La inteligencia artificial ha convertido las siglas de los procesadores en una pequeña sopa de letras. CPU, GPU, TPU y NPU aparecen cada vez con más frecuencia en ordenadores, móviles y centros de datos, pero no son tecnologías intercambiables ni existe un procesador universalmente mejor para IA. A estas cuatro categorías pueden añadirse los FPGA y los ASIC especializados, mientras que términos como XPU o LPU requieren más cuidado porque no representan una categoría tan estandarizada.
Las claves de CPU, GPU, TPU, NPU y otros aceleradores en 30 segundos
- La CPU sigue siendo el procesador general que coordina el sistema y ejecuta todo tipo de código.
- La GPU destaca en operaciones paralelas y se ha convertido en uno de los principales aceleradores para entrenar y ejecutar modelos de IA.
- Las TPU son ASIC diseñados por Google específicamente para aprendizaje automático.
- Las NPU llevan aceleración de IA eficiente a ordenadores, móviles y dispositivos edge.
- Los FPGA y otros ASIC amplían las opciones para cargas especializadas. XPU, en cambio, suele utilizarse como término genérico y no describe una arquitectura concreta.
La diferencia más importante está en la especialización. Una CPU puede ejecutar prácticamente cualquier programa. Una GPU sacrifica parte de esa flexibilidad para realizar enormes cantidades de operaciones en paralelo. Una NPU está todavía más orientada a determinadas operaciones de redes neuronales, normalmente buscando además reducir el consumo energético.
Las TPU llevan la especialización a otro terreno: son circuitos integrados específicos de aplicación (ASIC) desarrollados por Google para acelerar aprendizaje automático y disponibles dentro de su propia infraestructura y Google Cloud. La documentación actual de Cloud TPU incluye ya TPU7x, perteneciente a la generación Ironwood.
Por eso preguntar qué procesador es mejor para IA tiene una respuesta poco satisfactoria pero correcta: depende del modelo, del software, de dónde vaya a ejecutarse y de si se busca entrenamiento, inferencia, bajo consumo o escala masiva.
CPU, GPU, TPU y NPU no hacen el mismo trabajo
La CPU (Central Processing Unit) continúa siendo el procesador central de cualquier ordenador convencional.
Sus núcleos están diseñados para ejecutar instrucciones muy variadas, tomar decisiones rápidamente, manejar el sistema operativo y coordinar aplicaciones y dispositivos. Una CPU moderna dispone de menos unidades de ejecución que una GPU, pero cada núcleo está preparado para resolver tareas complejas y diferentes.
También puede ejecutar inteligencia artificial.
De hecho, muchos modelos pequeños pueden funcionar exclusivamente sobre CPU. Esto puede resultar suficiente para pruebas, modelos clásicos de machine learning, determinadas inferencias y aplicaciones donde el rendimiento máximo no es prioritario.
La GPU adopta un planteamiento diferente.
Una GPU (Graphics Processing Unit) nació para procesar gráficos, donde es necesario realizar operaciones similares sobre grandes cantidades de datos. Esa capacidad de procesamiento paralelo terminó resultando especialmente apropiada para las multiplicaciones de matrices y otras operaciones utilizadas por las redes neuronales.
El resultado es que las GPU han pasado de ser procesadores gráficos a convertirse también en aceleradores de computación.
El entrenamiento de grandes modelos de lenguaje, generación de imágenes, visión artificial y muchas otras cargas de IA puede distribuir cantidades enormes de operaciones entre sus unidades de cálculo.
Eso tampoco significa que cualquier programa sea más rápido en una GPU. Las cargas con muchas bifurcaciones, operaciones secuenciales o escaso paralelismo pueden seguir funcionando mejor en una CPU.
