NPU Käyttöön: 12 Vaihetta, 40 TOPS, 55 Min [2026]

Kannettavasi sisällä lojuu siru, jota et todennäköisesti käytä. Jos ostit Copilot+ PC -merkinnällä varustetun läppärin viimeisen parin vuoden aikana, koneessa istuu NPU eli neuroverkkoprosessori, joka on suunniteltu ajamaan tekoälyä paikallisesti ilman pilveä. Ongelma on se, että suurin osa käyttäjistä ei tiedä, miten sen saa hyötykäyttöön. Tässä oppaassa käydään läpi, miten NPU otetaan käyttöön Windows 11 -koneessa, miten sen toimintaa valvotaan Tehtävienhallinnasta, ja miten sille saadaan ajettua oikea tekoälykuorma OpenVINO- ja ONNX Runtime -työkaluilla.

Kohderyhmänä ovat Intel Core Ultra- ja AMD Ryzen AI -kannettavien omistajat, jotka haluavat ajaa pieniä kielimalleja tai kuva-analyysejä paikallisesti virran- ja tietosuojasyistä. Käymme läpi koko polun: laitteiston tarkistuksesta ajureiden asennukseen, BIOS-asetuksista Python-koodiin asti, joka todella työntää laskennan NPU:lle GPU:n tai CPU:n sijaan. Mukana on 12 vaihetta, useita koodilohkoja, kokonainen toimiva projekti ja lista yleisimmistä sudenkuopista, joihin lähes jokainen törmää matkan varrella.

Miksi tämä on ajankohtaista juuri syksyllä 2026? Microsoft laajensi Build 2026 -kehittäjätapahtumassa Windows AI API:n kattamaan NPU:n lisäksi myös CPU:n ja GPU:n, mikä tarkoittaa, että sovelluskehittäjien on jatkossa entistä helpompi kirjoittaa yksi koodipohja, joka valitsee parhaan saatavilla olevan laskentayksikön automaattisesti. Tämä muutos ei vielä näy kaikissa sovelluksissa, mutta se kertoo, että ekosysteemi on siirtymässä vaiheesta, jossa NPU on erillinen erikoistyökalu, kohti vaihetta, jossa se on yksi vaihtoehto muiden joukossa. Tämän oppaan tarkoitus on antaa sinulle valmiudet hyödyntää NPU:ta jo nyt, ennen kuin työkalut kypsyvät täysin.

Jos olet aiemmin asentanut paikallisia tekoälytyökaluja, kuten Ollaman RTX-näytönohjaimelle, huomaat, että NPU-polku eroaa siitä merkittävästi: GPU-pohjaiset työkalut ovat valmiiksi hiottuja ja tukevat suoraan suosituimpia kielimalliformaatteja, kun taas NPU vaatii vielä tässä vaiheessa hieman enemmän käsityötä ONNX- ja OpenVINO-tason kanssa. Se ei tarkoita, että NPU olisi hyödytön, vaan että sen vahvuudet ja rajoitteet kannattaa ymmärtää ennen kuin rakentaa sen varaan tuotantokäyttöön menevän ratkaisun.

Tämä artikkeli on tarkoitettu luettavaksi järjestyksessä ensimmäisellä kerralla, mutta jokainen vaihe on myös itsenäinen viitepiste, johon voi palata myöhemmin. Jos koneessasi ilmenee ongelma kesken prosessin, siirry suoraan vianetsintätaulukkoon artikkelin loppupuolella.

Kannattaa huomata heti alkuun myös yksi tärkeä rajaus: tämä opas keskittyy nimenomaan omilla käsin ajettavaan, ONNX-pohjaiseen NPU-käyttöön. Se ei kata Microsoftin sisäänrakennettuja Copilot-ominaisuuksia, jotka toimivat automaattisesti taustalla ilman käyttäjän koodia, koska niiden sisäinen toteutus ei ole avointa eikä siihen voi vaikuttaa samalla tavalla kuin omaan ONNX-malliin.

Copilot+ PC -kannettavat 2026: mitä laitteita tämä koskee

Ennen kuin aloitat asennuksen, kannattaa varmistaa, että oma kannettava kuuluu ylipäätään Copilot+ PC -perheeseen. Microsoftin ylläpitämä yhteensopivuuslista on siru-perhekohtainen, ei tarkka mallikohtainen luettelo, joten käytännössä kelpoisuus ratkeaa siitä, mistä siruperheestä kannettavan suoritin on peräisin. Syyskuussa 2026 kelpoisia perheitä ovat Intelin Core Ultra 200V- ja 300V-sarjat, AMD:n Ryzen AI 300- ja 400 -sarjat, sekä Qualcommin Snapdragon X- ja X2-sarjat.

Valmistajaperhe	Tyypilliset OEM-kumppanit	Tyypillinen käyttötapaus
Intel Core Ultra 200V/300V	ASUS, Lenovo, HP, Dell, Acer, Samsung	Yleiskäyttöiset yritys- ja kuluttajakannettavat
AMD Ryzen AI 300/400	ASUS, Lenovo, HP, Acer	Kevyet ja pelikannettavat, joissa painotetaan akunkestoa
Qualcomm Snapdragon X/X2	Microsoft Surface ja useat OEM-kumppanit	Erittäin pitkä akunkesto, ARM-pohjainen arkkitehtuuri

Koska mallikohtaiset SKU:t vaihtuvat nopeasti, suosittelemme aina tarkistamaan tarkan NPU-TOPS-luvun valmistajan omalta tuotesivulta ostohetkellä, ei pelkästään siruperheen markkinointinimestä. Tämä pätee erityisesti, jos hankit useita koneita organisaatiolle ja tarvitset johdonmukaisen suorituskykytason koko laitekannassa.

Huomaa myös, että osa yritysmalleista (esimerkiksi AMD:n Ryzen AI PRO -sarja) on suunnattu nimenomaan hallitulle IT-ympäristölle, jossa osa tekoälyominaisuuksista voidaan rajata organisaation toimesta. Jos kannettavasi on hankittu yrityksen IT-osaston kautta, tarkista ensin, onko NPU-toiminnallisuutta rajoitettu tietoisesti ennen kuin oletat vian olevan ajurissa tai käyttöjärjestelmässä.

Tässä vaiheessa on hyvä tarkistaa myös huomiotta jäävä yksityiskohta: Copilot+ PC -sertifiointi ei ole sama asia kuin “AI PC” -termi, jota osa valmistajista käyttää löyhemmin markkinoinnissa. AI PC voi tarkoittaa mitä tahansa konetta, jossa on jonkinlainen NPU, vaikka se jäisi alle 40 TOPS -rajan. Vain Copilot+-sertifiointi takaa täyden Microsoft-ominaisuustuen ja tämän oppaan kaikkien vaiheiden toimivuuden.

