ไขข้อสงสัยความต่างระหว่าง TPU และ GPU ชิปประมวลผลเบื้องหลังยุคปัญญาประดิษฐ์

ทำความรู้จักความแตกต่างระหว่าง TPU และ GPU ชิปประมวลผลสำคัญสำหรับงานปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง ทั้งในระดับดาต้าเซ็นเตอร์และอุปกรณ์พกพา

โลกเทคโนโลยีปัจจุบันเต็มไปด้วยชื่อย่อของชิปประมวลผลมากมาย เริ่มตั้งแต่ CPU และ GPU แบบดั้งเดิม ตามมาด้วย APU จาก AMD และ NPU บนสมาร์ตโฟนกับ AI PC ล่าสุด Google ได้นำเสนอชิปตัวใหม่อย่าง TPU เข้ามาสู่กระแสความสนใจอีกครั้ง หลังจากพัฒนาและใช้งานภายในองค์กรมาตั้งแต่ปี 2015

การทำความเข้าใจความแตกต่างระหว่างชิปเหล่านี้ไม่ใช่เรื่องง่าย เนื่องจากชื่อเรียกและการใช้งานมีความคาบเกี่ยวกันในหลายจุด โดยเฉพาะเมื่อ Google นำชื่อ TPU มาใช้เรียกชิปประมวลผลบนสมาร์ตโฟน Pixel 11 ซึ่งทำหน้าที่คล้ายกับ NPU ในการประมวลผลภาพและงาน AI ภายในเครื่อง ขณะที่ TPU ในดาต้าเซ็นเตอร์กลับมีสถาปัตยกรรมและขนาดที่แตกต่างออกไปอย่างสิ้นเชิง

TPU คืออะไรและใช้งานที่ไหนบ้าง

TPU หรือ Tensor Processing Unit คือชิปเร่งความเร็ว AI ที่ Google พัฒนาขึ้นมาเพื่อจัดการกับงานปัญญาประดิษฐ์และการเรียนรู้ของเครื่องบนระบบคลาวด์ภายในดาต้าเซ็นเตอร์ของบริษัท ชิปประเภทนี้ถูกปรับแต่งมาให้สามารถคำนวณทางคณิตศาสตร์นับล้านครั้งได้อย่างรวดเร็ว เพื่อรองรับโมเดล AI ขนาดใหญ่ระดับโลก

สินค้าแนะนำ

คอมพิวเตอร์และอุปกรณ์ไอที

เลือกดูคอมพิวเตอร์ โน้ตบุ๊ก และอุปกรณ์ไอทีที่เกี่ยวข้องบน Shopee

ดูสินค้าบน Shopee

ลิงก์นี้เป็นลิงก์ Affiliate เว็บไซต์อาจได้รับค่าคอมมิชชันจากการสั่งซื้อ โดยไม่มีค่าใช้จ่ายเพิ่มเติมสำหรับผู้ซื้อ

ความแตกต่างสำคัญของ TPU อยู่ที่สถาปัตยกรรมฮาร์ดแวร์ที่เรียกว่า Systolic Array ซึ่งยอมให้ข้อมูลไหลผ่านจากหน่วยหนึ่งไปยังอีกหน่วยหนึ่งในรูปแบบตาราง 2 มิติของตัวคูณ ช่วยกำจัดปัญหาคอขวดในการรับส่งข้อมูล ผลลัพธ์จากการคำนวณจะกลายเป็นข้อมูลขาเข้าสำหรับหน่วยถัดไปทันทีโดยไม่ต้องเขียนกลับไปที่หน่วยความจำเหมือนกับ GPU ทำให้ TPU เหมาะอย่างยิ่งกับการฝึกฝนโครงข่ายประสาทเทียมขนาดมหึมา

บทบาทของ NPU และ GPU ในยุคปัจจุบัน

NPU เป็นชิปที่เราพบได้ทั่วไปในสมาร์ตโฟน แล็ปท็อป และคอมพิวเตอร์ยุคใหม่ ทำหน้าที่จัดการงาน Generative AI และ Agentic AI เช่น การแก้ไขรูปภาพหรือการใช้งานแชทบอต สำหรับ Pixel 11 ทาง Google ระบุว่าชิป TPU บนมือถือได้เข้ามาแทนที่ NPU โดยให้การประมวลผล AI ที่เรวดเร็วขึ้นและประหยัดพลังงานมากกว่าเดิม

ในฝั่งของ GPU ซึ่งเป็นที่รู้จักกันดีในกลุ่มเกมเมอร์และผู้ทำงานกราฟิก 3D ยังคงทำหน้าที่ประมวลผลเกมความละเอียดสูง รวมถึงรองรับงานฝึกอบรม AI และการขุดคริปโตเคอร์เรนซี GPU ถือเป็นชิปอเนกประสงค์ที่สามารถทำงานได้หลากหลาย ขึ้นอยู่กับระดับความแรงของตัวชิป

ความแตกต่างระหว่าง TPU, NPU และ GPU

ปัจจัยหลักที่แบ่งแยกชิปเหล่านี้ออกจากกันคือกรณีการใช้งานและสเกลของการประมวลผล โดย TPU มีสเกลใหญ่ที่สุดเพราะใช้งานในดาต้าเซ็นเตอร์ระดับโลกเพื่อขับเคลื่อน Large Language Models และการเรียนรู้เชิงลึกระดับมหภาค รองรับคำขอใช้งาน AI หลายพันล้านครั้งต่อวันจากบริษัทผู้ให้บริการ AI ต่าง ๆ

ขณะที่ NPU และ TPU บนอุปกรณ์พกพาถูกออกแบบมาให้เน้นการประหยัดพลังงาน เหมาะสำหรับงานขนาดเล็กบนสมาร์ตโฟนหรืออุปกรณ์ IoT เช่น การประมวลผลเอฟเฟกต์กล้องและการแปลภาษาแบบเรียลไทม์ ส่วน GPU มีความยืดหยุ่นสูง สามารถรับมือได้ทั้งงาน AI ขนาดเล็กและใหญ่ ควบคู่ไปกับการเล่นเกมและการตัดต่อวิดีโอ