การเปิดตัว Google Pixel 11 พร้อมชิป Tensor G6 ทำให้ชื่อ TPU กลับมาได้รับความสนใจอีกครั้ง โดย Google ระบุว่าชิปรุ่นใหม่นี้มีประสิทธิภาพการประมวลผลของ TPU เพิ่มขึ้น 50% แต่ TPU ในสมาร์ตโฟนไม่ได้มีบทบาทเหมือน TPU ขนาดใหญ่ที่บริษัทใช้งานภายในดาต้าเซ็นเตอร์อย่างสิ้นเชิง แม้จะใช้ชื่อเดียวกันก็ตาม
วงการชิปเริ่มต้นจากคำย่ออย่าง CPU และ GPU ก่อนที่ AMD จะนำเสนอ Accelerated Processing Unit หรือ APU ขณะที่การมาถึงของพีซีและสมาร์ตโฟนยุค AI ทำให้ Neural Processing Unit หรือ NPU กลายเป็นส่วนประกอบสำคัญ ต่อมา Google จึงเพิ่มคำว่า Tensor Processing Unit หรือ TPU เข้ามาในสมการ
Google เริ่มนำ TPU มาใช้งานภายในบริษัทตั้งแต่ปี 2015 โดยพัฒนาขึ้นเป็นชิปเร่งการประมวลผล AI ที่ออกแบบมาเฉพาะสำหรับจัดการสมการทางคณิตศาสตร์อันซับซ้อนของงานปัญญาประดิษฐ์และ Machine Learning หรือ ML ตัวชิปเน้นการทำงานผ่านคลาวด์และถูกใช้งานเป็นหลักในดาต้าเซ็นเตอร์ของ Google
อย่างไรก็ตาม TPU ภายในชิป Tensor G6 ของ Pixel 11 ทำหน้าที่ใกล้เคียงกับ NPU ในอุปกรณ์ทั่วไปมากกว่า โดยรับผิดชอบการประมวลผลกล้อง ภาพถ่าย และงาน AI ที่ทำงานอยู่ภายในเครื่อง Google ระบุว่า TPU รุ่นนี้ช่วยให้ Pixel 11 “ประมวลผล AI ได้เร็วขึ้นสูงสุด 3.5 เท่า พร้อมใช้พลังงานน้อยลงสูงสุด 3.5 เท่า”
แม้จะมีความคล้ายกันบางส่วน แต่ TPU สำหรับดาต้าเซ็นเตอร์ยังแตกต่างจาก TPU ในสมาร์ตโฟน รวมถึง NPU และ GPU แบบดั้งเดิมอย่างชัดเจน ทั้งในด้านสถาปัตยกรรม ขนาดของงาน และสภาพแวดล้อมที่นำไปใช้งาน
NPU ซึ่งพบได้ในสมาร์ตโฟนสมัยใหม่ ตลอดจน Mac และพีซี ถูกออกแบบมาเพื่อรับภาระงาน Generative AI และ Agentic AI ภายในอุปกรณ์ ตัวอย่างเช่น การลบบุคคลออกจากภาพ หรือการใช้ ChatGPT จัดตารางท่องเที่ยวสามวัน สำหรับ Pixel 11 นั้น Google ใช้ TPU มาทำหน้าที่แทน NPU โดยตรง
GPU เป็นชิปที่ผู้เล่นเกมและผู้ทำงานด้านโมเดลสามมิติคุ้นเคยกันมานาน ก่อนยุค AI ผู้ใช้ต้องการ GPU ประสิทธิภาพสูงเพื่อเล่นเกมที่ใช้กราฟิกหนักอย่าง Crysis 3 ด้วยการตั้งค่าระดับสูง อัตราเฟรมสูง และการแสดงผลที่ลื่นไหล หลังเข้าสู่ยุค AI ชิปประเภทนี้ยังคงรับผิดชอบงานกราฟิกเดิม พร้อมรองรับการฝึก AI และการขุดคริปโทเคอร์เรนซี ส่งผลให้ GPU รุ่นประสิทธิภาพสูงมีราคาแพงมาก
จุดแข็งของ GPU คือความยืดหยุ่น เพราะสามารถทำงานหลายประเภทได้ดีตามระดับประสิทธิภาพของชิป ส่วนความแตกต่างหลักระหว่าง TPU, NPU และ GPU อยู่ที่ลักษณะการใช้งานและขนาดของภาระงาน โดย TPU บนคลาวด์รองรับระบบ AI ภายในดาต้าเซ็นเตอร์ของ Google ขณะที่ NPU, TPU ในอุปกรณ์ และ GPU สามารถพบได้ในสมาร์ตโฟนหรือแล็ปท็อป