Mikä NPU on ja miksi se on tärkeä juuri nyt

NPU eli Neural Processing Unit on erillinen laskentayksikkö, joka on rakennettu nimenomaan matriisilaskentaan ja tekoälyn päättelyyn (inference). Toisin kuin CPU, joka on yleiskäyttöinen, tai GPU, joka on optimoitu rinnakkaiseen grafiikkalaskentaan, NPU on viritetty juuri neuroverkkojen kertolasku- ja yhteenlaskuoperaatioihin mahdollisimman pienellä tehonkulutuksella. Käytännössä tämä tarkoittaa sitä, että kannettava voi ajaa taustalla jatkuvia tekoälytoimintoja, kuten reaaliaikaista tekstitystä tai taustan sumennusta videopuheluissa, tyhjentämättä akkua tunnissa.

Microsoft loi Copilot+ PC -sertifioinnin toukokuussa 2024, ja sen mukaan kelpoisuuden minimivaatimus on NPU, joka yltää vähintään 40 biljoonaan operaatioon sekunnissa (TOPS), 16 Gt keskusmuistiin ja 256 Gt tallennustilaan Windows 11 -käyttöjärjestelmällä. Tarkat vaatimukset löytyvät Microsoftin virallisilta Windows 11 -tekniikkatiedoilta. Syyskuussa 2026 tämä 40 TOPS -raja on edelleen virallinen kynnysarvo, ja Microsoftin oma dokumentaatio toistaa saman luvun sekä kuluttaja- että yrityskoneille. Huomaa, että moni valmistaja markkinoi “yhdistettyä” TOPS-lukua, joka sisältää CPU:n, GPU:n ja NPU:n yhteenlasketun tehon. Se ei ole sama asia kuin Copilot+-vaatimuksen NPU-kohtainen luku, ja sekaannus tästä on yksi yleisimmistä syistä, miksi käyttäjät luulevat koneensa olevan tehokkaampi tekoälyssä kuin se todellisuudessa on.

Nykyinen sirumaisema näyttää tältä syyskuussa 2026: Intelin Core Ultra 200V -sarjan (Lunar Lake) NPU 4 yltää 47–48 TOPS:iin malleissa kuten Core Ultra 7 258V ja Core Ultra 9 288V. Uudemman Core Ultra -sarja 3:n (Panther Lake) NPU on raportoitu noin 50 TOPS:iin. AMD:n Ryzen AI 400 -sarja nostaa rimaa 60 TOPS:iin, kun taas Qualcommin Snapdragon X2 Elite kipuaa 80 TOPS:iin. Vanhemmat pöytäkonesirut, kuten Arrow Lake -työpöytämallit, jäävät reilusti alle Copilot+-rajan noin 13 TOPS:n tasolle, mikä on syy siihen, miksi moni pöytätietokone ei koskaan näytä NPU-välilehteä Tehtävienhallinnassa.

Siru / alusta	NPU-teho (TOPS)	Copilot+ kelpoinen	Julkaisu
Intel Core Ultra 200V (Lunar Lake)	47–48	Kyllä	2024
Intel Core Ultra sarja 3 (Panther Lake)	~50	Kyllä	2026
Intel Arrow Lake (työpöytä)	~13	Ei	2024
AMD Ryzen AI 300 (Strix Point)	40+	Kyllä	2024
AMD Ryzen AI 400	60	Kyllä	2026
Qualcomm Snapdragon X2 Elite	80	Kyllä	2026

Numerot eivät kuitenkaan kerro koko totuutta. Yksi tuore LinkedIn-julkaisu vertaili NPU:n ja GPU:n suoritusnopeutta samalla laitteella: Intelin oman parhaan tapauksen mittauksen mukaan NPU pyörittää tavallista pientä kielimallia noin 18,5 tokenin sekuntivauhdilla, kun taas samaan luokkaan kuuluva erillinen GPU yltää noin 60–90 tokeniin sekunnissa, eli karkeasti 3–5 kertaa nopeammin. Tämä on tärkeä huomio, johon palataan tämän oppaan loppupuolella: NPU ei ole aina oikea työkalu, vaikka se olisikin kiinnostavin.

Miksi valmistajat silti panostavat NPU:hun näin paljon, jos se on hitaampi kuin GPU? Vastaus löytyy tehonkulutuksesta. NPU on suunniteltu suorittamaan sama laskenta murto-osalla GPU:n vaatimasta virrasta, koska sen piirilogiikka on karsittu vain matriisilaskentaan sopivaksi ilman grafiikkaputken ylimääräisiä osia. Kannettavassa tämä tarkoittaa käytännössä sitä, että jatkuva taustaprosessi, joka GPU:lla tyhjentäisi akun tunnissa, voi NPU:lla pyöriä koko työpäivän ajan huomaamatta. Tästä syystä NPU ei ole tarkoitettu korvaamaan GPU:ta, vaan täydentämään sitä nimenomaan pitkäkestoisissa, kevyissä taustatehtävissä.

Esivaatimukset ennen aloittamista

Ennen kuin kosket mihinkään asetukseen, tarkista seuraavat asiat. Puutteellinen esivalmistelu on yleisin syy siihen, että NPU jää passiiviseksi koko prosessin ajan.

• Kannettava, jossa on Copilot+ PC -sertifioitu siru: Intel Core Ultra 200V/sarja 3, AMD Ryzen AI 300/400, tai Qualcomm Snapdragon X/X2.
• Windows 11, versio 24H2 tai uudempi (suositellaan 25H2, jos saatavilla omalle koneelle).
• Vähintään 16 Gt keskusmuistia ja 256 Gt vapaata tallennustilaa.
• Intel NPU Driver for Windows, versio 32.0.100.5540 tai uudempi (Intel-koneille).
• Intel Distribution of OpenVINO Toolkit, versio 2026.3.
• ONNX Runtime, versio 1.29.0.
• DirectML, versio 1.15.2 (asentuu yleensä ONNX Runtimen mukana).
• Python 3.11 tai uudempi, jos aiot ajaa tämän oppaan koodiesimerkkejä.
• Järjestelmänvalvojan oikeudet ajurien asennukseen ja BIOS-pääsy.

Jos et ole varma, onko koneesi siru ylipäätään Copilot+-kelpoinen, tarkista tarkka mallinumero valmistajan sivulta tai Windowsin Asetukset > Järjestelmä > Tietoja-näkymästä. Pelkkä “Intel Core Ultra” tai “Ryzen AI” -maininta ei riitä, koska osa vanhemmista malleista jää alle 40 TOPS -rajan eikä siksi tue kaikkia tässä oppaassa kuvattuja toimintoja.

Vaihe 1: Tarkista, onko koneessasi ylipäätään NPU

Nopein tapa on avata Tehtävienhallinta (Ctrl+Shift+Esc) ja siirtyä Suorituskyky-välilehdelle. Jos vasemmasta palkista löytyy NPU-kohta CPU:n, Muistin ja GPU:n rinnalta, laitteistotuki on olemassa. Jos NPU-kohtaa ei näy, syy on yksi kolmesta: sirussa ei ole NPU:ta lainkaan, Windows-versio on liian vanha, tai ajuri puuttuu.

