La TPU de Google (Tensor Processing Unit, o unidad de procesamiento de tensores) es un chip que la compañía diseña para acelerar los cálculos de la inteligencia artificial. Según Google , la utiliza en servicios propios como el buscador, Street View, Google Fotos o el traductor. A diferencia de las tarjetas gráficas de Nvidia, no hemos encontrado ninguna vía para comprarla como una pieza independiente que se pueda instalar en un ordenador o en un servidor propio.
El chip interesa más allá de Google porque ayuda a entender por qué la IA necesita hardware especializado y por qué varias grandes tecnológicas desarrollan sus propios procesadores. Sobre la TPU circulan explicaciones muy repetidas, algunas exactas y otras demasiado simplificadas. Este artículo explica cómo funciona y contrasta esas ideas con los datos disponibles.
Qué es la TPU de Google y por qué existe
La TPU pertenece a la familia de los ASIC, siglas en inglés de circuito integrado de aplicación específica: un chip diseñado para hacer muy bien una tarea concreta, en lugar de servir para todo. En este caso, la tarea es ejecutar redes neuronales, el tipo de programa en el que se basan los modelos de IA actuales. Es una filosofía distinta a la de la GPU, el procesador gráfico que nació para los videojuegos y que se usa de forma masiva en IA porque es flexible y sirve para muchos tipos de cálculo.
Según Google, el desarrollo de la primera TPU empezó a finales de 2013 y llevó unos 15 meses. La empresa la utilizó de forma interna y en 2017 publicó sus detalles técnicos y sus métricas de rendimiento . Desde entonces ha lanzado nuevas versiones; la más reciente recogida en las fuentes consultadas, llamada Ironwood, es la séptima generación.
La lógica de fondo es sencilla. Los modelos de IA repiten una y otra vez el mismo tipo de operación, de modo que un chip pensado solo para ella puede ejecutarla de forma más eficiente que un procesador generalista. Esa es la apuesta que Google lleva más de una década desarrollando.
Cómo funciona por dentro: matrices y arreglo sistólico
Para entender el chip hay que empezar por las matemáticas. Una matriz es una tabla de números, parecida a una hoja de cálculo, y un tensor generaliza esa idea a más dimensiones, como un cubo de datos. De ahí procede el nombre de la TPU. Según la documentación técnica de Google, buena parte del cálculo de una red neuronal puede expresarse como multiplicaciones de matrices.
En esas multiplicaciones intervienen los pesos del modelo, que son los números que la IA ha ajustado durante su entrenamiento. Se pueden comparar con los mandos de una mesa de mezclas que ya están colocados en su posición. Cuando llega una pregunta, convertida previamente en números, el modelo la combina con esos pesos para producir una respuesta.
Una cuadrícula de 65.536 calculadoras
La pieza central de la primera TPU es la unidad de multiplicación de matrices, conocida como MXU. Según Google, está formada por una cuadrícula de 256 por 256 elementos, es decir, 65.536 pequeñas unidades capaces de multiplicar dos números y sumar el resultado a una cuenta acumulada. Funcionando a 700 MHz, esa unidad alcanza 92 billones de operaciones por segundo, de acuerdo con los datos publicados por la empresa.
La organización de esa cuadrícula se llama arreglo sistólico. Cada celda guarda un peso fijo, mientras los datos entran por la izquierda y avanzan de celda en celda; en cada paso se multiplican por el peso correspondiente y se suman al resultado parcial que llega de la celda de arriba. Todas trabajan al mismo compás, y Google compara ese flujo con la forma en que el corazón bombea la sangre, que es de donde viene el término «sistólico».
La ventaja principal de este diseño es que reduce el movimiento de datos. Leer y escribir en memoria consume mucha energía dentro de un chip, y al pasar los resultados intermedios directamente de una celda a otra, la TPU evita muchos de esos viajes. Sin embargo, no los elimina por completo: la primera TPU contaba con 24 MB de memoria interna de tipo SRAM, un búfer donde se guardan entradas y resultados entre una operación y la siguiente.
