Como já deve ter percebido, a NVIDIA valorizou de forma quase absurda nos últimos anos. Sendo hoje em dia uma das empresas mais valiosas à face da terra. Sabe porquê? Ao que tudo indica, as placas gráficas (GPUs) são também incríveis para o processamento de algoritmos baseados em Inteligência Artificial, e talvez mais importante que isso, as arquiteturas que a NVIDIA andava (e anda) a desenvolver, são extremamente velozes e eficientes nesses mesmos cálculos.
Porém, um GPU não é um NPU. São chips com objetivos diferentes.
NPU vs GPU: Quais são as diferenças?
Hoje em dia, as aplicações de hardware e software focado em IA, avançaram para se tornarem especificamente boas na otimização direcionada à inteligência artificial e às operações de redes neurais.
Muitas destas incluem unidades de processamento neural (NPU), que são frequentemente comparadas às unidades de processamento gráfico (GPU), isto em termos da sua capacidade de acelerar tarefas IA.
Porém, existe uma razão para o termo NPU ser cada vez mais comum, e claro, para o facto deste chip estar cada vez mais presente nos sistemas computacionais que nos rodeiam no dia-a-dia.
O que é um NPU?
NPU significa Neural Processing Unit (Unidade de Processamento Neural), sendo um componente de hardware especializado para otimizar a performance de tarefas ligadas à inteligência artificial e redes neurais.
É um pedaço de hardware cada vez mais comum na tecnologia que nos rodeia, especialmente nos computadores portáteis e smartphones. Já o poderá encontrar no seu iPhone, Samsung Galaxy ou Google Pixel. Aliás, este pequeno chip já faz parte dos planos das fabricantes de processadores mobile desde o distante ano de 2013.
O NPU serve essencialmente como suporte aos algoritmos de inteligência artificial que vemos nos produtos mais virados para o consumo.
O que é um GPU?
GPU significa Graphics Processing Unit (Unidade de Processamento Gráfico), e num passado ainda muito recente, era um chip que essencialmente dava vida a placas gráficas para jogos ou renderização gráfica profissional. Hoje em dia, o poder do GPU é utilizado para muitas mais coisas, com o processamento de IA a ser uma delas.
Isto porque, o ponte forte do GPU reside na rapidez e eficiência com que executam milhares de pequenas tarefas em simultâneo. Isto torna-p particularmente bom em tarefas complexas com muitos cálculos simultâneos, como a renderização de gráficos, a simulação de física, e claro, o treino de redes neuronais.
As diferenças!
É curioso, mas em termos arquiteturais, o NPU está ainda mais equipado para o processamento paralelo comparativamente ao GPU.
Isto devido ao facto de contarem com um maior número de núcleos de processamento de baixa potência. Além disso, o NPU também pode incorporar hierarquias de memória especializadas e otimizações de fluxo de dados que tornam o processamento de cargas de trabalho de aprendizado profundo particularmente eficiente.
Do seu lado, o GPU tem um maior número de núcleos mais versáteis em comparação ao NPU. Historicamente, esses núcleos são utilizados em várias tarefas computacionais através do processamento paralelo, isto enquanto o NPU é especialmente bem concebido para algoritmos de redes neurais.
Desta forma, o NPUs é particularmente bom a lidar com tarefas curtas e repetitivas.
Assim, o NPU pode aliviar o GPU das operações que são inerentes às redes neurais. Isto ara deixar o maior poder de processamento da GPU para renderização ou computação de uso geral.
O GPUs tem uma arquitetura mais geral do que o NPU. Dessa forma, pode ter dificuldade em competir com o NPU no processamento de modelos de linguagem em grande escala. (Ou em aplicações de computação periférica.)
Em suma, quando colocados lado a lado, a maior diferença de desempenho entre NPUs e GPUs está na eficiência.
Antes de mais nada, o que pensa sobre tudo isto? Partilhe connosco a sua opinião na caixa de comentários em baixo.