Microsoftin kesäkuussa 2026 julkaisema kumulatiivinen päivitys KB5094126 laajensi Tehtävienhallinnan NPU-seurantaa merkittävästi Windows 11:n 24H2- ja 25H2-versioissa. Tämän päivityksen jälkeen Tehtävienhallinta näyttää NPU-käytön prosessikohtaisesti, kumulatiivisen NPU-ajan sovellushistoriassa, ja oman NPU-paneelin Suorituskyky-välilehdellä aivan samalla tavalla kuin CPU:lle ja GPU:lle on totuttu. Jos koneessasi ei vielä näy näitä tietoja, tarkista Windows-päivitykset ensimmäisenä.

Get-CimInstance -ClassName Win32_ComputerSystem | Select-Object Model
Get-ComputerInfo -Property WindowsVersion, WindowsBuildLabEx
Get-PnpDevice | Where-Object { $_.FriendlyName -match "Neural" -or $_.FriendlyName -match "NPU" }

Aja nämä kolme PowerShell-komentoa järjestyksessä. Ensimmäinen kertoo laitteen mallin, toinen Windows-version ja build-numeron, ja kolmas listaa kaikki laitteet, joiden nimessä esiintyy “Neural” tai “NPU”. Jos kolmas komento ei palauta yhtään riviä, ajuri puuttuu tai laitteistotukea ei ole asennettu oikein.

Kannattaa kirjata ylös tässä vaiheessa saatu Windows-build-numero, koska sitä tarvitaan myöhemmin, jos joudut vertaamaan omaa järjestelmääsi Microsoftin julkaisemiin tukitaulukoihin. Jos malli-komento palauttaa nimen, joka ei sisällä mitään viittausta “Copilot” tai tunnistettavaan Core Ultra / Ryzen AI -mallikoodiin, kannattaa tarkistaa valmistajan tuotesivulta, onko kyseinen malli ylipäätään Copilot+-sertifioitu, ennen kuin jatkat seuraaviin vaiheisiin.

Vaihe 2: Tarkista ja päivitä BIOS-asetukset

Osassa kannettavia NPU on oletuksena pois päältä BIOS-tasolla, erityisesti yritysmalleissa, joissa valmistaja on rajoittanut tekoälyominaisuuksia hallinnan helpottamiseksi. Käynnistä kone uudelleen ja siirry BIOS/UEFI-asetuksiin (yleensä F2, F10 tai Del-näppäimellä käynnistyksen aikana). Etsi kohta, jossa lukee “NPU”, “AI Boost” tai “Neural Processing” ja varmista, että se on käytössä. Tarkista samalla, että Intel VT-d (tai AMD:n vastaava IOMMU-asetus) on päällä, sillä osa yhteisön vianetsintäoppaista mainitsee tämän edellytyksenä NPU:n täydelle näkyvyydelle käyttöjärjestelmässä.

Kannattaa myös päivittää emolevyn/kannettavan BIOS uusimpaan versioon valmistajan sivulta ennen jatkamista. Vanha BIOS on yleinen syy siihen, että käyttöjärjestelmä ei tunnista NPU:ta laisinkaan, vaikka siru sen fyysisesti sisältäisikin.

Vaihe 3: Asenna oikea NPU-ajuri

Intel-koneissa tarvitaan Intel NPU Driver for Windows. Syyskuussa 2026 ajankohtainen versio on 32.0.100.5540, ja se sisältää tuen OpenVINO 2026.3.1.0 -ajolle. Lataa ajuri Intelin viralliselta latauspalvelimelta, älä koskaan kolmannen osapuolen sivustolta, koska NPU-ajurit vaativat allekirjoitetun ytimen tason ohjaimen eikä väärennettyä versiota kannata edes yrittää asentaa.

# Tarkista nykyinen ajuriversio komentoriviltä
Get-WmiObject Win32_PnPSignedDriver | Where-Object { $_.DeviceName -like "*NPU*" -or $_.DeviceName -like "*Neural*" } | Select-Object DeviceName, DriverVersion

# Asennuksen jälkeen käynnistä laite uudelleen laitehallinnasta
Get-PnpDevice -FriendlyName "*NPU*" | Restart-PnpDevice -Confirm:$false

AMD-koneissa NPU-ajuri tulee yleensä osana AMD:n Adrenalin-ajuripakettia tai kannettavan valmistajan (Lenovo, ASUS, HP) omaa ajuripäivityssovellusta. Suositus on käyttää valmistajan omaa päivitystyökalua, koska monet OEM-valmistajat pakkaavat NPU-ajurin yhteen laiteohjelmiston kanssa, ja pelkkä AMD:n yleisajuri ei aina riitä.

Asennuksen jälkeen on hyvä tapa käynnistää kone kokonaan uudelleen pelkän laitehallinnan uudelleenkäynnistyksen sijaan, erityisesti jos tämä on ensimmäinen kerta, kun NPU-ajuri asennetaan koneelle. Ydintason ohjaimet, kuten NPU-ajurit, latautuvat luotettavimmin täydellä käynnistyksellä, ja moni “device not found” -virhe katoaa pelkällä uudelleenkäynnistyksellä ilman että mitään muuta tarvitsee muuttaa.

Vaihe 4: Varmista Windows-versio ja päivitä 24H2/25H2-tasolle

Copilot+-ominaisuudet ja laajennettu NPU-seuranta vaativat Windows 11 -version 24H2 tai uudemman. Tarkista oma versiosi komennolla winver tai Asetukset > Järjestelmä > Tietoja. Jos versio on vanhempi, päivitä Windows Update -kautta ennen kuin jatkat, sillä ilman tätä päivitystä moni tässä oppaassa kuvattu toiminto yksinkertaisesti puuttuu käyttöliittymästä, eikä kyse ole viasta vaan puuttuvasta ominaisuudesta.

Vaihe 5: Lisää NPU-sarakkeet Tehtävienhallintaan ja opi lukemaan niitä

Avaa Tehtävienhallinta ja siirry Tiedot- tai Prosessit-välilehdelle. Klikkaa hiiren oikealla sarakeotsikoita ja valitse näkyviin NPU ja NPU-moottori -sarakkeet CPU:n ja GPU:n rinnalle. Käynnistä sen jälkeen jokin tekoälyominaisuus, esimerkiksi Windowsin Studio Effects -taustan sumennus videopuhelussa, ja seuraa liikkuuko NPU-käyrä.