Las generaciones posteriores no han mantenido siempre el mismo tamaño de cuadrícula. Según análisis técnicos no oficiales, algunas versiones orientadas al entrenamiento usaron cuadrículas de 128 por 128 y la sexta generación volvió a 256 por 256. No hemos podido confirmar ese dato en documentación oficial de Google.
bfloat16, pods y diferencias con una GPU
Otra pieza importante es bfloat16, un formato para guardar números que desarrolló Google Brain, el equipo de investigación en IA de Google, para la segunda generación de TPU, anunciada en mayo de 2017. Ocupa 16 bits, la mitad que el formato estándar de 32 bits, y mantiene su mismo rango, es decir, permite representar números igual de grandes y de pequeños. A cambio pierde precisión: según el matemático Nick Higham, ofrece solo entre dos y tres cifras decimales significativas.
Una comparación cotidiana ayuda a entenderlo: es como anotar una distancia en kilómetros con dos decimales en lugar de siete. Se pierde detalle, pero la medida sigue siendo útil para lo que se necesita. Por eso este formato se ha extendido en el aprendizaje automático, donde esa pérdida suele ser aceptable y cada número ocupa la mitad de memoria.
A esto se suma que Google no usa las TPU de una en una. Las agrupa en pods, conjuntos de chips conectados para trabajar como un único sistema. Con la tercera generación, hasta 256 placas podían unirse en un pod de 2.048 núcleos. En el caso de Ironwood, según fuentes del sector, los pods llegan a 9.216 chips enlazados mediante una red óptica propia de Google.
La diferencia con una GPU se resume en especialización. La GPU se parece a una navaja suiza: sirve para gráficos, simulaciones, IA y muchas otras tareas. La TPU se acerca más a una máquina diseñada para un único tipo de corte que ejecuta muy rápido. Esa especialización explica su eficiencia, pero también que no sea adecuada para la computación de propósito general.
Lo que se dice de la TPU de Google y lo que dicen los datos
Alrededor de este chip se repiten varias ideas. La siguiente tabla recoge las más frecuentes, con su veredicto y el dato que lo sostiene.
| Afirmación | Veredicto | Explicación |
|---|---|---|
| Google tiene su propio chip de IA y no lo vende | Incompleto | No hemos encontrado una vía de compra directa. Según fuentes secundarias, estos chips solo pueden alquilarse en la nube de su fabricante, algo que no hemos verificado en documentación oficial de Google. |
| La IA se basa sobre todo en multiplicar matrices | Cierto | Según Google, el cálculo de las redes neuronales puede expresarse en gran parte como operaciones con matrices. |
| La TPU tiene una cuadrícula de 256 por 256 unidades | Cierto, con matices | Es exacto para la primera TPU (65.536 unidades). Otras generaciones han usado tamaños distintos, según análisis no oficiales. |
| El nombre «sistólico» viene del latido del corazón | Cierto | Google compara el flujo de datos en el chip con el bombeo de sangre del corazón. |
| Los resultados intermedios nunca vuelven a la memoria | Exagerado | El diseño reduce los accesos a memoria, pero no los elimina: la primera TPU usaba un búfer de 24 MB. |
| Una GPU tiene que ir y volver a la memoria muchas más veces | Incompleto | El principio de minimizar el movimiento de datos está documentado, pero no hemos encontrado una comparación cuantitativa con las GPU. |
| bfloat16 lo creó Google, ocupa la mitad y mantiene el rango | Cierto | Lo desarrolló Google Brain para la TPU v2; usa la mitad de memoria que el formato de 32 bits con el mismo rango y menos precisión. |
| Gracias a bfloat16, la TPU calcula el doble de rápido | Sin confirmar | No hemos encontrado ninguna fuente que cuantifique esa aceleración. |
| Google conecta miles de TPU con enlaces ópticos y las enfría con líquido | Incompleto | Los pods con miles de chips y conexión óptica están documentados. La refrigeración líquida no aparece en las fuentes consultadas. |
