# Quelle est la différence entre un GPU, un TPU et un NPU?

Date: 2026-10-09 · Author: Robert Scales · https://guidetoartificialintelligence.com/fr/apprendre/difference-gpu-tpu-npu/

**Answer:** Ces trois puces sont conçues pour faire d’énormes quantités de multiplications en même temps, ce qui constitue l’essentiel du travail d’un modèle d’IA. Le GPU est un processeur parallèle polyvalent vendu par des entreprises comme Nvidia et AMD, le TPU est la puce maison de Google, pensée uniquement pour les réseaux de neurones, et le NPU est une petite unité d’IA économe en énergie, intégrée aux téléphones et aux portables.

Un modèle d’IA, c’est surtout une très longue liste de nombres. Pour vous répondre, il multiplie ces nombres par ce que vous lui donnez, additionne les résultats et recommence, couche après couche, pour chaque mot qu’il écrit. Le processeur principal de votre ordinateur, le CPU, est conçu pour exécuter rapidement quelques tâches variées l’une après l’autre. Le travail de l’IA demande le contraire : une seule tâche simple, répétée des milliards de fois, côte à côte.

C’est le rôle commun de ces trois puces. Elles se distinguent par leur fabricant, leur degré de spécialisation et la quantité d’énergie et de mémoire dont elles disposent.

## Les trois puces en un tableau

| | GPU | TPU | NPU |
|---|---|---|---|
| Signification | Processeur graphique (*graphics processing unit*) | *Tensor Processing Unit* | Processeur neuronal (*neural processing unit*) |
| Fabricant | Nvidia, AMD et d’autres | Google | Apple, Qualcomm, Intel, AMD et d’autres, à l’intérieur de leurs processeurs |
| Où il tourne | PC de jeu, postes de travail, centres de données | Centres de données de Google | Téléphones et portables |
| Point fort | Presque tout travail parallèle, dont l’entraînement et le service de grands modèles | L’entraînement et le service de grands modèles à l’échelle de Google | Les petits modèles sur batterie |
| Comment en obtenir | L’acheter, ou le louer dans le nuage | Le louer par Google Cloud | Il vient avec votre appareil |

Un « tenseur » (*tensor*), c’est une grille de nombres comme celles que manipulent ces modèles; le TPU tire son nom de ce mot.

## Le GPU : le polyvalent

Les GPU ont d’abord été des puces graphiques, parce que dessiner une image de jeu vidéo revient aussi à faire le même petit calcul sur des millions de pixels à la fois. Cette conception convient aux réseaux de neurones, et elle reste programmable : la même puce peut faire tourner de nouveaux types de modèles à mesure qu’ils apparaissent.

Dans le haut de gamme, un GPU n’est plus une simple carte qu’on tient dans la main. Le Vera Rubin NVL72 de Nvidia est une armoire complète qui relie 72 GPU Rubin et 36 CPU Vera pour qu’ils travaillent comme une seule machine. La fiche de Nvidia pour un site de 100 mégawatts indique 40 000 GPU Rubin et 12 pétaoctets de mémoire rapide, soit environ 300 Go par GPU. Ces chiffres viennent du fabricant, et ses données de performance sont présentées comme des projections.

## Le TPU : le spécialiste

Google a commencé à utiliser son premier TPU dans ses propres centres de données en 2015. [L’article qui le décrit](https://arxiv.org/abs/1704.04760) montre à quel point la conception était étroite : une grande unité de 65 536 multiplicateurs travaillant sur des nombres de 8 bits, avec une pointe de 92 000 milliards d’opérations par seconde, utilisée seulement pour servir des modèles déjà entraînés.

Retirer ce dont un réseau de neurones n’a pas besoin économise de l’énergie et de l’argent. En contrepartie, la puce est moins souple, et ses logiciels se sont surtout développés autour des outils de Google.

La gamme s’est depuis divisée en deux. En avril 2026, Google a annoncé sa huitième génération sous la forme de deux puces, en précisant qu’elles seraient offertes à tous plus tard dans l’année :

| Puce | Conçue pour | Chiffres donnés par Google |
|---|---|---|
| TPU 8t | L’entraînement | Grappes d’au plus 9 600 puces avec 2 pétaoctets de mémoire rapide partagée |
| TPU 8i | L’inférence (répondre aux requêtes) | 288 Go de mémoire rapide et 384 Mo de mémoire intégrée par puce |

Selon Google, les deux peuvent faire l’un ou l’autre travail, et la spécialisation rend simplement chacune plus efficace. Des entreprises externes utilisent aussi les TPU : [Anthropic dit](https://www.anthropic.com/news/google-broadcom-partnership-compute) entraîner et faire tourner Claude sur un mélange de puces Trainium d’AWS, de TPU de Google et de GPU de Nvidia. Trainium est la puce maison d’Amazon, de la même famille de conceptions sur mesure que le TPU.