Comparativa de CPU, GPU, TPU y NPU
| Procesador | Significado | Especialización | Principal fortaleza | IA habitual | Dónde aparece |
|---|---|---|---|---|---|
| CPU | Central Processing Unit | Baja | Flexibilidad y control | Inferencia ligera, preparación de datos, coordinación | Prácticamente cualquier ordenador o servidor |
| GPU | Graphics Processing Unit | Media | Paralelismo masivo | Entrenamiento e inferencia | PC, workstation, servidores y centros de datos |
| TPU | Tensor Processing Unit | Muy alta | Operaciones matriciales para ML | Entrenamiento e inferencia a gran escala | Infraestructura de Google y Google Cloud |
| NPU | Neural Processing Unit | Alta | IA con bajo consumo | Principalmente inferencia local | Portátiles, móviles y edge |
| FPGA | Field-Programmable Gate Array | Configurable | Hardware reprogramable | Inferencia y cargas específicas | Edge, telecomunicaciones, industria y centros de datos |
| ASIC de IA | Application-Specific Integrated Circuit | Muy alta | Rendimiento/eficiencia para una función definida | Entrenamiento o inferencia según diseño | Centros de datos, dispositivos y sistemas especializados |
La tabla muestra además una cuestión terminológica importante: una TPU es, técnicamente, un ASIC especializado en IA. Google describe oficialmente sus TPU precisamente como ASIC personalizados para acelerar cargas de machine learning.
TPU y ASIC, por tanto, no son categorías equivalentes situadas al mismo nivel. ASIC es un concepto mucho más amplio.
Qué diferencia realmente una TPU de una GPU
Una TPU (Tensor Processing Unit) está diseñada específicamente alrededor de las operaciones utilizadas por el aprendizaje automático.
Google explica que sus TPU utilizan hardware preparado para grandes operaciones matriciales frecuentes en los algoritmos de machine learning. Las generaciones destinadas a grandes cargas incorporan además memoria de alto ancho de banda y pueden conectarse entre sí para construir sistemas de muchos aceleradores.
La especialización tiene consecuencias también para el software.
El código destinado a las TPU pasa por XLA (Accelerated Linear Algebra), que compila las operaciones para ejecutarlas sobre el hardware correspondiente. Las TPU actuales pueden utilizarse desde diferentes entornos de Google Cloud y Google trabaja también en ampliar su integración con PyTorch mediante TorchTPU.
Una GPU es más general.
Además de IA puede ejecutar gráficos, renderizado, simulaciones científicas, vídeo y numerosas aplicaciones de computación paralela. Su maduro entorno de software explica parte de su presencia en infraestructura de inteligencia artificial.
La elección no debería reducirse, por tanto, a comparar una cifra de operaciones por segundo.
El framework utilizado, el tipo de modelo, las precisiones numéricas soportadas, la memoria disponible, su ancho de banda, la interconexión entre aceleradores y el coste de mantenerlos trabajando con datos son factores igualmente importantes.
GPU frente a TPU
| Característica | GPU | TPU |
|---|---|---|
| Diseño original | Gráficos y procesamiento paralelo | Machine learning |
| Flexibilidad | Alta | Más especializada |
| Entrenamiento IA | Sí | Sí |
| Inferencia IA | Sí | Sí |
| Gráficos y renderizado | Sí | No es su finalidad |
| Grandes operaciones matriciales | Muy eficiente | Arquitectura específicamente orientada a ellas |
| Disponibilidad | Numerosos fabricantes y entornos | Ecosistema de Google |
| Escalado en centros de datos | Sí | Sí, mediante infraestructura TPU |
| Uso en PC convencional | Habitual | No |
| Principal ventaja | Versatilidad y software disponible | Especialización para ML |
No puede afirmarse de forma general que una TPU sea «más rápida» que una GPU. Habría que definir qué GPU, qué TPU, qué modelo, qué precisión, qué tamaño de lote y qué software se están comparando.
Las NPU llevan la IA al ordenador y al móvil
Las NPU (Neural Processing Unit) han ganado visibilidad con la llegada de los llamados AI PC, pero la arquitectura no está limitada a los ordenadores personales.
Su objetivo es acelerar redes neuronales con una relación entre rendimiento y consumo adecuada para dispositivos donde utilizar continuamente una GPU potente sería poco eficiente.
Intel, por ejemplo, describe sus NPU como unidades dirigidas a inferencia de deep learning en AI PC, dispositivos conectados y servidores edge. AMD utiliza su arquitectura XDNA para construir NPU destinadas a IA y procesamiento de señales.
Un portátil moderno puede tener simultáneamente CPU, GPU y NPU.
No es redundante.
