Inicio › Tecnología › Unidad De Procesamiento Tensorial
Circuito integrado de aplicación específica diseñado por Google para acelerar las operaciones matriciales masivas qué dominan el entrenamiento y la inferencia de redes neuronales, en particular las multiplicaciones de tensores qué las CPU y GPU de propósito general ejecutan de forma menos eficiente. A diferencia de una GPU, qué mantiene flexibilidad para gráficos y cómputo científico diverso, este tipo de chip sacrifica esa versatilidad a cambio de un diseño optimizado casi exclusivamente para álgebra lineal de baja precisión, organizado en arrays sistólicos qué encadenan cálculos sin pasar constantemente por memoria. Se ofrece principalmente como servicio en la nube de Google Cloud, donde entrena modelos de gran escala en clústeres interconectados con redes de muy alta velocidad.
Es un chip pensado específicamente para hacer muy rápido el tipo de cálculo matemático, multiplicar matrices de números, qué usan los modelos de inteligencia artificial para aprender y responder. No sirve para jugar ni para tareas normales de ordenador, pero en su tarea concreta es mucho más eficiente qué un procesador o una tarjeta gráfica genéricos.
Un equipo qué entrena un modelo de lenguaje grande desde cero puede alquilar un clúster de estas unidades en Google Cloud en vez de comprar GPU propias, reduciendo el tiempo de entrenamiento de semanas a días gracias al paralelismo del hardware especializado, aunque para tareas de inferencia puntual o desarrollo con pocos recursos suele salir más rentable una GPU convencional.
No como componente de consumo: se ofrecen principalmente como servicio en la nube de Google, aunque existen versiones reducidas, llamadas Edge TPU, para dispositivos embebidos con IA ligera.
No, fuera de cargas de IA basadas en tensores una GPU sigue siendo más versátil para gráficos, simulaciones físicas o software qué no está optimizado específicamente para este hardware.
Una CPU procesa instrucciones de forma más secuencial y generalista; este chip paraleliza miles de multiplicaciones simultáneas gracias a su arquitectura de array sistólico, hecha a medida para ese patrón de cálculo.