TPU (Tensor Processing Unit — ტენზორული დამუშავების ერთეული) — ესაა ჩიპი, რომელიც Google-მა თავიდანვე ერთი კონკრეტული სახის მათემატიკისთვის შექმნა — იმ მატრიცული გამრავლებებისთვის, რომლებზეც ნეირონული ქსელებია აგებული — და არა ზოგადი დანიშნულების გამოთვლებისთვის, რასაც CPU აკეთებს, ან გრაფიკის დამუშავებისთვის, რისთვისაც თავდაპირველად GPU შეიქმნა. Google 2015 წლიდან იყენებს TPU-ებს საკუთარი AI-ის გასაშვებად, ხოლო დღეს მათ Google Cloud-ის მეშვეობით სხვა კომპანიებსაც ქირით სთავაზობს — მათ შორის კონკურენტებსაც, როგორიცაა Anthropic — როგორც ალტერნატივას Nvidia-სგან GPU-ების შესყიდვისა.
როგორ მუშაობს TPU
ნეირონული ქსელი, თავისი არსით, მატრიცული გამრავლებების გრძელი ჯაჭვია — რიცხვთა ბადეები, რომლებიც წამში მილიარდჯერ მრავლდება და ერთმანეთს ემატება. ზოგადი დანიშნულების ჩიპი ამას ისე ართმევს თავს, რომ მუდმივად გადააქვს რიცხვები მეხსიერებასა და დამუშავების ბირთვებს შორის — რაც დროსაც და ენერგიასაც ხარჯავს. TPU სხვა პრინციპზეა აგებული — მას ჰქვია სისტოლური მასივი (systolic array): ათასობით მცირე არითმეტიკული ერთეული ბადისებრადაა განლაგებული ისე, რომ მონაცემი მათში ერთი განუწყვეტელი ტალღით მიედინება — თითოეული ერთეული თავის შედეგს პირდაპირ შემდეგს გადასცემს, მეხსიერებაში ჩაწერის გარეშე. ამას ემატება მათემატიკის შესრულება უფრო დაბალი სიზუსტით, ვიდრე ზოგადი დანიშნულების ჩიპი გამოიყენებდა — მიდგომა, რომელსაც ნეირონული ქსელები კარგად იტანენ, რადგან იმისთვის, რომ მათი გამოთვლები სასარგებლო იყოს, იდეალურად ზუსტი არ არის საჭირო. სწორედ ეს განაპირობებს, რომ TPU ერთ ვატ ენერგიაში გაცილებით მეტ გამოთვლას ატევს, ვიდრე ჩიპი, რომელიც ყველაფრის კეთებისთვისაა აგებული.
ეს ერთდანიშნულებიანი არქიტექტურა სწორედ იმის მიზეზია, რატომაც TPU ASIC-ის კატეგორიას მიეკუთვნება — ჩიპი, რომელიც ფიზიკურად ერთი ამოცანისთვისაა „დაქსელილი“, სხვა არაფრისთვის ზედმეტი სქემის გარეშე. Google-მა 2015 წლიდან დღემდე შვიდი თაობის TPU გამოუშვა. პირველი მხოლოდ ინფერენსისთვის იყო განკუთვნილი; მეორემ და მესამემ მოდელების წვრთნის შესაძლებლობაც შესძინეს. უახლესს, Ironwood-ს (TPU v7), თითოეულ ჩიპზე 192 გბ მაღალსიჩქარიანი მეხსიერება აქვს, ხოლო ერთ „ფოდში“ 9 216-მდე ჩიპის დაკავშირებაა შესაძლებელი — ეს პირველი თაობაა, რომელიც Google-მა სპეციალურად გაწვრთნილი მოდელების გასაშვებად (და არა წვრთნისთვის) ააგო.