La CPU puede encargarse del sistema operativo y de la lógica de una aplicación; la GPU puede asumir gráficos y cargas paralelas intensivas; y la NPU puede mantener determinados modelos de IA funcionando con menor consumo.
Intel resume precisamente el concepto de AI PC como un sistema que combina CPU, GPU y NPU para repartir localmente las cargas de inteligencia artificial.
Una NPU puede utilizarse, dependiendo del software y del hardware, para tareas como procesamiento de imagen, efectos durante videollamadas, reconocimiento de voz, transcripción, visión artificial o ejecución local de determinados modelos.
La palabra importante es compatibilidad.
Que un portátil anuncie decenas de TOPS (billones de operaciones por segundo) de rendimiento en su NPU no significa que cualquier modelo pueda utilizar automáticamente toda esa capacidad. La aplicación, el runtime y el modelo deben ser compatibles con el acelerador.
CPU vs GPU vs NPU en un ordenador con IA
| Tarea | CPU | GPU | NPU |
|---|---|---|---|
| Sistema operativo | Principal | Secundaria | No |
| Navegación y aplicaciones generales | Principal | Aceleración puntual | Puntual |
| Videojuegos | Necesaria | Principal | Poco habitual |
| Renderizado 3D | Apoyo | Principal | No |
| IA generativa local pesada | Apoyo | Muy adecuada | Depende del modelo |
| Efectos IA continuos de bajo consumo | Posible | Posible | Muy adecuada |
| Inferencia ML | Sí | Sí | Sí |
| Entrenamiento intensivo | Limitado | Sí | Generalmente no es su objetivo |
| Eficiencia energética en IA local | Media | Variable | Alta |
Esta distribución empieza a reflejarse también en diseños donde los tres componentes forman parte del mismo procesador. AMD, por ejemplo, dispone de chips que combinan núcleos CPU, gráficos y una NPU XDNA dentro del mismo sistema.
¿Hay más XPU además de CPU, GPU, TPU y NPU?
Sí, pero conviene evitar convertir cualquier sigla terminada en PU en una categoría equivalente.
XPU no identifica actualmente un tipo universal de procesador comparable a CPU o GPU. El término se utiliza habitualmente para hablar de computación heterogénea y englobar diferentes arquitecturas de procesamiento.
Hay, sin embargo, otros aceleradores reales que merece la pena conocer.
Los FPGA (Field-Programmable Gate Array) son circuitos cuyo hardware lógico puede reconfigurarse después de su fabricación. Permiten construir pipelines muy específicos y pueden utilizarse para inferencia, procesamiento de señales, telecomunicaciones, vídeo y aplicaciones industriales.
Los ASIC van en la dirección contraria: el circuito se diseña para una función concreta y posteriormente no ofrece la misma capacidad de reconfiguración. Esa especialización puede proporcionar muy buenas relaciones entre rendimiento y consumo cuando existe suficiente volumen para justificar el desarrollo.
Aquí se encuentran muchos aceleradores de inteligencia artificial creados específicamente para centros de datos o dispositivos.
También aparecen términos comerciales como LPU (Language Processing Unit) para arquitecturas orientadas al procesamiento de modelos de lenguaje. Son tecnologías reales, pero la denominación no constituye todavía una categoría general comparable a CPU, GPU o NPU.
Las DPU (Data Processing Unit) y las IPU (Infrastructure Processing Unit) también son procesadores reales presentes en centros de datos, pero cumplen otra función. Descargan de la CPU tareas relacionadas con redes, almacenamiento, seguridad y movimiento de datos. Pueden resultar importantes dentro de un clúster de IA, pero no sustituyen a una GPU o a otro acelerador encargado de calcular el modelo.
Una clasificación práctica quedaría así:
| Tipo | ¿Es una categoría general? | ¿Ejecuta IA directamente? | Uso principal |
|---|---|---|---|
| CPU | Sí | Sí | Computación general |
| GPU | Sí | Sí | Paralelismo, gráficos e IA |
| NPU | Sí | Sí | IA especializada y eficiente |
| TPU | Tecnología específica de Google | Sí | Machine learning |
| FPGA | Sí | Sí, si se configura para ello | Aceleración reprogramable |
| ASIC de IA | Sí, como familia | Sí | Aceleración especializada |
| DPU/IPU | Sí | No como función principal | Red, almacenamiento e infraestructura |
| LPU | Denominación específica | Sí | Modelos de lenguaje según arquitectura |
| XPU | Término paraguas | Depende | Computación heterogénea |
Por eso no tendría sentido comprar un equipo buscando simplemente una «XPU». Hay que identificar qué acelerador incluye realmente y qué software puede utilizarlo.
