人工智能计算首选GPU加速的原因有以下几点：
1. 并行计算能力：GPU（图形处理器）具有强大的并行计算能力，可以同时处理大量的计算任务。在人工智能领域，模型的计算量非常大，需要在短时间内完成大量的计算。GPU的并行计算能力可以大大提高计算速度，缩短训练时间。
2. 高效的数据并行：GPU具有高效的数据并行特性，可以将输入数据分割成多个子数据块，然后对每个子数据块进行独立的计算。这样可以充分利用GPU的计算资源，提高计算效率。
3. 优化的内存访问：GPU具有优化的内存访问机制，可以快速访问存储在显存中的计算结果。这对于大规模数据的处理非常重要，可以避免频繁的内存访问操作，提高计算速度。
4. 灵活的编程接口：GPU提供了丰富的编程接口和库，方便开发者使用。这些接口和库可以帮助开发者实现复杂的计算任务，提高开发效率。
5. 低功耗和高性能：GPU通常采用低功耗的制程技术，可以在不牺牲性能的前提下降低能耗。这对于需要在移动设备或嵌入式设备上运行的人工智能应用非常重要。
6. 兼容性和易用性：GPU在硬件层面与CPU兼容，可以无缝地与CPU协同工作。此外，许多深度学习框架都支持GPU加速，使得开发人员可以更方便地利用GPU的优势。
综上所述，GPU在并行计算、数据并行、内存访问、编程接口、低功耗和易用性等方面具有优势，使其成为人工智能计算的首选加速手段。
