====== Google TPU: Akcelerátor pro éru AI ======

**TPU (Tensor Processing Unit)** je proprietární procesor od Googlu navržený specificky pro strojové učení s využitím knihovny **TensorFlow**. Představuje vrchol hardwarové optimalizace, kde je efektivita upřednostněna před univerzalitou.

===== 1. Proč TPU vzniklo? =====

Tradiční procesory (CPU) a grafické karty (GPU) nebyly původně navrženy pro AI:
  * **CPU:** Skvělé pro složitou logiku, ale pomalé u masivních maticových výpočtů.
  * **GPU:** Velmi rychlé díky paralelismu, ale stále zatížené architekturou pro vykreslování grafiky.
  * **TPU:** Odstraňuje vše nepotřebné a soustředí se pouze na násobení a sčítání matic v obrovském měřítku.

{{ :tensor_processing_unit_3.0.jpg?nolink&400 |}}
----

===== 2. Architektura a princip fungování =====

Klíčem k výkonu TPU je tzv. **Systolické pole (Systolic Array)**.



  * **Data Flow:** V běžném procesoru musí CPU po každé operaci zapsat výsledek do registrů nebo paměti. V TPU data protékají skrze pole výpočetních jednotek jako vlna (podobně jako krev v oběhovém systému – odtud název systolické).
  * **Minimalizace přístupu k paměti:** Tím, že se mezivýsledky neukládají do RAM, ale předávají se přímo sousednímu procesoru, se drasticky snižuje energetická náročnost a latence.
  * **Nízká přesnost (Quantization):** TPU často pracují s nižší přesností čísel (např. bfloat16 nebo int8), což pro AI modely stačí a umožňuje to provést mnohem více operací za vteřinu.

----

===== 3. Generace TPU =====

Google svou technologii neustále vyvíjí a nabízí ji skrze [[it:sw:cloud|Google Cloud Platform]]:

| Generace | Hlavní zaměření | Výkon / Charakteristika |
| **v1 (2016)** | Pouze Inference | Určeno pro spouštění již vytrénovaných modelů. |
| **v2 / v3** | Trénování i Inference | Zavedení kapalinového chlazení a obřích "podů". |
| **v4 / v5p** | Exascale computing | Optimalizováno pro trénování největších [[it:sw:ai|LLM]] (např. Gemini a PaLM). |



----

===== 4. TPU v ekosystému Google =====

TPU nejsou dostupné jako samostatné komponenty k nákupu (na rozdíl od GPU NVIDIA). Jsou integrovány hluboko do služeb Googlu:
  * **Vyhledávání:** Lepší porozumění dotazům díky modelu BERT.
  * **Google Photos:** Rozpoznávání objektů a obličejů.
  * **Google Translate:** Rychlejší a přesnější neurální překlady.
  * **AlphaGo:** První vítězství AI nad člověkem v deskové hře Go bylo poháněno právě čipy TPU.

----

===== 5. Cloud TPU vs. NVIDIA GPU =====

I když jsou TPU v určitých úlohách TensorFlow rychlejší a levnější, GPU od NVIDIA zůstávají standardem díky:
  * **Flexibilitě:** Podpora širší škály knihoven (nejen TensorFlow, ale i PyTorch).
  * **Dostupnosti:** Můžete je mít ve vlastním serveru nebo PC (On-premise).
  * **Ekosystému CUDA:** Obrovské množství existujícího softwaru optimalizovaného pro NVIDIA.

----
Google TPU představuje klíčový prvek moderní AI infrastruktury. Díky specializovanému designu na matice‑multiplikaci, podpoře bfloat16 a sparsity dosahuje nevídaných výkonových poměrů a energetické účinnosti. Kombinace Cloud TPU pro masivní trénink a Edge TPU pro inferenci na okraji sítě umožňuje kompletní end‑to‑end řešení od vývoje až po nasazení AI modelů. S nadcházejícími generacemi (TPU v5) a rozšiřujícím se ekosystémem nástrojů (TensorFlow, JAX, XLA) bude TPU i nadále posouvat hranice toho, co je v AI možné.

== Odkazy a literatura ==

    [[https://cloud.google.com/tpu|Google Cloud TPU – oficiální dokumentace]]
    [[https://research.google/pubs/pub48357/|“In‑Depth Performance Analysis of the TPU v4” – Google Research, 2023]]
    [[https://www.tensorflow.org/xla|TensorFlow XLA Compiler]]
    [[https://coral.ai|Coral – Edge TPU platforma]]
    [[https://arxiv.org/abs/2104.04473|“Bfloat16: The Secret to TPU’s Success” – arXiv preprint, 2021]]
    [[https://developer.nvidia.com/gtc|NVIDIA GTC – srovnání GPU a TPU]]


//Související články://
  * [[it:sw:neural_networks|Neuronové sítě: Jak využívají maticové operace]]
  * [[it:sw:cloud|Cloud Computing: Domov pro TPU pody]]
  * [[it:sw:strojove_uceni|Strojové učení: Algoritmy za hardwarem]]

//Tagy: {{tag>it hardware google tpu ai machine-learning asic tensorflow}}//