicht.

Wie sich die Funktionsweise einer GPU von der einer CPU unterscheidet

Im Gegensatz zu CPUs, die mit wenigen Hochleistungskernen arbeiten, verfügen GPUs über Hunderte bis Tausende kleinerer Kerne. Jeder Kern führt einfache arithmetische Operationen aus, aber zusammen verarbeiten sie große Datenmengen parallel.

Durch diesen Unterschied sind GPUs besonders effektiv in Anwendungen, bei denen dieselbe Anweisung wiederholt auf unterschiedliche Daten angewendet werden muss – beispielsweise bei der Berechnung von Pixelfarben in einem Bild oder der Verarbeitung von neuronalen Netzwerkschichten in der KI.

GPUs verfügen über Tausende kleinerer Kerne

Eine moderne GPU wie die RTX 4090 von NVIDIA kann mehr als 16.000 CUDA-Kerne enthalten, verglichen mit den 8 oder 16 Kernen einer CPU. Diese Kerne arbeiten gleichzeitig, führen jeweils eine einfache Berechnung durch und tragen so zu einer enormen Steigerung des Durchsatzes bei.

Dank dieser hohen Parallelität können GPUs Aufgaben wie Matrixmultiplikation oder 3D-Rendering weitaus schneller ausführen als CPUs, die Daten sequenziell verarbeiten müssen.

Warum GPUs bei visuellen und mathematischen Aufgaben überlegen sind

GPUs verwenden Grafik-Pipelines, die komplexe Rendering-Prozesse in kleinere, überschaubare Stufen unterteilen. Jede Stufe erfüllt eine bestimmte Funktion – Geometrieverarbeitung, Schattierung, Texturierung oder Rasterisierung.

Shader-Einheiten, die Teil dieser Pipeline sind, führen mathematische Transformationen durch, die 3D-Modelle in die auf dem Bildschirm angezeigten 2D-Bilder umwandeln. Diese Shader werden auch in der modernen Datenverarbeitung eingesetzt, um Deep Learning und wissenschaftliche Berechnungen zu beschleunigen, wodurch sich die Anwendungsmöglichkeiten von GPUs über die Grafik hinaus erweitern.

Häufige Anwendungsfälle für GPUs

GPUs sind aufgrund ihrer Effizienz und Skalierbarkeit mittlerweile aus vielen Branchen nicht mehr wegzudenken.

Die folgende Tabelle fasst die typischen Kernzahlen zwischen CPUs und GPUs zusammen:

Kurz gesagt, GPUs zeichnen sich aus, wenn Geschwindigkeit von der parallelen Ausführung von Aufgaben abhängt. Ihre Effizienz verändert nicht nur das Gaming, sondern auch die KI-Forschung, die Datenanalyse und die Videoproduktion.

Wichtige Unterschiede zwischen CPU und GPU

Der Unterschied zwischen einer CPU und einer GPU liegt in der Art und Weise, wie sie Informationen verarbeiten. Beide sind unverzichtbar, aber ihre Konstruktionen dienen unterschiedlichen Zwecken: Die CPU konzentriert sich auf Steuerung und Präzision, während die GPU die parallele Leistung maximiert. Das Verständnis dieser strukturellen und leistungsbezogenen Unterschiede hilft Anwendern bei der Auswahl der Hardware, die zu ihrer Arbeitslast passt.

Architektur und Design

Auf architektonischer Ebene folgen CPU und GPU unterschiedlichen Philosophien.

Eine CPU verwendet wenige komplexe Kerne mit großen Caches, die für entscheidungsbasierte und sequenzielle Operationen geeignet sind. Im Gegensatz dazu stützt sich eine GPU auf viele kleinere Kerne, die sich Ressourcen teilen und Tausende von gleichzeitigen Berechnungen ermöglichen.