| La TPU solo sirve para IA y es pésima para todo lo demás | Exagerado | No es apta para uso general, pero hay estudios académicos que la aplican a álgebra lineal densa, física computacional y simulación de circuitos cuánticos. |
| Se puede probar gratis en Google Colab, con límites | Cierto | Según Google, las sesiones gratuitas pueden durar hasta 12 horas y el acceso a GPU y TPU depende de la disponibilidad. |
| Amazon, Microsoft, Meta y OpenAI tienen chips propios | Cierto en parte | Según publicaciones del sector, Amazon envía Trainium3 desde principios de 2026, Microsoft presentó Maia 200 en enero de 2026 y Meta afirma haber desplegado cientos de miles de chips propios. De OpenAI solo consta una colaboración con Broadcom, sin un chip verificado en producción. |
| Anthropic no tiene chips propios y entrena en TPU y en chips de Amazon | Sin confirmar | Fuentes secundarias apuntan a que usa Trainium y TPU, pero no hemos encontrado confirmación oficial ni datos sobre si diseña chips propios. |
| Todas estas empresas quieren dejar de depender de Nvidia | Incompleto | Los chips propios buscan competir con Nvidia, pero Meta, por ejemplo, se ha comprometido a seguir comprando grandes cantidades de chips de esa empresa, según fuentes del sector. |
Qué significa para ti
Para la mayoría de usuarios y empresas, la TPU no es algo que haya que elegir de forma directa: quien usa un asistente de IA o un servicio en la nube no decide en qué chip se ejecuta. Su efecto es indirecto, y el análisis más prudente es que la competencia entre fabricantes de chips puede influir con el tiempo en el precio y la disponibilidad de los servicios de IA. Si quieres experimentar o valorar un proyecto, estas pautas te ayudarán:
- Para aprender, Google Colab permite usar TPU sin coste desde el navegador, con sesiones de hasta 12 horas y sin garantía de disponibilidad.
- Para un proyecto profesional, ten en cuenta que la TPU está pensada para multiplicar matrices: si tu carga de trabajo es variada, un procesador más flexible puede encajar mejor.
- Desconfía de las cifras redondas, como «el doble de rápido»: el rendimiento real depende del modelo, de la generación del chip y de la tarea concreta.
- Contrasta los datos de mercado: muchas cifras sobre cuotas y acuerdos entre empresas proceden de fuentes secundarias y no siempre están confirmadas.
En resumen
La TPU de Google es un chip especializado en multiplicar matrices, la operación en la que se basa buena parte de la inteligencia artificial. Su arreglo sistólico reduce el movimiento de datos, aunque no elimina el uso de memoria, y el formato bfloat16 ahorra espacio a cambio de algo de precisión. Google la usa en sus servicios, no la vende como pieza independiente y permite probarla gratis en Colab con límites. Amazon, Microsoft y Meta tienen chips propios, mientras que los datos sobre OpenAI y Anthropic, la velocidad «doble» o la refrigeración líquida siguen sin confirmarse en fuentes oficiales.
Fuentes
- Google Cloud Blog: An in-depth look at Google's first Tensor Processing Unit (TPU)
- arXiv: Density Matrix Renormalization Group with Tensor Processing Units
- arXiv: Hardware Acceleration of Explainable Machine Learning using Tensor Processing Units
- arXiv: Accelerating GAN training using highly parallel hardware on public cloud
- arXiv: AI, Native Supercomputing and The Revival of Moore's Law
- Wikipedia: Bfloat16 floating-point format
- Nick Higham: What Is Bfloat16 Arithmetic?
- Ultralytics: BFloat16 (BF16) vs. FP16 in Deep Learning
- The Chipletter: Google's First Tensor Processing Unit - Architecture
- Penchan: What Is an ASIC?
- Spheron: Hyperscaler Custom AI Chips in 2026
- Hivenet: Google Colab GPU usage limits
- Spheron: Google Colab Alternatives, 8 GPU Clouds Compared (2026)
- Tech-insider: Meta Broadcom AI Chip Deal 2029
