Google добавила в Pixel 11 чип Tensor G6 и отдельно акцентировала, что у него на 50% больше TPU-вычислений. Для рынка это не просто очередная игра в аббревиатуры: разница между TPU и GPU начинает влиять не только на дата-центры, но и на то, как смартфон снимает, переводит и обрабатывает AI-задачи прямо на устройстве.
Как пишет Engadget, путаница здесь почти неизбежна. Долгие годы массовый пользователь худо-бедно различал CPU и GPU, потом производители начали продвигать NPU, а теперь Google снова выводит на сцену TPU. Формально TPU, или Tensor Processing Unit, компания использует еще с 2015 года как собственный ускоритель для AI и машинного обучения в дата-центрах. Но в случае Pixel 11 термин применяется уже к мобильной версии блока, который по сути играет роль того, что остальной рынок обычно называет NPU.
Почему TPU в телефоне и TPU в дата-центре — не одно и то же
Ключевая проблема в том, что под одной и той же вывеской Google прячет два разных класса железа. Большой TPU из облачной инфраструктуры компании нужен для тяжелых вычислений: обучения моделей, обслуживания крупных AI-сервисов и выполнения огромного числа операций в системах глубокого обучения. Именно такие ускорители работают там, где нужно прогонять массивы данных в масштабе, который для обычного ноутбука или смартфона выглядит как плохая шутка. Мобильный TPU в Pixel 11 живет в другой лиге: он отвечает за локальные AI-функции, обработку фото, компьютерное зрение и задачи, которые должны выполняться быстро, но при этом не сжигать батарею за полдня.
Отсюда и важная оговорка для всех, кто пытается свести TPU и GPU к простому сравнению по принципу «что мощнее». Вопрос поставлен неверно. TPU и GPU проектируются под разные сценарии. TPU в дата-центре заточен под узкую, но крайне прожорливую по вычислениям работу с нейросетями. У него специализированная архитектура, в том числе так называемый systolic array: данные проходят через двумерную сетку вычислительных блоков, где результат одной операции сразу становится входом для следующей. Это уменьшает лишние походы в память и снимает часть узких мест, которые у GPU возникают при постоянной переброске данных между вычислительными блоками и высокоскоростной памятью. Если сервис вроде генерации изображений или больших языковых моделей обрабатывает миллиарды запросов в день, такие детали уже превращаются не в инженерную эстетику, а в вопрос задержек, энергопотребления и стоимости эксплуатации.
GPU, в отличие от этого, остается универсальным солдатом. До AI он был главным героем для игр, 3D-графики, рендера и видеомонтажа. После AI ничего принципиально не изменилось: просто к списку задач добавились обучение моделей, запуск локальных LLM и еще пара способов быстро сжечь бюджет на железо. Сила GPU именно в гибкости. Хорошая видеокарта умеет многое и делает это достаточно хорошо, но за универсальность приходится платить и деньгами, и энергопотреблением. Поэтому TPU и GPU не столько конкуренты в лоб, сколько инструменты для разных уровней нагрузки.
Что это меняет для разработчиков и бизнеса
Для мобильного рынка история еще прозаичнее. NPUs в смартфонах, ноутбуках и Mac уже стали стандартным ответом на локальный AI: удалить лишний объект с фото, размыть фон на созвоне, сделать перевод в реальном времени, распознать речь без постоянного обращения в облако. В Pixel 11 Google просто использует собственный брендинг и называет такой блок TPU. Компания заявляет, что новый Tensor G6 обеспечивает до 3,5 раза более быструю AI-обработку при энергопотреблении до 3,5 раза ниже. Проверять эти цифры, конечно, придется уже по реальным тестам, потому что рекламные коэффициенты хорошо выглядят на слайде и заметно хуже переживают встречу с нагревом корпуса, троттлингом и типичным пользовательским хаосом из камеры, мессенджеров и десятка фоновых процессов.
Но сама тенденция важна. Производители больше не продают AI только через облако. Они продают его через локальную отзывчивость: камера должна понимать сцену мгновенно, переводчик — работать без заметной паузы, а ассистент — не ждать похода на сервер ради каждого мелкого действия. Для разработчиков это означает смещение акцента в сторону гибридной архитектуры приложений, где часть задач разумно держать на устройстве, а часть отправлять в облако. Для продуктовых команд это уже не абстрактная «AI-стратегия», а конкретный выбор: что запускать локально ради скорости и приватности, а что оставлять в облаке ради качества и масштаба модели.
Для бизнеса вывод тоже достаточно прямой. Если локальный ускоритель становится быстрее и экономичнее, у компаний появляется шанс снизить нагрузку на облачную инфраструктуру хотя бы в массовых пользовательских сценариях. Это важно не только из-за расходов. Чем больше вычислений можно выполнить на устройстве, тем проще объяснять пользователю приватность, снижать задержки и поддерживать функции там, где связь нестабильна или дорога. На практике победят те продукты, которые не просто наклеят на коробку еще одну аббревиатуру, а грамотно разнесут нагрузку между устройством и сервером. И здесь спор про TPU и GPU внезапно перестает быть спором для любителей спецификаций.
На ближайшие годы главный вопрос звучит так: останется ли TPU у Google внутренним термином для собственной экосистемы или рынок начнет дробиться на еще более мелкие классы AI-ускорителей со своим маркетингом и своими API. Если второе, разработчикам придется разбираться не только в моделях, но и в зоопарке железа, где название блока уже не гарантирует понимания, что именно он умеет, в каком объеме и при какой цене на ватт.