Más allá de la velocidad: cómo funcionan los chips TPU de Google y hacia dónde van

En abril de 2026, Google presentó la octava generación de sus Unidades de Procesamiento de Tensores (TPU). Por primera vez, la compañía las divide en dos chips con funciones distintas en lugar de uno solo de propósito general: el TPU 8t y el TPU 8i.

El TPU 8t está pensado para tareas limitadas por capacidad de cómputo. Ofrece mucha potencia de cálculo en paralelo, más capacidad de multiplicación y redes de varios chips de mayor escala para procesar grandes conjuntos de datos. El TPU 8i es el complemento para tareas limitadas por memoria. Sacrifica parte de los clústeres de cómputo para triplicar la memoria SRAM integrada en el chip, lo que permite a los modelos responder con una latencia cercana a cero. Según la ingeniera de validación de silicio de Marvell Technology Hibah Khan, autora del análisis en que se basa esta nota, el cambio permite a Google optimizar sus centros de datos en la nube y reducir el costo de ejecutar modelos de IA.

De uso interno a negocio externo

Los TPU se usaron durante años para productos propios de Google, como Search y YouTube. Esa orientación cambió con el director ejecutivo de Google Cloud, Thomas Kurian, que impulsa su oferta a clientes externos como Anthropic, Meta, Apple y OpenAI. Según proyecciones de analistas citadas en el texto, los envíos de TPU pasarían de 2,76 millones de unidades en 2024 a unos 9 millones en 2027.

Qué es un TPU y en qué se diferencia

Un TPU es un circuito integrado de aplicación específica (ASIC) diseñado para acelerar cargas de trabajo de IA y aprendizaje automático. Las CPU son buenas para el cómputo secuencial general, pero no para procesar datos en paralelo a gran escala. Las GPU ofrecen mucho más paralelismo, pero según Khan muestran limitaciones a medida que crecen los datos.

Google desarrolló hardware específico para inferencia. El primer TPU usaba aritmética de enteros de 8 bits y una matriz dedicada al procesamiento matricial, lo que reducía la sobrecarga de los procesadores flexibles. Un año después, un experimento interno mostró un rendimiento de 15 a 30 veces mayor y una eficiencia por vatio de 30 a 80 veces mayor que muchas CPU y GPU de la época.

Cómo está construido

En lugar de núcleos de propósito general, los TPU emplean una retícula de miles de unidades aritmético-lógicas de multiplicación-acumulación, hechas para multiplicar matrices. El motor central es la unidad de multiplicación de matrices (MXU), que usa un arreglo sistólico: calcula y transmite datos de forma rítmica entre elementos vecinos. Unidades vectoriales y escalares se ocupan de otras operaciones, como funciones de activación y normalización. Junto con la MXU forman un TensorCore, y cada chip de la octava generación tiene dos.

La memoria combina HBM (memoria de alto ancho de banda) con búferes dentro del chip. Esa jerarquía busca atenuar el llamado cuello de botella de von Neumann al reducir los movimientos de datos entre el procesador y la memoria. Algunos TPU incluyen además SparseCores, que aceleran operaciones dispersas, como la consulta de entradas en tablas de incrustaciones (embeddings).

Qué dice la evidencia independiente

Un estudio de Harvard comparó el TPU v2, la GPU NVIDIA V100 y una CPU Intel Skylake con redes neuronales y cargas sintéticas. El TPU superó a la GPU en el 62 % de las configuraciones de redes totalmente conectadas. Los lotes grandes de datos se ajustan bien a los arreglos sistólicos, mientras que los lotes pequeños favorecieron la planificación de warps de las GPU.

En redes convolucionales, el TPU v2 logró un rendimiento de entrenamiento muy superior al de una sola V100. Pero cuando crecía el tamaño de los modelos, y no el de los lotes, la ventaja pasaba a la GPU, que tenía más capacidad y ancho de banda de memoria. Khan subraya que el resultado refleja los sistemas probados y que modelos más nuevos podrían variar. La conclusión que destaca es que cada arquitectura implica concesiones y que los TPU se optimizan cada vez más para ciertos tipos de red, tamaños de modelo y lotes.

El mercado: Meta, Anthropic y la competencia

Tras el acuerdo ampliado con Anthropic, Meta cerró un contrato multimillonario para alquilar TPU de Google. A fines de octubre de 2026, según el texto, Meta confirmó que ejecutaba cargas de inferencia en TPU en producción real.

Google también amplía su oferta de silicio con las CPU Axion y una arquitectura integrada de «hipercomputadora» de IA. Los TPU quedan como parte de un entorno con varios aceleradores, junto a las GPU Blackwell de NVIDIA, CPU propias y redes de alto rendimiento. En diciembre de 2025, Morgan Stanley proyectó una producción de 7 millones de TPU en 2028, frente a unos 3 millones de estimaciones previas.

Para Khan, la oportunidad va más allá de fabricar más chips: el rendimiento depende del tamaño de los lotes, la reutilización de pesos y las demandas de memoria. A medida que evolucionen las cargas de IA, el reto será mantener el hardware ocupado de forma productiva.

Notas para el editor

• Posible conflicto de interés: Khan trabaja en Marvell Technology, empresa del sector de semiconductores. El texto original es un análisis técnico, no un reportaje con fuentes independientes. Conviene indicar su afiliación al publicar.
• Datos sin fuente directa: las cifras de envíos (2,76 millones en 2024 y 9 millones en 2027), la proyección de Morgan Stanley y el acuerdo de Meta se atribuyen a «analistas» o se dan sin enlace. Hay que contrastarlos con las fuentes originales. Las proyecciones de 9 millones (2027) y 7 millones (2028) provienen de fuentes distintas y no son directamente comparables.
• Confirmación de Meta: la afirmación de que Meta confirmó el uso en producción «a fines de octubre de 2026» es muy reciente respecto de hoy (29 de octubre) y no tiene fuente. Verifíquela antes de publicar.
• Comparación con el estudio de Harvard: probó el TPU v2 contra la V100, hardware de generaciones anteriores. No sirve para inferir el rendimiento de los TPU 8t y 8i. Lo suavicé en la nota, pero conviene mantener esa cautela. Además, el texto original no es del todo claro en el resultado de las redes totalmente conectadas (62 % de ventaja del TPU, pero la ventaja de la GPU al crecer el modelo).
• Inconsistencia de nomenclatura: el original escribe «TPUi y TPUt» en un punto y «TPU 8i y 8t» en otro. Usé «TPU 8i» y «TPU 8t».
• Cifras de 2016-2017: los datos de 15-30x y 30-80x provienen de un experimento interno de Google, no de una prueba independiente. El texto no da el año. Lo presenté como «un año después» del primer TPU.
• Referencia visual: el original menciona un diagrama del flujo de datos (CPU anfitriona, HBM, búfer, unidad vectorial) que no se incluyó. Si el medio lo permite, vale la pena pedir el gráfico.
• Redacción: la nota está parafraseada y traducida, sin citas textuales.

Puedo preparar una versión de 300 palabras, titulares alternativos o un recuadro explicativo sobre CPU, GPU y TPU para lectores no técnicos.

Seguiremos brindándote más información sobre este tema en las siguientes presentaciones físicas y digitales de Channel News Perú

Mantente conectado a nuestra plataforma de negocios y revista, haciendo clic aquí y suscribiéndote a nuestro newsletter para contenido de valor diario