Impulsando el avance de Google hacia los 4 billones con TPU, ¿cómo puede destacar en el ámbito de la cadena de bloques?

Autor: Eli5DeFi

Traducción: Tim, PANews

Nota editorial de PANews: El 25 de noviembre, la capitalización bursátil de Google alcanzó un máximo histórico de 3,96 billones de dólares. Además del lanzamiento de su IA más potente, Gemini 3, otro factor que impulsó el precio de sus acciones es su chip propio, TPU. Más allá del campo de la IA, la TPU también mostrará su potencial en blockchain.

La narrativa del hardware de la computación moderna está definida fundamentalmente por el auge de la GPU.

Desde los videojuegos hasta el aprendizaje profundo, la arquitectura paralela de NVIDIA se ha convertido en el estándar de la industria, relegando a la CPU a un papel de coprocesador.

Sin embargo, a medida que los modelos de IA encuentran límites de escala y la tecnología blockchain avanza hacia aplicaciones criptográficas más complejas, un nuevo competidor ha aparecido: el procesador tensorial (TPU).

Aunque la TPU suele analizarse dentro de la estrategia de IA de Google, su arquitectura encaja sorprendentemente bien con los requisitos fundamentales de la próxima gran frontera tecnológica de blockchain: la criptografía post-cuántica.

Este artículo repasa la evolución del hardware y compara características de arquitectura para explicar por qué, a la hora de construir redes descentralizadas resistentes a ataques cuánticos, la TPU (y no la GPU) es más adecuada para los intensivos cálculos matemáticos que exige la criptografía post-cuántica.

Evolución del hardware: del procesamiento en serie a la arquitectura en flujo

Para entender la importancia de la TPU, primero hay que comprender qué problemas resuelve.

• Unidad Central de Procesamiento (CPU): es el todoterreno, experto en procesamiento en serie y operaciones con ramificaciones lógicas, pero tiene un papel limitado cuando se trata de ejecutar cálculos matemáticos masivos de forma simultánea.
• Unidad de Procesamiento Gráfico (GPU): el especialista en procesamiento paralelo. Fue diseñada originalmente para renderizar píxeles y, por tanto, es adecuada para ejecutar muchas tareas idénticas al mismo tiempo (SIMD: una instrucción, múltiples datos). Esta característica la convirtió en la piedra angular de la explosión inicial de la IA.
• Unidad de Procesamiento Tensorial (TPU): un chip especializado, diseñado por Google específicamente para tareas de cálculo en redes neuronales.

Ventajas de la arquitectura en flujo

La diferencia fundamental entre GPU y TPU radica en cómo procesan los datos.

La GPU necesita recurrir repetidamente a la memoria (registros, cachés) para realizar los cálculos, mientras que la TPU utiliza una arquitectura en flujo. Esta arquitectura, similar al latido de un corazón, hace que los datos fluyan de manera rítmica a través de una red de unidades de cálculo a gran escala.

https://www.ainewshub.org/post/ai-inference-costs-tpu-vs-gpu-2025

El resultado de cada cálculo se transmite directamente a la siguiente unidad de cálculo, sin necesidad de escribirlo de nuevo en la memoria. Este diseño alivia enormemente el cuello de botella de von Neumann, es decir, la latencia producida por el movimiento repetido de datos entre la memoria y el procesador, logrando así un aumento de varios órdenes de magnitud en el rendimiento para ciertos cálculos matemáticos.

La clave de la criptografía post-cuántica: ¿por qué blockchain necesita TPUs?

La aplicación más relevante de la TPU en blockchain no es la minería, sino la seguridad criptográfica.

Los sistemas blockchain actuales dependen de la criptografía de curva elíptica o de RSA, ambos con debilidades fatales frente al algoritmo de Shor. Esto significa que, en cuanto existan ordenadores cuánticos lo suficientemente potentes, un atacante podría derivar la clave privada a partir de la clave pública, vaciando por completo todos los activos cifrados en Bitcoin o Ethereum.

La solución reside en la criptografía post-cuántica. Actualmente, los algoritmos estándar PQC más populares (como Kyber o Dilithium) están basados en criptografía de retículas (Lattice).

La idoneidad matemática de la TPU

Aquí es donde la TPU aventaja a la GPU. La criptografía de retículas depende en gran medida de operaciones densas con grandes matrices y vectores, principalmente:

• Multiplicación matriz-vector: As+e (donde A es una matriz, s y e son vectores).
• Operaciones polinómicas: operaciones algebraicas basadas en anillos, normalmente implementadas con transformadas numéricas.

Las GPUs tradicionales tratan estos cálculos como tareas de procesamiento paralelo genéricas, mientras que la TPU acelera estos procesos con unidades de cálculo matricial implementadas directamente en el hardware. La estructura matemática de la criptografía de retículas encaja casi perfectamente con la estructura física de la matriz en flujo de la TPU.

La batalla tecnológica entre TPU y GPU

Aunque la GPU sigue siendo la reina universal de la industria, la TPU tiene una ventaja absoluta en tareas específicas e intensivas en cálculos matemáticos.

Conclusión: la GPU gana en versatilidad y ecosistema, mientras que la TPU domina en eficiencia de cálculo algebraico lineal intensivo, que es precisamente el núcleo matemático de la IA y de la criptografía avanzada moderna.

