GUIDE Technique

GPU vs TPU pour l'IA

Les GPU et les TPU sont les deux principales familles de puces utilisées pour entraîner et exécuter des modèles d'IA modernes.

Écoutez ce guideNarré par l'IA · ~8 min

Sur cette page9 minutes de lecture
  1. Aperçu
  2. Points clés à retenir
  3. Plongée profonde
  4. Décider si une couche est liée au calcul ou à la mémoire
  5. Mise en œuvre dans le monde réel
  6. L'avenir du GPU par rapport au TPU pour l'IA
  7. Le mettre en pratique
  8. Sources et lectures complémentaires
  9. Continuez à explorer
  10. Questions fréquemment posées

Aperçu

Les GPU, dirigés par NVIDIA, sont des processeurs parallèles programmables dotés d'un très vaste écosystème logiciel, tandis que les TPU sont des puces personnalisées de Google construites autour de grandes unités de multiplication matricielle et louées via le cloud Google. Le meilleur choix dépend du modèle, de la pile logicielle et de l’ampleur du travail.

Points clés à retenir

  1. Un TPU est un ASIC conçu par Google et construit autour d'unités matricielles systoliques, tandis qu'un GPU est un processeur parallèle programmable avec des cœurs Tensor pour les mathématiques matricielles.
  2. Google utilise des TPU dans ses centres de données depuis 2015, et la première puce était une conception d'inférence uniquement de 8 bits avec une unité matricielle de 65 536 cellules.
  3. Les chiffres de débit du tenseur H100 de NVIDIA sont indiqués avec une parcimonie structurée, de sorte que le débit dense est environ la moitié du chiffre global.
  4. Les propres conseils de Google privilégient les TPU pour les grands modèles à matrice lourde avec de gros lots et les GPU pour les modèles avec de nombreuses opérations personnalisées.
  5. Ironwood, annoncé en avril 2025, est le premier TPU de Google conçu spécifiquement pour l'inférence, avec 192 Go de mémoire par puce.

Plongée profonde

A graphics processing unit (GPU) is a chip with many small arithmetic cores that was first built to draw pixels in parallel and was later opened up for general computing. A tensor processing unit (TPU) is an application-specific integrated circuit (ASIC), meaning a chip designed for one class of work, that Google built to accelerate neural networks. Both speed up the same central operation of deep learning, multiplying large grids of numbers called matrices, but they make different trade-offs. GPUs keep broad programmability and are sold to anyone; TPUs trade some flexibility for dense matrix throughput and energy efficiency, and outside Google they are rented through Google Cloud rather than bought.

A modern NVIDIA data-center GPU is a collection of streaming multiprocessors (SMs), each of which runs many threads at once. NVIDIA's Hopper architecture write-up says the H100 SXM5 has 132 SMs with four Tensor Cores each, 528 in total. A Tensor Core is a block that performs a small matrix multiply-accumulate in one step at reduced precision. Hopper adds a Transformer Engine that chooses, layer by layer, between 8-bit floating point (FP8) and 16-bit math. The chip has 80 billion transistors on TSMC's 4N process. Programmers reach all of this through NVIDIA's CUDA programming model, and frameworks such as PyTorch call CUDA libraries for them, which is why most published research code runs on GPUs with no changes.

A TPU puts most of its silicon into matrix units (MXUs) arranged as a systolic array, a grid of multiply-accumulate cells that pass numbers to their neighbors on every clock tick so data flows through the grid instead of going back to memory after each step. Google Cloud's architecture page says MXUs are 128 by 128 cells on TPU v5p and earlier, about 16,000 multiply-accumulates per cycle, and 256 by 256 on TPU v6e and the seventh generation. Each TensorCore on the chip also has a vector unit for operations such as activations and softmax and a scalar unit for control flow. Programs do not target the chip directly: the XLA compiler turns the linear-algebra parts of a JAX, TensorFlow or PyTorch graph into TPU machine code, and the rest runs on the host computer. Chips are wired into slices and pods by a dedicated inter-chip interconnect (ICI).