Tämä on tärkein yksittäinen diagnostiikkatyökalu koko oppaassa: jos NPU-käyrä pysyy tasaisena nollassa samalla kun ajat ominaisuutta, jonka pitäisi käyttää NPU:ta, kyseinen sovellus ei todellisuudessa reititä laskentaansa NPU:lle. Tämä on täysin normaali tilanne suurimmalle osalle sovelluksista syyskuussa 2026, koska ekosysteemi on yhä kesken.

Kannattaa myös kokeilla Tiedot-välilehden NPU-sarakkeita prosessikohtaisesti, koska ne paljastavat, mikä yksittäinen prosessi (esimerkiksi WindowsCameraFrameServer.exe tai selaimen taustaprosessi) todella käyttää NPU:ta millä hetkellä. Tämä on hyödyllisempää kuin pelkkä kokonaiskäyrän seuranta, jos koneessa on käynnissä useita mahdollisia tekoälyä hyödyntäviä sovelluksia samanaikaisesti eikä ole selvää, mikä niistä vastaa havaitusta kuormasta.

Vaihe 6: Asenna Python-ympäristö ja tarvittavat kirjastot

Jotta pääset itse ajamaan koodia NPU:lle etkä vain seuraamaan järjestelmän sisäisiä ominaisuuksia, tarvitset Python-ympäristön. Suosittelemme erillistä virtuaaliympäristöä, jotta versiot eivät riko muita projekteja.

python -m venv npu-env
npu-env\Scripts\activate
pip install --upgrade pip
pip install onnxruntime==1.29.0
pip install openvino==2026.3
pip install optimum[openvino] numpy

Huomaa, että tavallinen pip install onnxruntime asentaa CPU-version, joka ei koskaan käytä NPU:ta. NPU-tuki tulee joko OpenVINO Execution Providerin kautta tai Intelin omien onnxruntime-paketointien kautta. Tarkista asennuksen jälkeen, että molemmat komponentit löytyvät samasta virtuaaliympäristöstä ennen kuin siirryt seuraavaan vaiheeseen.

Vaihe 7: Kirjoita ensimmäinen NPU-tietoinen päättelyskripti

Seuraava skripti lataa yksinkertaisen ONNX-mallin ja yrittää ajaa sen ensin NPU:lla OpenVINO Execution Providerin kautta. Jos NPU ei ole saatavilla, se putoaa automaattisesti CPU:lle, jotta skripti ei kaadu vaikka laitteisto puuttuisi.

import onnxruntime as ort
import numpy as np
import time

available = ort.get_available_providers()
print("Käytettävissä olevat suoritinvaihtoehdot:", available)

providers = []
if "OpenVINOExecutionProvider" in available:
    providers.append(("OpenVINOExecutionProvider", {"device_type": "NPU"}))
providers.append("CPUExecutionProvider")

session = ort.InferenceSession("model.onnx", providers=providers)

input_name = session.get_inputs()[0].name
dummy_input = np.random.randn(1, 3, 224, 224).astype(np.float32)

start = time.perf_counter()
for _ in range(20):
    outputs = session.run(None, {input_name: dummy_input})
elapsed = time.perf_counter() - start

print(f"Aktiivinen suoritinlaite: {session.get_providers()[0]}")
print(f"20 päättelykierrosta: {elapsed:.3f} s, keskiarvo {elapsed/20*1000:.1f} ms/kierros")

Ajon jälkeen näet tulostuksena esimerkiksi tämän kaltaisen rivin:

Käytettävissä olevat suoritinvaihtoehdot: ['OpenVINOExecutionProvider', 'CPUExecutionProvider']
Aktiivinen suoritinlaite: OpenVINOExecutionProvider
20 päättelykierrosta: 0.612 s, keskiarvo 30.6 ms/kierros

Jos rivillä “Aktiivinen suoritinlaite” lukee CPUExecutionProvider vaikka määrittelit NPU:n, tarkista seuraavaksi, onko OpenVINO Toolkit asennettu oikein ja onko NPU-ajuri todella aktiivinen (palaa vaiheeseen 3). Tämä on yleisin yksittäinen virhe koko oppaassa.

Vaihe 8: Vahvista NPU-käyttö Tehtävienhallinnasta samalla kun skripti pyörii

Avaa Tehtävienhallinta ennen skriptin käynnistämistä ja pidä Suorituskyky-välilehti näkyvissä toisessa ikkunassa. Käynnistä skripti uudelleen, mutta muuta silmukan pituus 200 kierrokseen, jotta ehdit havaita muutoksen käyrässä ennen kuin ajo loppuu.

for _ in range(200):
    outputs = session.run(None, {input_name: dummy_input})

Jos NPU-käyrä nousee ajon aikana ja laskee heti ajon päätyttyä, laskenta reitittyy oikein. Jos käyrä pysyy tasaisena mutta CPU-käyrä nousee, tarkista vaiheen 7 tulostus uudelleen: mahdollisesti provider putosi CPU:lle ilman virheilmoitusta.

Vaihe 9: Vertaile NPU:ta, GPU:ta ja CPU:ta samalla mallilla

Tässä vaiheessa rakennetaan pieni vertailuskripti, joka ajaa saman mallin kolmella eri laskentayksiköllä peräkkäin ja tulostaa tulokset taulukkona. Tämä on hyödyllistä, koska pelkkä TOPS-luku ei kerro todellista suorituskykyä omalla työkuormallasi.

import onnxruntime as ort
import numpy as np
import time

def benchmark(provider_config, label, runs=30):
    session = ort.InferenceSession("model.onnx", providers=provider_config)
    input_name = session.get_inputs()[0].name
    dummy_input = np.random.randn(1, 3, 224, 224).astype(np.float32)

    # Lämmittely, jotta ensimmäisen ajon kääntökustannus ei vääristä tulosta
    session.run(None, {input_name: dummy_input})

    start = time.perf_counter()
    for _ in range(runs):
        session.run(None, {input_name: dummy_input})
    elapsed = time.perf_counter() - start
    avg_ms = elapsed / runs * 1000
    print(f"{label:12s}: {avg_ms:6.2f} ms/kierros ({1000/avg_ms:.1f} kierrosta/s)")
    return avg_ms

configs = [
    ([("OpenVINOExecutionProvider", {"device_type": "NPU"}), "CPUExecutionProvider"], "NPU"),
    ([("OpenVINOExecutionProvider", {"device_type": "GPU"}), "CPUExecutionProvider"], "iGPU"),
    (["CPUExecutionProvider"], "CPU"),
]

for provider_config, label in configs:
    try:
        benchmark(provider_config, label)
    except Exception as e:
        print(f"{label:12s}: ei saatavilla ({e})")

Tyypillinen tulostus Intel Core Ultra 200V -kannettavalla näyttää suunnilleen tältä, ja se havainnollistaa hyvin, miksi NPU ei aina ole nopein vaihtoehto vaikka se olisikin tehokkain wateilla mitattuna:

NPU         :  32.40 ms/kierros (30.9 kierrosta/s)
iGPU        :  14.10 ms/kierros (70.9 kierrosta/s)
CPU         :  58.70 ms/kierros (17.0 kierrosta/s)

Tämä vastaa Intelin oman julkisen vertailun suuntaa: NPU on nopeampi kuin CPU, mutta hitaampi kuin sisäänrakennettu GPU. NPU:n vahvuus ei ole raakanopeus vaan tehonkulutus. Sama laskenta NPU:lla kuluttaa merkittävästi vähemmän virtaa kuin GPU:lla, mikä on ratkaisevaa kannettavassa, joka pyörittää taustaprosessia koko työpäivän ajan akulla.

