GPU ve CPU: Temel Farklar ve Çalışma Prensipleri

Kerem Aydın·9 Temmuz 2026·⏱6 dk

Temel fark: CPU (merkezi işlem birimi), karmaşık ardışık görevleri hızlıca yürütmek ve sistemi yönetmek için tasarlanırken; GPU (grafik işlem birimi), büyük miktardaki benzer verilerin paralel işlenmesi için tasarlanmıştır. Basitçe ifade etmek gerekirse, CPU karar alan bilgisayarın "beyni", GPU ise kitlesel işleri yapan "kasları"dır.

Oyun, video düzenleme veya sinir ağlarıyla çalışma için donanım seçmeniz gerekiyorsa, bu farkı anlamak gereksiz güç için fazla ödeme yapmanızı ve performans darboğazlarından kaçınmanızı sağlar.

Özetle:

CPU: Az sayıda çekirdek (4–32), çok güçlü, yüksek saat hızı. Mantık, işletim sistemi ve tarayıcılar için idealdir.
GPU: Binlerce küçük çekirdek, düşük saat hızı ancak devasa paralellik. Render alma, matris hesaplamaları ve şifreleme için idealdir.

Mimari metafor: Profesör ve öğrenciler

Farkı teknik terimler olmadan anlamak için bir matematik problemini çözmeyi hayal edin.

CPU bir matematik profesörüdür. Herhangi bir öğrenciyi şaşkına çevirecek en zor diferansiyel denklemi çözebilir. Ancak ona 10.000 basit toplama işlemi verilirse, bunları tek tek çözecektir. Bu günler sürecektir. Profesör evrenseldir, karar almada hızlıdır ancak bant işi için tasarlanmamıştır.

GPU ise 5000 öğrenciden oluşan bir dersliktir. Her öğrenci profesör kadar zeki değildir ve tek başına karmaşık bir denklemi çözemez. Ancak herkese birer basit toplama işlemi verilirse, tüm sınıf 10.000 soruyu bir saniyede çözer. GPU farklı görevler arasında hızlıca geçiş yapamaz (kod dallanması onun için zordur), ancak milyonlarca piksel veya köşe noktası üzerinde aynı eylemi gerçekleştirmenin gerektiği durumlarda rakipsizdir.

Teknik farklar: Kaputun altında

Mimarideki fark, her bir yonganın kullanım alanını belirler.

1. Çekirdek sayısı ve türü

CPU: 4'ten 64+'a kadar yüksek performanslı çekirdek içerir. Her çekirdeğin büyük bir L2/L3 önbelleği ve karmaşık bir dal tahmin birimi vardır. Bu, farklı talimatları art arda hızlıca yürütmesini sağlar.
GPU: Binlerce basitleştirilmiş hesaplama bloğu içerir (NVIDIA'da CUDA çekirdekleri, AMD'de Stream Processors). Karmaşık kontrol mantığından yoksundurlar, ancak sayıları bireysel zayıflıklarını telafi eder.

2. Bellek kullanımı

CPU: Düşük gecikme (low latency) odaklıdır. Hızlı önbellek bellekten küçük veri miktarlarına hızlıca erişmesi önemlidir.
GPU: Yüksek bant genişliği (high throughput) odaklıdır. Video belleği (VRAM), gigabaytlarca dokuyu ve geometriyi aynı anda yüklemeye olanak tanıyan geniş bir kanal gibi çalışır; tek bir byte'a erişim daha uzun sürse bile.

3. Akış yönetimi

CPU: Kesintileri ve çoklu görevleri etkili bir şekilde işler. Tarayıcıdan antivirüse ve geriye anında geçiş yapabilir.
GPU: SIMD/SIMT (Single Instruction, Multiple Threads) prensibiyle çalışır. Tek bir talimat, çok sayıda veri üzerinde aynı anda yürütülür. Kodda if/else koşulu varsa, GPU farklı akış grupları için her iki varyantı da hesaplamak zorunda kalır, bu da karmaşık mantıkta verimliliği düşürür.

Görevler: Kim neyden sorumludur

Özellik	CPU (Merkezi İşlem Birimi)	GPU (Grafik İşlem Birimi)
Ana amaç	Ardışık işleme, mantık, yönetim	Paralel hesaplamalar, render alma
Tipik görevler	İşletim sistemi başlatma, tarayıcı kullanımı, kod derleme, oyunlarda fizik, NPC mantığı	Kare çizimi, ışın izleme, sinir ağlarını eğitme, madencilik, video kodlama
Güçlü yönü	Tek bir karmaşık görevi yürütme hızı	Milyonlarca basit görevi yürütme hızı
Performans bağımlılığı	Saat hızı, IPC (saat döngüsü başına talimat), çekirdek sayısı	Shader blok sayısı, bellek yolu genişliği, VRAM miktarı

Oyuncular için: Modern oyunlarda yük dağıtılır. CPU karenin hazırlanmasından (nesnelerin nerede olduğu, hangi fiziğin tetiklendiği), GPU ise bu karenin çizilmesinden sorumludur. İşlemci zayıfsa, ekran kartı veri beklerken boşta kalır (işlemci darboğazı). Ekran kartı zayıfsa, FPS düşer.