TPU vs. GPU — პრაქტიკული განსხვავება
GPU პროგრამირებადია და მას რამდენიმე მწარმოებელი ყიდის, ლიდერობით Nvidia — იმავე ჩიპს, რომელსაც გეიმერი ყიდულობს, ღამით შეიძლება ენობრივი მოდელის წვრთნაზე გადართვა, რადგან პროგრამული უზრუნველყოფა კარნახობს, რა გამოთვალოს. TPU ასეთი მოქნილობით არ გამოირჩევა: მისი სქემები დაპროექტების ეტაპზეა დაფიქსირებული, მას მხოლოდ Google აწარმოებს და — GPU-სგან განსხვავებით, რომლის შესყიდვაც ნებისმიერს შეუძლია — მისი მიღება მხოლოდ Google Cloud-ში დროის ქირაობით ან, არაპირდაპირად, მასზე აგებული Google-ის პროდუქტების (მაგალითად, Search-ისა თუ Gemini-ის) გამოყენებით შეიძლება. რასაც TPU მოქნილობაში კარგავს, ის ცდილობს დაინაზღაუროს ღირებულებასა და ენერგოეფექტურობაში — იმ ერთადერთი ამოცანისთვის, რასაც ასრულებს: დღევანდელი AI მოდელების მათემატიკის გაშვება.
შეუძლია თუ არა ცალკეულ დეველოპერს TPU-ის გამოყენება
მთელი TPU „ფოდის“ ქირაობა კორპორაციული მასშტაბის ინფრასტრუქტურაა, თუმცა ცალკეულ დეველოპერს შეუძლია TPU-ს უფასოდ სცადოს Google Colab-ის მეშვეობით — ბრაუზერში მომუშავე კოდირების ბლოკნოტის საშუალებით: საკმარისია, გაშვების გარემოს აპარატურული ამაჩქარებელი „TPU“-ზე გადართოთ და სესიისთვის ის ავტომატურად გამოიყოფა, დამატებითი დაყენების თუ გადახდის გარეშე. საწარმოო დატვირთვებისთვის Google Cloud TPU სიმძლავრეს საათობრივად აქირავებს: 2026 წლის ივლისის მდგომარეობით, TPU v5e ჩიპის მოთხოვნისამებრ (on-demand) ტარიფი აშშ-ის რეგიონებში დაახლოებით $1.20 საათში შეადგენს, Google Cloud-ის გამოქვეყნებული ფასების მიხედვით, ხოლო მრავალწლიანი ვალდებულებისას ტარიფი უფრო დაბალია.
რატომ აქვს მნიშვნელობა
Google-სთვის TPU ნიშნავს, რომ მას არ უწევს ყველა საჭირო ჩიპის შესყიდვა Nvidia-სგან, Nvidia-ს ფასებში, ბაზარზე, სადაც GPU-ზე მოთხოვნა წლებია აღემატება მიწოდებას. მთელი ჯაჭვის — ჩიპის დიზაინიდან მასზე მომუშავე მოდელებამდე — საკუთრებაში ქონა Google-ს ისეთ ხარჯვითი უპირატესობას აძლევს, რომლის გამეორებაც ცოტა კონკურენტს შეუძლია. ეს უპირატესობა უკვე დამოუკიდებელ ბიზნესადაც იქცა: 2025 წლის ოქტომბერში Google-მა Anthropic-ს დაუთმო წვდომა ერთ მილიონამდე TPU ჩიპსა და გიგავატზე მეტ გამოთვლით სიმძლავრეზე — გარიგება, რომლის ღირებულებაც ათეულობით მილიარდ დოლარად ფასდება. ეს იმის ნიშანია, რომ TPU Google-ისთვის უკვე პროდუქტია, რომელსაც კონკურენტებზეც ყიდის, და აღარ არის მხოლოდ საკუთარი ინფრასტრუქტურა. ეს ასევე AI ჩიპების ინდუსტრიაში მიმდინარე უფრო ფართო ცვლილების ნაწილია: რაც უფრო იზრდება აპარატურის ღირებულება, მით მეტი AI ლაბორატორია ცდილობს საკუთარი სილიციუმის შექმნას, მხოლოდ Nvidia-ზე დაყრდნობის ნაცვლად.
სიახლეებში
ეს ტენდენცია Google-ის გარეთაც ვრცელდება: OpenAI-მ ცოტა ხნის წინ წარადგინა საკუთარი AI ინფერენსის ჩიპი, აშენებული Broadcom-თან ერთად და კოდური სახელით Jalapeño — იმავე ლოგიკით, რომელმაც ერთი ათწლეულის წინ Google-ს TPU-ების შექმნამდე მიიყვანა.