Vaihe 10: Käytä NPU:ta oikeaan tarkoitukseen – taustatehtäviin, ei live-chatbotteihin

Vaiheen 9 tulosten perusteella kannattaa suunnitella työkuormat sen mukaan, missä NPU todella loistaa: pienet, jatkuvasti taustalla pyörivät tehtävät, kuten puheentunnistus, taustan sumennus, kuvien luokittelu tai metatietojen analysointi ilman että kannettava kuumenee tai akku tyhjenee tunnissa. Live-keskustelevat kielimallit, joissa käyttäjä odottaa vastausta reaaliajassa, kannattaa yhä ohjata GPU:lle, jos sellainen on saatavilla.

Microsoftin kehittäjädokumentaatio Copilot+ PC:iden NPU-laitteista vahvistaa saman: NPU on tarkoitettu ensisijaisesti kohdennettuihin, tarkkaan optimoituihin AI-poluihin, ei yleiskäyttöiseksi laskentayksiköksi kaikelle tekoälylle. Reddit-yhteisö LocalLLaMA on nostanut saman huomion esiin useasti: käyttäjät, jotka yrittävät ajaa Ollamaa, LM Studiota tai AnythingLLM:ää suoraan NPU:lla, huomaavat sovellusten oletuksena reitittävän laskennan GPU:lle tai CPU:lle, jolloin NPU jää 0 prosenttiin käytöstä. Tämä ei ole vika sinun asennuksessasi, vaan seuraus siitä, että nämä suositut paikallisen tekoälyn sovellukset eivät vielä tue NPU-suoritusta natiivisti syyskuussa 2026. Jos haluat NPU:n käyttöön juuri näissä työkaluissa, sinun täytyy joko odottaa virallista tukea tai kääntää malli itse ONNX/OpenVINO-muotoon tämän oppaan vaiheiden 6–9 mukaisesti.

Kannattaa myös yhdistää NPU-työkuorma Windowsin virranhallinta-asetuksiin. Jos kannettava on asetettu “Paras suorituskyky” -tilaan, käyttöjärjestelmä saattaa yhä suosia GPU:ta myös kevyissä tehtävissä, koska tilan tavoite on maksimoida nopeus kulutuksesta välittämättä. “Tasapainotettu” tai “Paras akunkesto” -virransäästötila ohjaa käyttöjärjestelmää herkemmin suosimaan vähemmän virtaa kuluttavia reittejä, mikä voi epäsuorasti kasvattaa NPU:n käyttöastetta niissä Windowsin sisäänrakennetuissa ominaisuuksissa, jotka tukevat automaattista laitevalintaa.

Vaihe 11: Rakenna kokonainen minipojekti – kuvaluokittelu NPU:lla

Kootaan edellä opitut palat yhdeksi toimivaksi projektiksi: kansiokohtainen kuvaluokittelija, joka lukee kuvakansion ja luokittelee jokaisen kuvan NPU:ta käyttäen, tallentaen tulokset CSV-tiedostoon.

import onnxruntime as ort
import numpy as np
from PIL import Image
import csv
import os
import time

MODEL_PATH = "model.onnx"
IMAGE_DIR = "kuvat"
OUTPUT_CSV = "tulokset.csv"

def load_and_preprocess(path):
    img = Image.open(path).convert("RGB").resize((224, 224))
    arr = np.asarray(img).astype(np.float32) / 255.0
    arr = arr.transpose(2, 0, 1)
    return np.expand_dims(arr, axis=0)

def build_session():
    available = ort.get_available_providers()
    providers = []
    if "OpenVINOExecutionProvider" in available:
        providers.append(("OpenVINOExecutionProvider", {"device_type": "NPU"}))
    providers.append("CPUExecutionProvider")
    return ort.InferenceSession(MODEL_PATH, providers=providers)

def main():
    session = build_session()
    input_name = session.get_inputs()[0].name
    active_provider = session.get_providers()[0]
    print(f"Käytössä: {active_provider}")

    rows = []
    for filename in sorted(os.listdir(IMAGE_DIR)):
        if not filename.lower().endswith((".jpg", ".jpeg", ".png")):
            continue
        path = os.path.join(IMAGE_DIR, filename)
        input_tensor = load_and_preprocess(path)

        start = time.perf_counter()
        outputs = session.run(None, {input_name: input_tensor})
        elapsed_ms = (time.perf_counter() - start) * 1000

        top_class = int(np.argmax(outputs[0]))
        rows.append([filename, top_class, f"{elapsed_ms:.1f}"])
        print(f"{filename}: luokka {top_class} ({elapsed_ms:.1f} ms)")

    with open(OUTPUT_CSV, "w", newline="", encoding="utf-8") as f:
        writer = csv.writer(f)
        writer.writerow(["tiedosto", "luokka", "kesto_ms"])
        writer.writerows(rows)

    print(f"Valmis. Tulokset tallennettu tiedostoon {OUTPUT_CSV}")

if __name__ == "__main__":
    main()

Tämä pieni projekti kokoaa yhteen kaiken tarpeellisen: käytettävissä olevien suoritusympäristöjen tunnistuksen, NPU-ensisijaisen reitityksen CPU-varmistuksella, kuvien esikäsittelyn ja tulosten tallennuksen. Voit laajentaa sitä helposti korvaamalla luokittelumallin omalla ONNX-mallillasi, kunhan syöte- ja ulostulomuodot vastaavat toisiaan.

Vaihe 12: Automatisoi ja aikatauluta NPU-pohjainen tehtävä

Kun skripti toimii luotettavasti, sen voi ajastaa Windowsin Tehtävienajastimella pyörimään esimerkiksi aina, kun uusi kuva ilmestyy tiettyyn kansioon, tai kerran tunnissa taustalla. Koska NPU kuluttaa vain murto-osan GPU:n virrasta, tällainen taustatyö ei näy juurikaan akun kestossa, mikä on koko NPU-konseptin ydinlupaus.

schtasks /create /tn "NPU-kuvaluokittelu" /tr "python C:\projektit\npu-env\Scripts\python.exe C:\projektit\luokittelu.py" /sc hourly /mo 1

Tarkista ajastetun tehtävän toiminta Tehtävienajastimen lokista ja varmista, että se käyttää samaa virtuaaliympäristöä, jossa asensit ONNX Runtimen ja OpenVINO:n vaiheessa 6. Yleinen sudenkuoppa on, että ajastettu tehtävä käynnistyy järjestelmän oletus-Python-tulkilla eikä virtuaaliympäristön tulkilla, jolloin se ei löydä NPU-tukea lainkaan.

