答案是：不一定，但绝大多数追求高性能的并行计算都会用到显卡（GPU）。

并行计算指的是把一个大的计算任务拆解成很多小的、可以同时进行的子任务。能完成这种工作的硬件有很多，显卡只是其中最高效的一种。

具体来说，并行计算时是否用到显卡，取决于以下三个因素：

1. 看“并行任务”的类型（最重要）

• 适合显卡（GPU）的任务：数据并行

  • 特点：对大量不同的数据执行完全相同的简单指令。

  • 例子：把一万张图片同时进行滤镜处理；把两个巨大的矩阵（如1024x1024）中的每一个元素分别相乘；在AI训练中，同时计算几十万个神经元的激活值。

  • 结论：这种情况强烈建议使用显卡。CPU虽然也能做，但速度可能慢几十上百倍。

• 不适合显卡（GPU）的任务：任务并行

  • 特点：对同一组或少量数据执行多种不同的复杂操作。

  • 例子：做一顿饭（一边炒菜、一边煮汤、一边切菜，操作完全不同）；编译一份代码（词法分析、语法分析、优化、生成代码，步骤一环扣一环）。

  • 结论：这种情况几乎不用显卡。使用CPU多核心（如8核16线程）更合适。

2. 看编程方式

• 用GPU的并行计算：程序员需要显式地使用CUDA（NVIDIA）、OpenCL（跨平台）或OneAPI（Intel）等专门框架来编写代码。这类代码会明确地将数据复制到显卡显存，指挥显卡内成千上万个核心同时计算，再取回结果。

• 不用GPU的并行计算：

  • 使用 CPU的SIMD指令集（单指令多数据流）：现代CPU（如Intel的AVX-512）也能在一个时钟周期内同时处理多个数据，但并行规模远小于显卡（一次最多处理16个浮点数，而显卡可处理上万个）。

  • 使用 CPU的多线程：利用操作系统线程，将任务分配给CPU的多个物理核心。

3. 看硬件环境

• 有独显/集显的电脑：可以运行任何支持GPU加速的并行计算程序（需安装驱动和CUDA等运行时）。

• 无显卡的服务器：只能使用CPU进行并行计算。很多云服务器为了成本，会提供“纯CPU计算实例”，适合处理任务并行型工作。

• 嵌入式/专用设备：如FPGA、ASIC（包括谷歌的TPU、各种NPU神经网络处理单元）。它们是更“专一”的并行计算硬件，在特定任务上甚至比显卡更强、更省电。

一个具体的例子：天气预报

为了预测明天的气温，计算模型需要将大气划分为几百万个网格，并对每个网格同时求解物理方程。

• 如果用CPU并行计算：比如用一颗64核心的服务器CPU。它能同时处理64个网格，速度不错。

• 如果用显卡并行计算：比如用一张NVIDIA H100显卡。它有超过18000个计算核心，可以同时处理上万个网格。最终速度可能是CPU的几十倍到上百倍。

正是因为显卡在“数据并行”这类海量计算上的绝对优势，今天的高性能计算（HPC）和人工智能领域，几乎都离不开它。

总结

简单来说：显卡是进行“大规模数据并行计算”最主流的工具，但不是并行计算的唯一工具。