The history explains the split. The first TPU paper, presented at ISCA 2017, describes an inference-only chip in service since 2015 with a 65,536-cell 8-bit matrix unit, 92 trillion operations per second at peak and 28 MiB of on-chip memory. Its authors report that it ran about 15 to 30 times faster than a contemporary NVIDIA K80 GPU or Intel Haswell CPU on Google's production workloads, with 30 to 80 times better performance per watt. Later generations added training. Google's bfloat16 article explains that TPU v2 and v3 multiply in bfloat16, a 16-bit format with the same 8-bit exponent as 32-bit floats, and accumulate in 32-bit precision. The 2023 TPU v4 paper describes a 4,096-chip supercomputer linked by optical circuit switches and reports it 1.2 to 1.7 times faster than an NVIDIA A100 system of similar size while using 1.3 to 1.9 times less power. In April 2025 Google announced Ironwood, quoting 4,614 peak FP8 teraflops and 7.37 TB/s of memory bandwidth per chip and 42.5 exaflops for a 9,216-chip pod.

Comparing headline numbers needs care. NVIDIA lists the H100 SXM at 3,958 FP8 teraflops and 1,979 BF16 teraflops, but those figures assume structured sparsity, a pattern in which half the weights are zero; the Hopper write-up confirms sparsity doubles the dense rate, so dense FP8 is about half the listed figure. Google's pod figures are theoretical peaks, and vendor benchmarks are chosen by the vendor. The TPU v4 versus A100 comparison, for example, comes from Google's own paper. Real speed depends on how well a model keeps the matrix units busy, how much data moves between chips and how mature the compiler is for that model. Independent tests on the actual workload are the only reliable guide.

Google's own guidance is a useful decision rule. Its introduction to Cloud TPU recommends TPUs for models dominated by matrix math, models without custom operations inside the training loop, models that train for weeks or months, large models with large batch sizes, and models with very large embeddings such as ranking and recommendation. It recommends GPUs for models with many custom PyTorch or JAX operations, models that use operations TPUs do not support, and medium to large models. It recommends CPUs for quick prototypes, small models and jobs limited by input or network speed. It also lists what TPUs handle poorly: code with frequent branching, many element-wise operations, high-precision arithmetic, and custom operations in the main loop.

Each option also has failure modes. On TPUs, shapes that do not tile neatly onto the 128 or 256 grid waste capacity, and the same Google page notes memory performs best with dimensions that are multiples of 8. Every program must pass through the XLA compiler, so debugging relies on compiler tools rather than the CUDA profilers most practitioners already know. On GPUs, peak throughput also depends on using Tensor Core-friendly precisions and shapes, and multi-GPU training relies on fast links such as NVLink, which tops out at 900 GB/s per H100. Lock-in cuts both ways: CUDA code does not run on TPUs, and TPU access is limited to Google's cloud and Google's own products.

In practice the requirements differ more than the arithmetic. A GPU can be bought, rented from many clouds or installed in a workstation, and an H100 SXM draws up to 700 W. A TPU is reached through Google Compute Engine, Google Kubernetes Engine or Google's managed AI platform, and large jobs are sized in slices of chips; Google says a full Ironwood pod draws nearly 10 megawatts. For a small team, the deciding questions are usually which framework the code already uses, whether it relies on custom kernels, and which provider offers the needed capacity at an acceptable price on the day.

04Exemple travaillé

Décider si une couche est liée au calcul ou à la mémoire

  1. Choisissez une couche, par exemple une matrice de poids de 4 096 x 4 096 appliquée à un lot de 8 jetons dans bfloat16.

  2. Opérations de comptage : 2 x 8 x 4 096 x 4 096, soit environ 268 millions d'opérations à virgule flottante.

  3. Compter les octets déplacés : les poids à eux seuls sont de 4 096 x 4 096 x 2 octets, soit environ 33,5 millions d'octets, plus les petites entrées et sorties.