OpenVINO, DirectML ja Windows ML: kolme reittiä NPU:lle

Tähän mennessä olemme käyttäneet OpenVINO Execution Provideria, mutta se ei ole ainoa tapa saada koodi puhumaan NPU:n kanssa. Windows-ekosysteemissä on käytännössä kolme rinnakkaista reittiä, ja niiden erot kannattaa ymmärtää ennen kuin valitset, minkä varaan rakennat oman sovelluksesi.

OpenVINO Execution Provider on Intelin oma, ja se on tällä hetkellä kypsin ja parhaiten dokumentoitu reitti nimenomaan Intel-siruille. Se tukee suoraan laitetyypin valintaa (CPU, GPU, NPU tai AUTO), ja Intel julkaisee siihen säännöllisesti uusia malliyhteensopivuuksia. Esimerkiksi OpenVINO 2026.3 -julkaisu lisäsi tuen useille pienille kielimalleille, kuten SmolLM3-3B:lle ja LFM2-sarjalle, ajettaviksi suoraan CPU:lla, GPU:lla ja NPU:lla.

DirectML on Microsoftin oma matalan tason rajapinta, joka toimii laitevalmistajasta riippumattomana kerroksena ONNX Runtimen alla. Se on hyödyllinen, jos haluat kirjoittaa koodin, joka toimii sekä Intel- että AMD- ja Qualcomm-koneilla ilman valmistajakohtaista haaraa koodissa, mutta käytännössä NPU-tuki DirectML:n kautta on syyskuussa 2026 yhä suppeampaa kuin OpenVINOn kautta Intel-koneilla.

Windows ML on uusin kerros, jonka Microsoft esitteli kehittäjille helpottamaan juuri tätä valintaa: se pyrkii valitsemaan sovelluksen puolesta parhaan suoritusympäristön ja ajaa taustalla yhteensopivan ONNX Runtime -version, joka voi poiketa siitä versiosta, jonka itse asensit Python-ympäristöösi. Tämä on tärkeä yksityiskohta, jos rakennat tuotantosovellusta: kehitysympäristön ONNX Runtime -versio ja Windows ML:n ajonaikainen versio eivät ole automaattisesti sama asia.

Reitti	Ylläpitäjä	Vahvuus	Rajoite
OpenVINO Execution Provider	Intel	Kypsin NPU-tuki Intel-siruilla	Parhaiten optimoitu vain Intelille
DirectML	Microsoft	Valmistajariippumaton rajapinta	Suppeampi NPU-mallituki tällä hetkellä
Windows ML	Microsoft	Automaattinen laitevalinta sovellukselle	Ajonaikainen versio voi poiketa kehitysympäristöstä

Tämän oppaan koodiesimerkit käyttävät OpenVINO Execution Provideria, koska se on tällä hetkellä suorin ja läpinäkyvin tapa varmistaa, että laskenta todella menee NPU:lle eikä piiloudu jonkin automaattisen valintakerroksen taakse. Jos rakennat sovellusta laajempaan levitykseen useille eri siruvalmistajille, kannattaa kuitenkin seurata Windows ML:n kehitystä, koska se on suunniteltu juuri tämän monimutkaisuuden piilottamiseksi kehittäjältä pitkällä aikavälillä.

Yleisimmät sudenkuopat

Seuraavat kahdeksan virhettä toistuvat käytännössä joka kerta, kun joku ottaa NPU:n käyttöön ensimmäistä kertaa. Osa niistä johtaa täysin toimimattomaan asennukseen, osa taas vain vääriin johtopäätöksiin suorituskyvystä.

• Sekoitat yhdistetyn TOPS-luvun NPU-kohtaiseen lukuun. Markkinointimateriaalissa näkyvä esimerkiksi “120 TOPS” voi tarkoittaa CPU:n, GPU:n ja NPU:n yhteenlaskettua tehoa, ei pelkän NPU:n suorituskykyä. Tämä johtaa helposti ylimitoitettuihin odotuksiin siitä, mitä NPU yksinään pystyy tekemään.
• Asennat tavallisen pip install onnxruntime -paketin ja ihmettelet, miksi NPU ei koskaan aktivoidu. Peruspaketti sisältää vain CPU-suoritusympäristön. Tarvitset erikseen OpenVINO-integraation tai Intelin oman jakelun, jotta NPU tulee edes näkyviin käytettävissä olevien laitteiden listalle.
• Unohdat tarkistaa BIOS-asetukset. Osassa yrityskoneita NPU on oletuksena pois päältä hallinnollisista syistä, ja käyttöjärjestelmä ei tällöin näytä minkäänlaista virheilmoitusta, koska laite ei yksinkertaisesti ole olemassa käyttöjärjestelmän näkökulmasta.
• Oletat, että suositut sovellukset kuten Ollama tai LM Studio käyttävät NPU:ta automaattisesti. Syyskuussa 2026 ne reitittävät oletuksena GPU:lle tai CPU:lle, eikä tätä käyttäytymistä voi muuttaa sovelluksen omista asetuksista, koska NPU-tuki puuttuu vielä niiden ajomoottorista.
• Ajat raskaita, reaaliaikaisia kielimalleja NPU:lla ja pettyt hitauteen, vaikka tehtävä sopisi paremmin GPU:lle. Tämä on yksi yleisimmistä syistä, miksi ihmiset päättelevät virheellisesti, ettei NPU toimi lainkaan, vaikka se toimii aivan odotetusti, vain väärään tehtävään sovellettuna.
• Jätät ajurin päivittämättä valmistajan omalla työkalulla ja luotat pelkkään Windows Update -jakeluun, joka ei aina sisällä uusinta NPU-ajuria heti sen julkaisun jälkeen.
• Unohdat lämmittelykierroksen benchmarkissa. Ensimmäinen ajo sisältää mallin kääntökustannuksen (compile-vaihe), joka vääristää tulokset merkittävästi ilman erillistä warm-up-kutsua ennen varsinaista mittausta.
• Sekoitat NPU-käytön ja NPU-läsnäolon. Se, että Tehtävienhallinnassa näkyy NPU-välilehti, ei tarkoita, että mikään ohjelma juuri nyt käyttää sitä. Välilehden olemassaolo kertoo vain, että laitteisto ja ajuri on tunnistettu oikein.

