说到处理器，CPU、GPU和TPU这几个词大家可能都听过，但它们的区别到底是什么？不妨从最基础的逻辑聊起。

这三类芯片本质上都是用来完成计算任务的。你可以把大脑想象成一台计算机——读书、算数，每件事都对应一个计算任务。手机拍照、发信息、打开App，背后也都是处理器在干活。

这些缩写分别代表什么

虽然它们都叫“处理器”，但专业化的程度各有不同。CPU全称是中央处理单元，属于通用芯片，什么活儿都能接。就像你的大脑，如果它不太擅长某件事，做起来就会慢一些。

然后是GPU，图形处理单元。它已经成了加速计算的主力，从图形渲染到AI训练，到处都有它的身影。GPU本质上是一种ASIC——专用集成电路。集成电路通常由硅制成，所以大家有时也直接叫它“硅片”，硅谷的名字就是这么来的。简单说，ASIC就是为特定任务量身打造的。

至于TPU，张量处理单元，是Google自己设计的ASIC。从零开始，目标只有一个：全力跑AI任务。相比CPU和GPU，TPU的专业化程度更高。如今，Google搜索、YouTube、DeepMind的大型语言模型——这些我们熟悉的服务，背后都有TPU在支撑。

所以，这些芯片到底藏在哪儿？CPU和GPU就在你身边：几乎每部智能手机都有CPU，笔记本电脑里也少不了它。GPU通常出现在高端游戏主机或某些台式机里。而TPU，只在Google的数据中心里才能找到——那些像仓库一样的大楼，里面一排排TPU日夜不停地运转，支撑着Google和云客户的AI服务在全球跑起来。

为什么创建TPU

CPU诞生于1950年代末，GPU出现在1990年代末。而Google大约在10年前开始琢磨TPU这件事。当时，语音识别服务的质量明显提升，我们算了一笔账：如果每位用户每天“对Google说话”3分钟，数据中心的计算机数量就得翻倍。市场上现成的硬件显然不够用了——我们需要每块芯片提供更强的算力。于是，我们决定自己干。

这里的“T”代表Tensor，对吧？为什么？

没错。张量是机器学习中数据结构的通用名称。说白了，AI任务底层靠的就是大量数学运算。以我们最新的TPU Trillium为例，计算能力又上了一个台阶：与上一代TPU v5e相比，每块芯片的峰值计算性能提升了4.7倍。

这具体意味着什么

简单来说，Trillium能以4.7倍的速度完成复杂数学计算。不只是快，它还能处理更大、更复杂的工作负载。另一个亮点是能耗——Trillium是我们迄今为止最环保的TPU，能效比上一代提升了67%。AI需求还在飙升，行业必须以可持续的方式扩大基础设施规模。Trillium用更少的电，干同样的活。