  4. Divisez pour obtenir l’intensité arithmétique : environ 8 opérations par octet.

  5. Calculez le point d'équilibre de la puce : débit dense du BF16 divisé par la bande passante mémoire, environ 989 000 milliards divisé par 3 350 milliards, soit environ 295 opérations par octet pour un H100 SXM.

  6. Comparez : 8 est bien inférieur à 295, cette couche est donc limitée à la mémoire, et augmenter le lot à plusieurs centaines de jetons le déplacerait vers la limite de calcul.

Ce que ça montre

L'apprenant se retrouve avec une simple estimation de la ligne de toit qui prédit si une arithmétique plus rapide ou une plus grande bande passante mémoire sera utile. Cela peut être vérifié en chronométrant la couche à des tailles de lots de 8, 64 et 512 et en observant le débit augmenter jusqu'à ce qu'il s'aplatisse près de la limite de calcul.

Mise en œuvre dans le monde réel

Google utilise des TPU dans ses propres centres de données depuis 2015. L'article ISCA de 2017 sur la puce de première génération indique qu'elle servait des réseaux neuronaux de production représentant environ 95 % de la demande d'inférence du centre de données de Google à l'époque.

Les équipes qui s'entraînent dans PyTorch avec du code CUDA personnalisé utilisent généralement des GPU NVIDIA H100, dont la version SXM associe 80 Go de mémoire à 3,35 To/s avec des connexions NVLink de 900 Go/s entre GPU.

Les modèles de recommandation et de classement avec d'énormes tables d'intégration sont un ajustement TPU documenté. L'article TPU v4 rapporte que ses SparseCores accélèrent l'intégration de modèles lourds de 5 à 7 fois tout en utilisant environ 5 % de la surface et de la puissance de la puce.

Google a conçu son TPU de septième génération, Ironwood, annoncé en avril 2025, spécifiquement pour l'inférence sur des modèles à grand langage et mélange d'experts, avec 192 Go de mémoire à large bande passante par puce et des pods pouvant contenir jusqu'à 9 216 puces.

Un H100 peut être divisé en sept tranches GPU multi-instances isolées de 10 Go chacune, de sorte qu'une carte peut héberger plusieurs petits services d'inférence ou ordinateurs portables d'étudiant en même temps.

L'avenir du GPU par rapport au TPU pour l'IA

L’écart entre les deux modèles s’est réduit. Les GPU ont ajouté du matériel matriciel dédié et des formats de moindre précision, et les TPU ont ajouté des mémoires plus grandes, des cœurs à charge de travail clairsemée et la prise en charge de PyTorch via XLA. L'annonce d'Ironwood faite par Google en avril 2025 a présenté le tout nouveau TPU comme construit d'abord à des fins d'inférence, reflétant la manière dont le service aux grands modèles, et non seulement leur formation, détermine désormais la conception des puces. Le matériau Hopper de NVIDIA fait un argument similaire avec son moteur Transformer pour FP8. Les problèmes ouverts concernent principalement les systèmes plutôt que les puces uniques. Les gros travaux répartis sur des milliers d'accélérateurs sont limités par la bande passante d'interconnexion, la capacité de mémoire et la fourniture d'énergie ; le document TPU v4 affirme que la commutation de circuits optiques maintenait la mise en réseau à moins de 5 % du coût du système, tandis qu'un module Ironwood complet est estimé à près de 10 mégawatts. La portabilité des logiciels est l’autre question ouverte. Les compilateurs tels que XLA visent à permettre à un modèle de s'exécuter sur de nombreux back-ends, mais les noyaux personnalisés lient toujours le code à un fournisseur. Les comparaisons publiées continueront probablement à provenir principalement des fournisseurs. Les lecteurs doivent rechercher des chiffres denses plutôt que clairsemés, une précision correspondante, une taille de système égale et des charges de travail complètes de bout en bout avant de considérer toute réclamation d'accélération comme réglée.