Vianetsintä: kahdeksan yleisintä ongelmaa ja ratkaisu

Jos jokin edellä kuvatuista vaiheista ei toiminut odotetusti, seuraava taulukko kokoaa yleisimmät oireet, niiden todennäköisimmän syyn ja suoran ratkaisun. Käy taulukko läpi ylhäältä alas, sillä ongelmat usein kasautuvat: BIOS-asetuksen puuttuminen aiheuttaa myös ajuri- ja Tehtävienhallinta-ongelmia, joten juurisyyn korjaaminen ratkaisee usein useamman oireen kerralla.

Ongelma	Todennäköisin syy	Ratkaisu
NPU ei näy Tehtävienhallinnassa	Windows liian vanha tai ajuri puuttuu	Päivitä 24H2/25H2-versioon ja asenna uusin NPU-ajuri
NPU näyttää jatkuvasti 0 %	Sovellus reitittää laskennan GPU:lle/CPU:lle	Tarkista providerin valinta koodissa, katso vaihe 7
Laite ei enumeroidu laitehallinnassa	BIOS-asetus pois päältä tai puuttuva IOMMU-tuki	Tarkista BIOS: ota NPU ja VT-d/IOMMU käyttöön
OpenVINOExecutionProvider puuttuu listasta	OpenVINO-toolkit asentamatta väärässä ympäristössä	Asenna pip install openvino samaan venv:iin kuin onnxruntime
Skripti kaatuu “device not found” -virheeseen	NPU-ajuri ei ole ladattu käyttöjärjestelmässä	Käynnistä laite uudelleen laitehallinnasta, katso vaihe 3
NPU pyörii jatkuvasti taustalla ilman syytä	Windowsin oma AI-palvelu (esim. WSAIFabricSvc) aktiivinen	Tarkista taustapalvelut, sammuta tarpeeton palvelu tarvittaessa
Ajastettu tehtävä ei löydä NPU-tukea	Ajastin käyttää väärää Python-tulkkia	Osoita tehtävä suoraan venv:in python.exe-poluun
Tulokset eroavat suuresti eri ajokerroilla	Puuttuva lämmittelykierros benchmarkissa	Lisää yksi “hukkakutsu” ennen mittausta, katso vaihe 9

NPU vs. GPU vs. CPU: milloin kannattaa käyttää mitäkin

Tähän mennessä kerätyt tulokset piirtävät selkeän kuvan kolmesta laskentayksiköstä. NPU voittaa silloin, kun tavoite on pieni, jatkuva, taustalla pyörivä tehtävä, jossa virrankulutus ja lämmöntuotto ovat tärkeämpiä kuin absoluuttinen nopeus. GPU voittaa silloin, kun käyttäjä odottaa vastausta heti, kuten kielimallikeskustelussa tai kuvan generoinnissa. CPU jää varapolulle tilanteisiin, joissa kumpaakaan erikoistunutta yksikköä ei ole saatavilla tai ajuritukea ei löydy.

Käytännön esimerkki: jos rakennat sovelluksen, joka sumentaa videopuhelun taustan koko kokouksen ajan, NPU on oikea valinta, koska tehtävä on kevyt mutta jatkuva. Jos taas rakennat chatbotin, joka vastaa käyttäjän kysymyksiin reaaliajassa, GPU tuottaa paremman käyttökokemuksen, koska 3–5-kertainen nopeusero näkyy suoraan vasteajassa. Tämä jako ei ole ehdoton sääntö, vaan lähtökohta, josta kannattaa aloittaa oman sovelluksen suunnittelu.

Kolmas, usein unohdettu vaihtoehto on hybridimalli, jossa sama sovellus käyttää eri laskentayksiköitä eri tilanteissa. Esimerkiksi videopuhelusovellus voi ajaa taustan sumennuksen jatkuvasti NPU:lla, mutta siirtää raskaamman, harvemmin tarvittavan toiminnon, kuten taustan täydellisen vaihdon tekoälyllä generoituun kuvaan, hetkellisesti GPU:lle. Tällainen jako vaatii enemmän suunnittelutyötä, mutta tuottaa parhaan tasapainon akunkeston ja käyttökokemuksen välillä, mikä on juuri se lupaus, jonka Copilot+ PC -konsepti alun perin antoi.

Käyttötapaus	Suositeltu yksikkö	Peruste
Taustan sumennus videopuhelussa	NPU	Kevyt, jatkuva, alhainen tehonkulutus
Reaaliaikainen tekstitys	NPU	Pieni malli, jatkuva taustaprosessi
Paikallinen kielimallikeskustelu	GPU	Käyttäjä odottaa nopeaa vastausta
Kuvien massaluokittelu ajastettuna yöllä	NPU tai CPU	Ei kiirettä, virransäästö tärkeämpää
Kuvan generointi tekstistä	GPU	Raskas laskenta, nopeus ratkaisee kokemuksen

Edistyneet vinkit tehokäyttäjille

Kun perusasennus on kunnossa, seuraavat vinkit auttavat puristamaan NPU:sta enemmän irti ja välttämään turhia yllätyksiä.

1. Käytä kvantisoituja malleja. NPU:t on suunniteltu INT8-tarkkuudelle, joten FP32-mallin kvantisointi INT8-muotoon Optimum-kirjastolla voi tuoda merkittävän nopeusloikan ilman havaittavaa tarkkuuden heikkenemistä useimmissa tehtävissä.
2. Seuraa lämpötilaa rinnakkain. Vaikka NPU on tehokas, pitkäkestoinen jatkuva kuorma nostaa silti kotelon lämpötilaa. Lisää HWiNFO tai vastaava taustaseuranta, jos ajat NPU:ta tuntikausia.
3. Testaa OpenVINOn “AUTO”-laitevalinta. Sen sijaan että pakotat NPU:n tai GPU:n, OpenVINO osaa valita automaattisesti parhaan saatavilla olevan laitteen kullekin kutsulle, mikä helpottaa siirrettävyyttä eri konfiguraatioiden välillä.
4. Pidä ajurit ja OpenVINO-toolkit synkronoituna. Intelin OpenVINO-dokumentaatio korostaa, että ONNX Runtimen OpenVINO Execution Provider tukee vain kolmea viimeisintä OpenVINO-julkaisua, joten liian vanha tai liian uusi yhdistelmä voi rikkoa yhteensopivuuden. Vastaavat vaatimukset koskevat DirectML Execution Provideria, joka on toinen yleinen reitti GPU/NPU-kiihdytykseen Windowsissa.
5. Mittaa aina omalla mallillasi. Yleiset benchmark-luvut eivät kerro, miten juuri sinun mallisi käyttäytyy, koska NPU-suorituskyky vaihtelee mallin arkkitehtuurin ja operaattoreiden tuen mukaan huomattavasti.
6. Seuraa OpenVINOn julkaisumuistiinpanoja säännöllisesti. OpenVINO 2026.3 lisäsi tuen useille uusille pienille kielimalleille NPU:lla ja GPU:lla samanaikaisesti, joten malli, joka ei toiminut NPU:lla puoli vuotta sitten, saattaa toimia nyt suoraan ilman erillistä muunnostyötä.