Dieser Kompromiss im Design spiegelt ihre vorgesehenen Aufgaben wider: CPUs legen Wert auf Reaktionsfähigkeit und Kontrolle, während GPUs auf reine parallele Effizienz abzielen.

Leistung und Art der Arbeitslast

Die Leistung von CPU und GPU lässt sich nicht direkt anhand der Taktrate oder der Anzahl der Kerne vergleichen. Ihre Effizienz hängt von der Art der Arbeitslast ab.

• Die CPU eignet sich hervorragend für Single-Thread- oder Aufgaben mit geringer Parallelität, wie z. B. das Ausführen von Systemsoftware, die Verwaltung des Arbeitsspeichers und die Ausführung von logikintensivem Code.
• Die GPU eignet sich hervorragend für Aufgaben, die in viele kleine Operationen unterteilt werden können, wie z. B. das Rendern von Grafiken oder die Verarbeitung von Tensoren im Deep Learning.

In der Praxis skaliert die CPU-Leistung mit der Taktrate und der Kerneffizienz, während die GPU-Leistung mit der Kernanzahl und der Speicherbandbreite skaliert.

Energieeffizienz und Wärmeabgabe

Der Stromverbrauch variiert erheblich. GPUs verbrauchen insgesamt mehr Strom, verarbeiten jedoch mehr Daten pro Watt, wenn die Arbeitslasten parallelisiert werden. CPUs hingegen verbrauchen Strom gleichmäßiger, können jedoch weniger gleichzeitige Operationen verarbeiten.

In Rechenzentren erfordern GPUs aufgrund ihrer Wärmeabgabe oft eine spezielle Kühlung. Allerdings können sie CPUs bei KI-Trainings-Workloads um ein Vielfaches übertreffen, sodass sich der zusätzliche Stromverbrauch für leistungsorientierte Systeme lohnt.

Ein ausgewogenes System kombiniert oft eine Mittelklasse-CPU mit einer leistungsfähigen GPU, wobei die Kosten auf die Art der Workload abgestimmt sind. Bei Gaming-PCs beispielsweise verbraucht die GPU in der Regel 60–70 % des gesamten Budgets, da die Grafikverarbeitung die Bildrate und die visuelle Qualität bestimmt.

Im Wesentlichen gilt:

• CPU → Präzision, Steuerung, Systemverwaltung.
• GPU → Parallelverarbeitung, Rendering, Datenbeschleunigung.

Jede Komponente erzielt innerhalb ihres jeweiligen Anwendungsbereichs die beste Leistung, wobei die Leistungssteigerung davon abhängt, dass für die jeweilige Aufgabe der richtige Prozessor ausgewählt wird.

CPU vs. GPU für verschiedene Anwendungsfälle

Verschiedene Anwendungen nutzen CPUs und GPUs auf unterschiedliche Weise. Wenn Sie wissen, wo die jeweiligen Prozessoren den größten Beitrag leisten, können Sie Systeme aufbauen, die ein ausgewogenes Verhältnis zwischen Kosten, Leistung und Energieeffizienz bieten. Im Folgenden werden vier gängige Szenarien beschrieben, die veranschaulichen, wie sich die Leistung von CPU und GPU bei verschiedenen Workloads unterscheidet.

Gaming

Die Gaming-Leistung hängt stark von der GPU ab, aber auch die CPU spielt eine wichtige Rolle. Die CPU verwaltet die Spielelogik, einschließlich Physikberechnungen, KI-Verhalten und Eingabeverarbeitung, während die GPU Texturen, Beleuchtung und visuelle Effekte rendert.

Eine schwache CPU kann selbst mit einer starken GPU zu Leistungseinbußen führen, insbesondere bei CPU-intensiven Spielen wie Cities: Skylines II oder Total War. Umgekehrt sind GPU-intensive Titel wie Cyberpunk 2077 hauptsächlich auf Grafikleistung angewiesen.

