Imaginez un ouvrier ultra-spécialisé qui ne sait faire qu'une seule chose — multiplier et additionner des tableaux de nombres — mais qui l'exécute des milliers de fois plus vite que n'importe quel généraliste. C'est l'idée du TPU (Tensor Processing Unit), un circuit conçu par Google en 2015 pour accélérer l'apprentissage automatique. C'est un ASIC : une puce taillée sur mesure pour un seul usage, contrairement au CPU polyvalent.
Pourquoi « tensoriel » ?
En IA, presque tout se ramène à des multiplications de matrices. Un réseau de neurones enchaîne des opérations de la forme :
$$ Y = X \cdot W + b $$
où $X$ est l'entrée, $W$ les poids et $b$ le biais. Le TPU intègre une architecture systolique (systolic array) : une grille de milliers de petites unités de calcul qui se passent les données de proche en proche, sans repasser sans cesse par la mémoire. Cela réduit le goulot d'étranglement énergétique et accélère massivement le traitement.
TPU, GPU, CPU : quelles différences ?
| Critère | CPU | GPU | TPU |
|---|---|---|---|
| Vocation | Polyvalent | Graphisme / parallèle | IA (matrices) |
| Flexibilité | Très haute | Haute | Faible (spécialisé) |
| Efficacité IA | Faible | Bonne | Excellente |
Le CPU est un couteau suisse, le GPU une chaîne d'assemblage parallèle, le TPU une machine-outil dédiée.
Usage concret
Les TPU font tourner la recherche Google, Google Translate et l'entraînement de grands modèles comme Gemini. Ils sont accessibles aux développeurs via le cloud (Google Cloud TPU).
Quand un calcul est répété des milliards de fois, le spécialiser dans le silicium devient le levier décisif de la performance.