Miksi tämä kannattaa Suomessa ja Pohjoismaissa

Paikallinen tekoälylaskenta NPU:lla ei ole vain nörttihupia, vaan se ratkaisee kaksi konkreettista ongelmaa, jotka korostuvat pohjoismaisessa toimintaympäristössä. Ensimmäinen on tietosuoja: kun kuva- tai tekstidata pysyy koko ajan omalla laitteella eikä kulje pilvipalveluun, GDPR-vaatimusten täyttäminen helpottuu huomattavasti, erityisesti julkishallinnon ja terveydenhuollon organisaatioissa, joissa henkilötietojen käsittely on tiukasti säädeltyä. Toinen syy on sähkön hinta ja saatavuus: koska NPU kuluttaa murto-osan GPU:n virrasta samaan tehtävään, se sopii erityisen hyvin kannettaviin, joita käytetään akulla pitkiä työpäiviä talven pimeinä kuukausina, jolloin latauspisteitä ei aina ole käsillä.

Suomalaisille ja pohjoismaisille yrityksille, jotka harkitsevat Copilot+ PC -laitteiston hankintaa laajemmin, kannattaa ottaa tässä oppaassa esitelty testausprosessi osaksi laitehankinnan pilottivaihetta. Ajamalla oma tyypillinen työkuorma sekä NPU:lla että GPU:lla ennen isompaa hankintaa saadaan realistinen kuva siitä, tuoko NPU todellista hyötyä vai onko kyse pelkästä markkinointitermistä hankintapäätöksessä.

Etätyö ja hybridimallit ovat edelleen arkipäivää suomalaisissa ja pohjoismaisissa organisaatioissa, ja juuri videopuheluiden taustan sumennus, äänen kohinanpoisto ja reaaliaikainen tekstitys ovat esimerkkejä toiminnoista, jotka sopivat NPU:lle erinomaisesti: ne pyörivät koko työpäivän ajan, mutta yksittäinen laskentatehtävä on kevyt. Kun tällaiset toiminnot siirretään GPU:lta NPU:lle, kannettavan tuuletin pysyy hiljaisempana ja akku kestää pidempään ilman, että käyttäjä huomaa mitään eroa lopputuloksen laadussa.

On myös syytä muistaa, että NPU-tuki kehittyy nopeasti. Se, mikä ei toimi tänään, saattaa toimia muutaman kuukauden kuluttua ilman että itse laitteistoa tarvitsee vaihtaa. Kannattaa siis pitää sekä Windowsin, ajureiden että OpenVINO/ONNX-työkalujen versiot ajan tasalla ja tarkistaa aika ajoin, ovatko suosituimmat paikallisen tekoälyn sovellukset lisänneet natiivin NPU-tuen, sillä tämä osa ekosysteemistä muuttuu tällä hetkellä kuukausitasolla.

Usein kysytyt kysymykset

Mikä on Copilot+ PC:n virallinen NPU-vaatimus?

Microsoftin virallinen vaatimus on NPU, joka yltää vähintään 40 biljoonaan operaatioon sekunnissa (40+ TOPS), yhdessä vähintään 16 Gt keskusmuistin ja 256 Gt tallennustilan kanssa Windows 11 -käyttöjärjestelmällä.

Miksi NPU näyttää 0 % käytön, vaikka ajan tekoälysovellusta?

Suurin osa suosituista paikallisen tekoälyn sovelluksista, kuten Ollama, LM Studio ja AnythingLLM, reitittää laskennan oletuksena GPU:lle tai CPU:lle syyskuussa 2026. NPU-tuki näissä sovelluksissa on yhä osittaista, joten 0 % käyttö on usein normaali tila, ei virhe.

Onko NPU nopeampi kuin GPU?

Ei yleensä. Julkisten mittausten mukaan integroitu GPU on tyypillisesti noin 3–5 kertaa nopeampi kuin NPU samassa tehtävässä. NPU:n etu on huomattavasti pienempi tehonkulutus, ei raakanopeus.

Toimiiko tämä opas myös AMD Ryzen AI -kannettavissa?

Kyllä, periaatteet ovat samat. Ajurin lataat AMD:n tai kannettavan valmistajan sivulta Intelin ajurin sijaan, mutta Tehtävienhallinnan tarkistus, OpenVINO/ONNX-koodi ja vertailumenetelmä toimivat samalla tavalla molemmilla alustoilla. Suurin käytännön ero on se, että Intel-koneilla OpenVINO Execution Provider on tällä hetkellä kypsin reitti NPU:lle, kun taas AMD-koneilla joudut usein tukeutumaan enemmän DirectML-pohjaisiin ratkaisuihin, koska AMD:n oma NPU-suoritinympäristö on vielä varhaisemmassa kehitysvaiheessa Windows-puolella.

Tarvitseeko pöytätietokoneessani olla NPU?

Useimmissa nykyisissä työpöytäsiruissa, kuten Intelin Arrow Lake -malleissa, NPU jää noin 13 TOPS:iin, mikä ei täytä Copilot+-rajaa. Jos et tarvitse sertifioituja Copilot+-ominaisuuksia, tämä ei ole este, mutta osa tässä oppaassa kuvatuista toiminnoista vaatii 40+ TOPS -tason NPU:n toimiakseen täysimääräisesti.

Mistä tiedän, onko OpenVINO-versioni yhteensopiva ajurini kanssa?

Intelin NPU-ajuri 32.0.100.5540 on suunniteltu toimimaan yhdessä OpenVINO 2026.3.1.0:n kanssa. Yleissääntönä ONNX Runtimen OpenVINO Execution Provider tukee kolmea viimeisintä OpenVINO-julkaisua, joten pidä molemmat komponentit ajan tasalla samaan aikaan.

Voiko NPU:ta käyttää Linuxissa?

OpenVINO Toolkit tukee Linuxia, macOS:ää ja Windowsia, mutta NPU-ajurituki ja Tehtävienhallinnan kaltainen valvontatyökalu ovat tällä hetkellä kypsimpiä nimenomaan Windows 11:ssä, koska Copilot+ PC -ekosysteemi on rakennettu ensisijaisesti sen ympärille.

Kannattaako NPU-projekti aloittaa kokonaan tyhjästä koodista?

Ei välttämättä. Tämän oppaan vaiheen 11 kuvaluokitteluprojekti toimii hyvänä pohjana, jota voi laajentaa korvaamalla mallin ja syötelogiikan omaan tarpeeseen sopivaksi ilman että koko putkea tarvitsee suunnitella alusta asti uudelleen. Sama runko sopii esimerkiksi asiakirjojen automaattiseen luokitteluun, tuotekuvien tarkistukseen tai yksinkertaiseen kasvojen tunnistukseen, kunhan vaihdat mallin ja säädät esikäsittelyvaiheen vastaamaan uuden mallin odottamaa syötemuotoa.