GPU'nun rolünün evrimi: Sadece grafikler için değil

Başlangıçta GPU'lar sadece görüntüyü ekrana yansıtmak için oluşturulmuştu. Ancak her pikselin rengini hesaplamak için ideal olan mimari, diğer görevler için de mükemmel olduğunu kanıtladı.

GPGPU (GPU üzerinde Genel Amaçlı Hesaplama)

CUDA (NVIDIA) ve OpenCL teknolojileri, programcıların ekran kartının gücünü genel hesaplamalar için kullanmasına olanak tanıdı. Bu, aşağıdaki alanlarda patlayıcı bir büyümeye yol açtı:

Yapay zeka ve makine öğrenimi. Sinir ağlarını eğitmek, devasa matrislerin çarpılmasını gerektirir. GPU bunu CPU'dan onlarca kat daha hızlı halleder. Güçlü ekran kartlarının erişilebilirliği, 2010'lu ve 2020'li yıllarda yapay zeka patlamasının katalizörü haline geldi.
Profesyonel içerik üretimi. 3D grafik render alma (Blender, Cinema 4D), 4K/8K video düzenleme (Premiere Pro, DaVinci Resolve) ve renk düzeltme neredeyse tamamen GPU'nun omuzlarına biner.
Bilimsel hesaplamalar. İklim modellemesi, genom diziliminin çözülmesi, farmasötik hesaplamalar — tüm bunlar kitlesel paralel işlemler gerektirir.

CPU ve GPU arasında nasıl denge kurulur

Seçim, kullanım senaryolarınıza bağlıdır. Zayıf bir işlemciye en üst düzey ekran kartı takmanın, veya tam tersinin bir anlamı yoktur.

Senaryo 1: Ofis, eğitim, web gezintisi

Öncelik: Entegre grafikli (iGPU) modern bir CPU.
GPU: Ayrı ekran kartına gerek yok. İşlemciye entegre grafik çekirdekleri (Intel Iris Xe, AMD Radeon Graphics) 4K videoları ve hafif oyunları kolayca kaldırır.
Tavsiye: Hızlı bir SSD'ye ve yeterli RAM kapasitesine yatırım yapın.

Senaryo 2: Oyun (1080p – 4K)

Öncelik: Denge, ancak yüksek çözünürlükler için GPU ağırlıklı.
1080p için: Yüksek FPS (saniye başına kare) sağlamak için güçlü bir CPU önemlidir. Orta seviye bir ekran kartı.
4K için: Yük GPU'ya kayar. Orta seviye bir işlemci yeterlidir, ancak ekran kartı amiral gemisi seviyesinde olmalıdır.
Önemli: Video belleği (VRAM) miktarı. 2026 yılı için rahat oyun deneyimi için minimum 8–12 GB, ultra ayarlar için 16 GB+ gerekir.

Senaryo 3: Video işleme, 3D render, ML

Öncelik: Maksimum GPU gücü ve spesifik teknoloji desteği.
Detaylar:
- Sinir ağları için CUDA desteği (NVIDIA avantajı) ve VRAM miktarı kritiktir (ne kadar büyükse, o kadar büyük modeller eğitilebilir).
- Render alma için veri yolu hızı ve tensör çekirdeklerinin varlığı (DLSS ve AI yükseltmeyi hızlandırmak için) önemlidir.
- CPU da önemlidir: Verileri ekran kartına hızlıca beslemelidir. Çok çekirdekli bir işlemci (12+ çekirdek) önerilir.

Sık yapılan hata: Büyük bellek kapasitesine sahip ancak dar veri yoluna (örneğin 128 bit) sahip bir ekran kartı satın almak. Yüksek bant genişliği gerektiren görevlerde (yüksek çözünürlüklü oyunlar, 4K dokular), böyle bir kart daha az belleğe sahip ancak geniş veri yoluna (256 bit ve üzeri) sahip bir muadiline göre daha yavaş çalışacaktır.

Sıkça Sorulan Sorular (SSS)

GPU, CPU'nun yerini tamamen alabilir mi? Hayır. GPU bir işletim sistemini başlatamaz veya karmaşık mantıksal dallanmaları etkili bir şekilde işleyemez. Bilgisayarın tüm bileşenlerin çalışmasını koordine etmesi için her zaman bir merkezi işlem birimine ihtiyacı vardır.

Entegre ve ayrı ekran kartı nedir? Entegre (dahili) grafik, CPU yongasının içindedir ve ortak sistem belleğini kullanır. Ekonomiktir ancak zayıftır. Ayrı ekran kartı, kendi işlemcisine (GPU) ve hızlı video belleğine (VRAM) sahip bağımsız bir cihazdır. Daha güçlüdür ancak daha fazla enerji tüketir.

Bellek türü (GDDR6, GDDR6X, HBM) performansı etkiler mi? Evet. GDDR6X ve HBM (High Bandwidth Memory), özellikle 4K oyunlar ve profesyonel hesaplamalar için kritik olan çok daha yüksek bant genişliği sağlar. Ofis görevleri için fark gözle görülmez.

Neden madencilik ve yapay zeka için eskiden özellikle oyun ekran kartları alınardı? Kayan noktalı paralel hesaplamalar için optimize edilmiş mimarileri nedeniyle. Ancak günümüzde yapay zeka için genellikle özel hızlandırıcılar (örneğin NVIDIA H100/A100) kullanılıyor ve kripto para algoritmalarındaki değişiklikler nedeniyle madencilik ilgisi azaldı.