Le mettre en pratique

Pourquoi c'est important

  • Coût et budget. Les décisions en matière d'architecture déterminent les performances et les coûts d'exploitation pendant des années.
  • Décisions plus claires. La formation technique aide les équipes à choisir la bonne pile, pas seulement la plus récente.
  • Contrôle qualité. De meilleurs choix d’ingénierie réduisent les incidents de fiabilité en production.

Attention à

  • L’optimisation d’un benchmark peut masquer des faiblesses plus larges du système.
  • Les coûts d’infrastructure et de maintenance sont souvent sous-estimés.
  • Les lacunes en matière de sécurité et d’observabilité peuvent se creuser à mesure que les systèmes deviennent plus complexes.

Prochaines étapes

  1. Définissez les objectifs de latence, de qualité et de coût avant la mise en œuvre.
  2. Benchmark dans des conditions de charge et de données réalistes.
  3. Surveillance des instruments pour détecter les erreurs, la dérive et l'impact sur l'utilisateur.
  4. Préparez les chemins de restauration et de réponse aux incidents avant la mise à l’échelle.

Sources et lectures complémentaires

  1. arXiv (ISCA 2017)Analyse des performances dans le centre de données d'une unité de traitement tensoriel
  2. arXiv (ISCA 2023)TPU v4 : un supercalculateur optiquement reconfigurable pour l'apprentissage automatique avec prise en charge matérielle pour les intégrations
  3. Google CloudPrésentation de Cloud TPU
  4. Google CloudArchitecture TPU
  5. GoogleIronwood : le premier TPU Google pour l’ère de l’inférence
  6. Google Cloud BlogBFloat16 : le secret des hautes performances sur les Cloud TPU
  7. NVIDIAGPU à noyau tenseur NVIDIA H100
  8. NVIDIA Technical BlogArchitecture de la trémie NVIDIA en profondeur

Continuez à explorer

Newsletter gratuite

Recevez le briefing quotidien sur l'IA

Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.

Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.

Testez-vous

Répondez au quiz GPU vs TPU pour l'IA

Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.

Démarrer le quiz

Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don

Questions fréquemment posées

Qu'est-ce que le GPU ou le TPU pour l'IA ?

Les GPU et les TPU sont les deux principales familles de puces utilisées pour entraîner et exécuter des modèles d'IA modernes. Les GPU, dirigés par NVIDIA, sont des processeurs parallèles programmables dotés d'un très vaste écosystème logiciel, tandis que les TPU sont des puces personnalisées de Google construites autour de grandes unités de multiplication matricielle et louées via le cloud Google. Le meilleur choix dépend du modèle, de la pile logicielle et de l’ampleur du travail.

Quels frameworks le guide répertorie-t-il comme étant pris en charge pour les charges de travail Cloud TPU ?

La documentation Google Cloud décrit la prise en charge de TPU via JAX, TensorFlow et PyTorch/XLA, de sorte que les flux de travail TPU ne sont pas limités à un seul framework.

Qui conçoit le TPU ?

L'unité de traitement Tensor est une puce personnalisée (ASIC) conçue par Google spécifiquement pour les charges de travail des réseaux neuronaux.

Quelle structure matérielle de base rend les TPU efficaces pour la multiplication matricielle ?

Les TPU utilisent un tableau systolique dans lequel les données circulent à travers une grille de cellules à accumulation multiple, transmettant les résultats directement entre elles et réduisant le trafic mémoire.

Quels facteurs système peuvent affecter une comparaison des performances GPU/TPU ?

Le guide indique que les performances relatives dépendent du modèle, du framework, de la génération de matériel, de la mémoire, des interconnexions, de l'utilisation et de l'environnement de déploiement.

Quelle est la force pratique des GPU par rapport aux TPU pour de nombreuses équipes ?

CUDA et ses bibliothèques prennent en charge un large éventail de flux de travail GPU, mais la meilleure plate-forme dépend du logiciel, de la charge de travail et des performances mesurées du système.