## Le NPU : l’économe

Un NPU est une section du processeur de votre téléphone ou de votre portable, conçue pour exécuter des fonctions d’IA sans vider la batterie. Flouter l’arrière-plan d’une vidéo, transcrire un appel ou faire tourner un petit assistant sont des tâches typiques.

Sa vitesse est généralement exprimée en TOPS, soit en milliers de milliards d’opérations par seconde. Le seuil de Microsoft pour un [PC Copilot+](https://www.microsoft.com/en-us/windows/copilot-plus-pcs) est de plus de 40 TOPS. C’est moins de la moitié des 92 TOPS de la puce de Google de 2015, mais ces deux chiffres ne mesurent pas le même travail : voyez-y seulement un ordre de grandeur.

Les catégories se recoupent aussi de plus en plus. La puce M5 d’Apple a un moteur neuronal distinct (*Neural Engine*), et place aussi un accélérateur neuronal dans chacun des 10 cœurs de son GPU. Sur cette puce, un modèle local peut très bien tourner sur le GPU plutôt que sur le NPU.

## Un exemple chiffré : pourquoi la mémoire décide

La vitesse n’est que la moitié de l’histoire. Un modèle doit tenir en mémoire avant même de pouvoir tourner. Prenons Kimi K2, un modèle ouvert de 1 000 milliards de paramètres. À un octet par paramètre, un format compressé courant, cela donne environ 1 To de mémoire.

| Matériel | Mémoire | Kimi K2 y tient-il? |
|---|---|---|
| Portable de 16 Go | 16 Go partagés | Non, environ 60 fois trop petit |
| TPU 8i | 288 Go par puce | Il faut au moins 4 puces |
| GPU Rubin | Environ 300 Go par puce | Il faut au moins 4 puces |

Ce calcul est simplifié et ne compte pas la mémoire de travail, mais il montre pourquoi les puces de centres de données ont autant de mémoire rapide, et pourquoi [cette mémoire est elle-même rare](/fr/apprendre/memoire-hbm-penurie-ia/).

> **À essayer :** ouvrez les informations système de votre ordinateur et trouvez le nom de son processeur. Cherchez ce nom avec « NPU TOPS » et « GPU mémoire », puis notez les deux chiffres. C’est le point de départ pour savoir ce qui tournera sur votre machine.

## Laquelle de ces puces vous faut-il vraiment?

Si vous utilisez l’IA seulement par un site Web ou une application, aucune. Les puces se trouvent dans le centre de données de quelqu’un d’autre, et votre appareil ne fait qu’échanger du texte. Un NPU peut rendre quelques fonctions intégrées plus rapides ou plus privées, mais il ne change rien à ce que ChatGPT, Claude ou Gemini peuvent faire pour vous.

Si vous voulez faire tourner des modèles vous-même, pensez d’abord à la mémoire. Un GPU avec beaucoup de mémoire vidéo, ou un Mac avec beaucoup de mémoire unifiée, vous donne le plus grand choix de modèles et les outils les mieux soutenus. Le NPU d’un portable sert surtout aux petits modèles et aux fonctions déjà prévues par votre système d’exploitation ou vos applications.

Si vous entraînez ou servez des modèles pour une entreprise, vous louerez le plus souvent. Les GPU de Nvidia ont le soutien logiciel le plus large. Les TPU méritent une comparaison de prix si votre travail convient déjà à Google Cloud et à ses outils. Le bon test reste votre propre charge de travail : exécutez la même tâche sur chaque option envisagée et comparez le coût par résultat.

## Sources

- Our eighth generation TPUs: two chips for the agentic era: https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/eighth-generation-tpu-agentic-era/
- NVIDIA Vera Rubin NVL72: https://www.nvidia.com/en-us/data-center/vera-rubin-nvl72/
- Apple unleashes M5: https://www.apple.com/newsroom/2025/10/apple-unleashes-m5-the-next-big-leap-in-ai-performance-for-apple-silicon/

---

Tiré du Guide de l’intelligence artificielle, par Robert Scales, publié par Holistic Hybrid inc. Partage et adaptation permis selon la licence CC BY-NC-SA 4.0 (https://creativecommons.org/licenses/by-nc-sa/4.0/) : citez le guide, mettez un lien vers https://guidetoartificialintelligence.com/fr/apprendre/difference-gpu-tpu-npu/, pas d’usage commercial sans permission, et gardez la même licence.