TPU สำหรับดาต้าเซ็นเตอร์รองรับการประมวลผลในระดับใหญ่ที่สุด ด้วยสถาปัตยกรรมที่สร้างขึ้นเฉพาะทาง จึงเหมาะกับการเร่งงานคำนวณขนาดมหาศาลของ Large Language Model หรือ LLM และงาน Deep Learning หรือ DL ขนาดใหญ่
หัวใจของ TPU คือโครงสร้างฮาร์ดแวร์ที่เรียกว่า Systolic Array ซึ่งเปิดทางให้ข้อมูลไหลจากหน่วยประมวลผลหนึ่งไปยังอีกหน่วยหนึ่ง ผ่านตารางสองมิติของหน่วยคูณ วิธีนี้ช่วยลดจุดคอขวด เพราะผลลัพธ์จากการคำนวณของหน่วยหนึ่งสามารถกลายเป็นข้อมูลนำเข้าของหน่วยถัดไปได้ทันที โดยไม่ต้องเขียนข้อมูลกลับไปยังหน่วยความจำก่อน
กระบวนการดังกล่าวต่างจาก GPU ซึ่งต้องเคลื่อนย้ายข้อมูลไปมาระหว่างหน่วยคำนวณกับหน่วยความจำแบนด์วิดท์สูง การลดขั้นตอนอ่านและเขียนหน่วยความจำทำให้ TPU เหมาะกับการฝึกโครงข่ายประสาทเทียมขนาดใหญ่และภาระงานมหาศาลมากกว่า
สำหรับบริษัท AI ขนาดใหญ่อย่าง Anthropic และ Midjourney ซึ่งต้องรองรับคำขอด้าน AI หลายพันล้านครั้งต่อวัน การพึ่งระบบที่ใช้ GPU อาจมีต้นทุนสูงขึ้นจากปัญหาคอขวด ความหน่วง และประสิทธิภาพด้านพลังงาน TPU จึงเป็นตัวเลือกที่เหมาะกว่าเมื่อจำเป็นต้องฝึกโมเดลขนาดใหญ่ในระดับดาต้าเซ็นเตอร์
ด้าน NPU และ TPU ของ Google ที่ติดตั้งภายในอุปกรณ์อย่างสมาร์ตโฟน อุปกรณ์ Internet of Things หรือ IoT และแล็ปท็อป จะรองรับงาน AI และ ML ขนาดเล็กกว่า โดยเน้นการใช้พลังงานต่ำ จึงเหมาะกับเอฟเฟกต์กล้องและการแปลภาษาแบบเรียลไทม์ ชิปกลุ่มนี้สามารถประมวลผล LLM ภายในเครื่องได้เช่นกัน แต่ต้องเป็นโมเดลขนาดเล็กที่มีขอบเขตการทำงานชัดเจน
หากถามว่าชิปประเภทใดดีที่สุด คำตอบขึ้นอยู่กับงานที่นำไปใช้ NPU และ TPU ภายในอุปกรณ์เหมาะกับงาน AI ทั่วไปขนาดเล็ก เพราะใช้พลังงานไม่มากจนเป็นภาระต่อสมาร์ตโฟน แล็ปท็อป หรือสมาร์ตวอตช์ แต่ยังมีประสิทธิภาพเพียงพอสำหรับการแปลภาษาแบบเรียลไทม์ การเบลอฉากหลังระหว่างวิดีโอคอล หรือช่วยค้นหาชื่อรายการเก่าที่ผู้ใช้จำรายละเอียดได้เพียงเล็กน้อย
TPU บนคลาวด์เป็นทางเลือกที่มีประสิทธิภาพด้านต้นทุนและพลังงานสำหรับขับเคลื่อนระบบ AI, ML และ DL ในระดับโลก ความสามารถในการประมวลผลสมการหลายล้านรายการ ระหว่างฝึกโมเดลขนาดใหญ่ทำให้ชิปประเภทนี้เหมาะกับดาต้าเซ็นเตอร์ขนาดใหญ่โดยเฉพาะ
ส่วน GPU สามารถรองรับงาน AI ได้ทั้งขนาดเล็กและขนาดใหญ่ พร้อมทำงานด้านเกม การตัดต่อวิดีโอ และการจำลองระบบต่าง ๆ ด้วย หากต้องการใช้งาน LLM ภายในเครื่อง GPU ประสิทธิภาพสูงจึงยังเป็นตัวเลือกที่เหมาะสมที่สุด
ติดตามข่าวสารอัปเดตเทคโนโลยี เกม และไลฟ์สไตล์เพิ่มเติมได้ที่หน้าแรก techcatchup.net
พร้อมช่องทางโซเชียล Facebook | Instagram | TikTok | YouTube | X