Basierend auf Benchmarks von Websites wie Technical City zeigt die GeForce RTX 4080 in einigen Tests eine um etwa +76 % höhere Gesamtleistung als die GeForce RTX 4060. Bei CPUs liegen die Leistungssteigerungen im Gaming-Bereich laut einem Vergleich zwischen Intel Core i9-14900K und Intel Core i5-14600K im einstelligen Prozentbereich (z. B. ~3 %) gegenüber der Vorgängergeneration. Daher sollte bei Gaming-PCs ein größerer Teil des Budgets für die GPU aufgewendet werden, vorausgesetzt, die CPU erfüllt die Mindestanforderungen an die Leistung.

KI und maschinelles Lernen

KI-Workloads hängen in erster Linie von der GPU ab. Das Training eines neuronalen Netzwerks umfasst Millionen von Matrixmultiplikationen, ein Prozess, der perfekt zur GPU-Architektur passt. GPUs können diese Operationen über Tausende von Kernen gleichzeitig ausführen, was die Trainingszeiten drastisch verkürzt.

Beispielsweise kann das Training eines ResNet-50-Modells auf einer NVIDIA A100-GPU 60- bis 80-mal schneller sein als auf einer High-End-CPU mit 16 Kernen. Frameworks wie TensorFlow und PyTorch sind so optimiert, dass sie die Berechnungen mithilfe von Technologien wie CUDA oder OpenCL automatisch auf GPUs verteilen.

Bei der KI-Entwicklung fungieren CPUs als Koordinatoren, die Daten vorbereiten und den Datenfluss steuern, während GPUs die rechenintensiven Aufgaben übernehmen.

Videobearbeitung und Rendering

Sowohl CPUs als auch GPUs sind für die Videoproduktion wichtig, aber ihre Aufgaben unterscheiden sich. Die CPU übernimmt die Codierung, Decodierung und Dateiverwaltung, während die GPU die Echtzeit-Vorschau, das Rendern von Effekten und die Farbkorrektur beschleunigt.

Software wie Adobe Premiere Pro, DaVinci Resolve und Final Cut Pro nutzen die GPU-Beschleunigung, um Effekte und Übergänge schneller zu verarbeiten. So kann beispielsweise das GPU-Rendering die Exportzeiten für 4K-Dateien im Vergleich zur reinen CPU-Verarbeitung um bis zu 70 % reduzieren.

Für Kreative ist eine leistungsstarke GPU für eine flüssige Wiedergabe und schnellere Exporte unerlässlich, während eine Multi-Core-CPU Multitasking und Hintergrundverarbeitung unterstützt.

Alltägliche Produktivität

Bei Büroanwendungen, beim Surfen im Internet und bei der Bearbeitung von Dokumenten dominiert die CPU. Diese Workloads sind eher auf Reaktionsfähigkeit als auf parallele Verarbeitung angewiesen. Die GPU leistet nur einen minimalen Beitrag, außer in Systemen, in denen integrierte Grafikkarten die Bildschirmausgabe übernehmen.

Eine ausgewogene Konfiguration mit einer 6-Kern-CPU und einer integrierten GPU reicht oft für allgemeine Produktivität aus, verbraucht weniger Strom und sorgt für eine flüssige Leistung.

Zusammenfassung:

• Gaming: Die GPU übernimmt die Führung.
• KI: Die GPU dominiert die Berechnungen.
• Videobearbeitung: Beide leisten einen Beitrag; die GPU beschleunigt das Rendering.
• Büroarbeit: Die CPU liefert die gesamte erforderliche Leistung.

Wie CPUs und GPUs zusammenarbeiten

Obwohl CPUs und GPUs unterschiedlichen Zwecken dienen, hängt die moderne Datenverarbeitung von ihrer Zusammenarbeit ab. Die Leistung eines Computers hängt nicht von einer der beiden Komponenten allein ab, sondern davon, wie effizient sie sich die Arbeitslast teilen. Die CPU übernimmt die Koordination und Steuerung, während die GPU parallele Operationen beschleunigt.