Qué procesador necesita realmente cada tipo de IA
Para utilizar ChatGPT, Gemini u otro servicio de IA en la nube, el usuario no necesita una GPU potente en su ordenador para ejecutar el modelo remoto. El cálculo principal ocurre en la infraestructura del proveedor.
La situación cambia con la IA local.
Un pequeño modelo puede ejecutarse sobre CPU. Una GPU con suficiente memoria puede resultar mucho más apropiada para modelos generativos locales. Una NPU puede ser preferible para determinadas funciones compatibles que deben permanecer activas consumiendo poca energía.
En centros de datos la situación vuelve a cambiar.
Entrenar grandes modelos requiere enormes cantidades de computación, memoria y comunicaciones entre aceleradores. GPU, TPU y otros ASIC especializados pueden asumir estas cargas, normalmente acompañados por CPU que preparan datos, gestionan procesos y coordinan el sistema.
La pregunta correcta deja entonces de ser «¿qué procesador necesita la IA?» y pasa a ser qué combinación de procesadores necesita una carga concreta.
Qué elegir según el uso
| Necesidad | Procesador más habitual |
|---|---|
| Ofimática y uso cotidiano | CPU |
| Gaming | CPU + GPU |
| Edición de vídeo y 3D | CPU + GPU |
| Funciones de IA de un portátil | CPU + GPU + NPU |
| Ejecutar modelos pequeños localmente | CPU o NPU/GPU compatibles |
| Ejecutar LLM locales más exigentes | GPU o acelerador especializado |
| Entrenar modelos de machine learning | GPU, TPU u otros aceleradores |
| Entrenar grandes modelos | Clústeres de aceleradores |
| IA eficiente en edge | NPU, FPGA o ASIC |
| Infraestructura de red para grandes clústeres IA | CPU + aceleradores + DPU/IPU según arquitectura |
El hardware de IA está evolucionando precisamente hacia esta especialización.
Un ordenador ya no tiene por qué pedirle a la CPU que haga todo. Un centro de datos tampoco necesita que el mismo chip ejecute el sistema operativo, entrene una red neuronal y procese cada paquete de red.
La tendencia es repartir el trabajo entre diferentes motores de cálculo y elegir cuál ejecuta cada parte de la aplicación.
Por eso la CPU difícilmente desaparecerá por la expansión de GPU y NPU. Tampoco parece razonable considerar la NPU como una sustituta directa de la GPU.
Son piezas diferentes de una arquitectura cada vez más heterogénea.
Preguntas frecuentes
¿Qué es mejor para inteligencia artificial, CPU o GPU?
Una GPU suele ofrecer mucho más rendimiento para cargas de IA altamente paralelizables, especialmente entrenamiento e inferencia de modelos grandes. Una CPU continúa siendo necesaria para ejecutar el sistema y puede manejar modelos pequeños o cargas donde utilizar un acelerador no compensa.
¿Una NPU puede sustituir a una GPU para ejecutar IA?
No de forma general. Una NPU está especializada en determinadas operaciones de IA y suele priorizar la eficiencia energética. Una GPU ofrece mayor flexibilidad y suele ser más apropiada para modelos generativos exigentes y entrenamiento.
¿Una TPU es lo mismo que una NPU?
Ambas aceleran inteligencia artificial, pero no son exactamente lo mismo. TPU es el nombre de los ASIC especializados en machine learning desarrollados por Google, mientras que NPU es una categoría más amplia utilizada por distintos fabricantes para aceleradores de redes neuronales.
¿Qué significa XPU en inteligencia artificial?
XPU suele utilizarse como término genérico para describir diferentes unidades de procesamiento dentro de arquitecturas heterogéneas. No identifica por sí mismo una arquitectura concreta como CPU, GPU o NPU.