Der hybride Workflow

Jede komplexe Aufgabe, sei es das Rendern einer Spielszene oder das Trainieren eines KI-Modells, folgt einem koordinierten Prozess zwischen den beiden Prozessoren.

1. Aufgabenzuweisung: Die CPU unterteilt die Arbeitslast in kleinere Einheiten. Sie bestimmt, welche Teile parallelisiert werden können und welche eine sequenzielle Logik erfordern.
2. Parallele Ausführung: Die GPU übernimmt die rechenintensiven Teile, wie z. B. das Rendern von Bildern oder mathematische Berechnungen. Tausende von Kernen arbeiten parallel, um die Daten schnell zu verarbeiten.
3. Integration und Ausgabe: Nachdem die GPU fertig ist, werden die Ergebnisse an die CPU zurückgegeben, die sie in die endgültige Ausgabe integriert, sei es die Anzeige eines Frames, das Speichern einer Datei oder die Aktualisierung des Systemspeichers.

Diese Pipeline sorgt für eine ausgewogene Systemauslastung. Wenn eine der beiden Komponenten nicht die erwartete Leistung erbringt, kommt es zu Engpässen: CPU-lastige Systeme führen dazu, dass GPUs im Leerlauf sind, während GPU-lastige Konfigurationen auf die Koordination durch die CPU warten müssen.

Beispiel

Ein anschauliches Beispiel für die Zusammenarbeit von CPU und GPU findet sich in moderner Videoproduktionssoftware. Beim Bearbeiten eines 4K-Videos in Adobe Premiere Pro:

• Verwaltet die CPU die Wiedergabe der Zeitleiste, die Dekodierung von Videodateien und die Speicherzuweisung.
• Die GPU beschleunigt das Rendern von Effekten, Übergängen und die Farbkorrektur über CUDA- oder Metal-APIs.

Während des Exports codiert die CPU das endgültige Dateiformat, während die GPU weiterhin Echtzeit-Effekte verarbeitet. Wenn eine der beiden Seiten hinterherhinkt, sinkt die Gesamtexportgeschwindigkeit, was zeigt, dass die Leistung davon abhängt, dass beide zusammenarbeiten.

Ähnlich verhält es sich bei Spielen: Die CPU berechnet die Simulationslogik und übergibt Geometriedaten an die GPU, die jedes Einzelbild visuell rendert. Ohne eine starke Synchronisation führen selbst leistungsstarke GPUs zu inkonsistenten Bildraten oder niedrigeren Mindest-FPS.

Kurz gesagt: Die CPU koordiniert, die GPU führt aus. Zusammen bilden sie eine hybride Architektur, die Flexibilität und Geschwindigkeit in Einklang bringt – unerlässlich für alle Bereiche, von der Unterhaltung bis zur Datenwissenschaft.

Fazit

Das Verständnis der Beziehung zwischen CPU und GPU ist für die Auswahl der richtigen Computerkonfiguration von entscheidender Bedeutung. Diese beiden Prozessoren ergänzen sich gegenseitig – der eine konzentriert sich auf Steuerung und Logik, der andere auf parallele Beschleunigung. Ihre kombinierte Leistung bestimmt, wie effizient ein System bei Spielen, kreativen Arbeiten, KI und alltäglichen Produktivitätsaufgaben läuft.

Die CPU bleibt die Grundlage jedes Computergeräts. Sie leitet Befehle, verwaltet Betriebssysteme und sorgt für die Stabilität des Systems. Ihr Design ist auf Vielseitigkeit ausgelegt, sodass sie unterschiedliche Aufgaben mit gleichbleibender Präzision bewältigen kann.

Die GPU hingegen hat sich weit über die Grafikwiedergabe hinaus entwickelt. Mit Tausenden von kleineren Kernen liefert sie einen enormen Rechen-Durchsatz und verändert damit Branchen wie maschinelles Lernen, Datenanalyse und die Erstellung digitaler Inhalte.

In der Praxis bedeutet dies:

• Gamer profitieren am meisten von einer starken GPU, vorausgesetzt, die CPU vermeidet Engpässe.
• Videobearbeiter und 3D-Künstler profitieren von einer ausgewogenen Mischung, bei der die GPU die Effekte und die CPU die Codierung übernimmt.
• KI-Entwickler sind stark auf die Leistung der GPU angewiesen, da Deep-Learning-Modelle von paralleler Berechnung profitieren.
• Office-Anwender und allgemeine Verbraucher erhalten stabile Leistung von effizienten CPUs, selbst mit integrierter Grafik.

Ein moderner Computer funktioniert am besten, wenn sich beide Einheiten gegenseitig ergänzen. Die CPU verteilt Aufgaben, koordiniert das Timing und sorgt für Ordnung, während die GPU massive parallele Workloads in großem Maßstab ausführt. Ihre Zusammenarbeit definiert die heutigen Leistungsstandards – schnelle, reaktionsschnelle und effiziente Datenverarbeitung.

FAQ

Was ist besser, eine CPU oder eine GPU?

Keine der beiden ist universell besser, sie dienen unterschiedlichen Zwecken. Eine CPU verarbeitet sequenzielle und logikintensive Aufgaben, die Kontrolle und Genauigkeit erfordern, während eine GPU sich durch parallele Verarbeitung für Rendering, KI und datenintensive Workloads auszeichnet. Die „bessere“ Option hängt ganz davon ab, was Sie tun – für Spiele oder KI ist die GPU führend, für allgemeine Berechnungen und Multitasking ist die CPU unverzichtbar.

Brauche ich mehr CPU oder GPU?

Das hängt von Ihrer Arbeitslast ab.

• Für Gaming und 3D-Rendering sollten Sie mehr Budget für die GPU einplanen.
• Für die Videobearbeitung sollten Sie beide Komponenten ausgewogen einsetzen.
• Für die KI-Entwicklung sollten Sie hauptsächlich in die GPU-Leistung investieren.
• Für Büroarbeit oder das Surfen im Internet sollten Sie einer zuverlässigen Multi-Core-CPU den Vorzug geben.

Ein ausgewogenes System verhindert Engpässe und sorgt für eine stabile Leistung.

Ist RAM eine GPU oder CPU?

Weder noch. RAM (Random Access Memory) ist eine separate Komponente, die aktive Daten und Anweisungen sowohl für die CPU als auch für die GPU vorübergehend speichert. Die CPU nutzt den System-RAM, während dedizierte GPUs über einen eigenen VRAM (Video RAM) für Grafikdaten verfügen. Eine ausreichende RAM-Kapazität trägt dazu bei, dass beide Prozessoren reibungslos arbeiten.

Benötigt man sowohl eine CPU als auch eine GPU?

Ja. Jeder Computer benötigt eine CPU, um zu funktionieren – sie führt das Betriebssystem aus und steuert die Hardware-Operationen. Die GPU ist optional, aber entscheidend für Aufgaben, die Grafik, Video oder parallele Berechnungen beinhalten. Zusammen bilden sie ein vollständiges und effizientes System.

Warum verwenden KI-Systeme eine GPU anstelle einer CPU?

Das KI-Training umfasst Millionen von Matrixmultiplikationen und sich wiederholenden numerischen Operationen. GPUs enthalten Tausende kleiner Kerne, die diese Aufgaben parallel ausführen können, wodurch die Trainingszeit erheblich verkürzt wird. CPUs, die für die sequentielle Steuerung ausgelegt sind, würden für die Verarbeitung derselben Datenmenge viel länger brauchen. Aus diesem Grund verwenden Frameworks wie TensorFlow und PyTorch standardmäßig GPU-Beschleunigung.