TPUs y nuevas narrativas: pruebas de conocimiento cero y IA descentralizada

Además de la criptografía post-cuántica, la TPU también muestra potencial en otras dos áreas clave de Web3.

Pruebas de conocimiento cero

Los ZK-Rollups (como Starknet o zkSync), que son soluciones de escalado para Ethereum, requieren una enorme cantidad de cálculos en el proceso de generación de pruebas, principalmente:

• Transformada rápida de Fourier: para convertir rápidamente la representación de los datos.
• Multiplicación multiescalar: para combinar operaciones sobre puntos en curvas elípticas.
• Protocolo FRI: sistema criptográfico para la verificación de pruebas polinómicas.

Este tipo de cálculos no son el fuerte de los ASIC dedicados al hash, sino de las matemáticas polinómicas. Frente a la CPU convencional, la TPU puede acelerar notablemente las FFT y los cálculos de compromisos polinómicos; y gracias a la naturaleza predecible del flujo de datos de estos algoritmos, la TPU suele superar en eficiencia incluso a la GPU.

Con el auge de redes de IA descentralizada como Bittensor, los nodos de la red deben ser capaces de ejecutar inferencias de modelos de IA. Ejecutar modelos de lenguaje generalizados implica ejecutar muchísimas multiplicaciones de matrices.

En comparación con los clústeres de GPU, la TPU permite que los nodos descentralizados procesen solicitudes de inferencia de IA con menor consumo energético, aumentando así la viabilidad comercial de la IA descentralizada.

Ecosistema TPU

Aunque la mayoría de los proyectos aún dependen de la GPU debido a la ubicuidad de CUDA, los siguientes campos están listos para integrar TPUs, especialmente bajo la narrativa de la criptografía post-cuántica y las pruebas de conocimiento cero.

Pruebas de conocimiento cero y soluciones de escalado

¿Por qué elegir TPU? Porque la generación de pruebas ZK requiere procesar en paralelo grandes volúmenes de cálculos polinómicos, y en ciertas configuraciones de arquitectura, la TPU es mucho más eficiente que la GPU genérica para este tipo de tareas.

• Starknet (solución de escalado de capa 2): las pruebas STARK dependen en gran medida de la transformada rápida de Fourier y de la prueba interactiva de Reed-Solomon, operaciones muy intensivas y perfectamente alineadas con la lógica de la TPU.
• zksync (solución de escalado de capa 2): su generador de pruebas Airbender necesita procesar FFT y cálculos polinómicos a gran escala, un cuello de botella que la TPU puede superar.
• Scroll (solución de escalado de capa 2): utiliza los sistemas de pruebas Halo2 y Plonk, cuyos cálculos principales (verificación de compromisos KZG y multiplicación multiescalar) encajan a la perfección con la arquitectura en flujo de la TPU.
• Aleo (blockchain centrada en privacidad): especializada en la generación de pruebas de conocimiento cero zk-SNARK, cuyas operaciones principales dependen de matemáticas polinómicas que la TPU puede procesar con un alto rendimiento.
• Mina (blockchain ligera): utiliza SNARKs recursivos, y su mecanismo de regeneración continua de pruebas exige realizar repetidamente cálculos polinómicos, lo que pone en valor la eficiencia de la TPU.
• Zcash (criptomoneda de privacidad): el sistema clásico de pruebas Groth16 se basa en operaciones polinómicas. Aunque es una tecnología anterior, el hardware de alto rendimiento sigue aportando importantes beneficios.
• Filecoin (DePIN, almacenamiento): su mecanismo de prueba de replicación utiliza pruebas de conocimiento cero y codificación polinómica para validar la validez de los datos almacenados.

IA descentralizada y cómputo delegado

¿Por qué elegir TPU? Este es el caso de uso nativo de la TPU, diseñada específicamente para acelerar tareas de aprendizaje automático en redes neuronales.

• Bittensor: su arquitectura principal es la inferencia de IA descentralizada, lo que encaja perfectamente con la capacidad de cálculo tensorial de la TPU.
• Fetch (agente de IA): los agentes autónomos de IA dependen de inferencias neuronales continuas para la toma de decisiones, y la TPU puede ejecutar estos modelos con menor latencia.
• Singularity (plataforma de servicios de IA): como mercado de servicios de inteligencia artificial, Singularity mejora notablemente la velocidad y el coste de ejecución de los modelos al integrar TPU.
• NEAR (blockchain, transición estratégica hacia IA): en su transición hacia IA on-chain y agentes de ejecución confiable, la computación tensorial que requieren se beneficia enormemente de la aceleración de la TPU.

Redes de criptografía post-cuántica

¿Por qué elegir TPU? El núcleo de la criptografía post-cuántica suele implicar el problema del vector más corto en retículas, tareas que requieren operaciones intensivas de matrices y vectores, muy similares en requisitos arquitectónicos a las cargas de trabajo de IA.

• Algorand (blockchain): utiliza soluciones de hash cuántico seguro y cálculos vectoriales, altamente compatibles con la capacidad de cálculo paralelo de la TPU.
• QAN (blockchain resistente a la computación cuántica): emplea criptografía de retículas, y sus operaciones fundamentales con polinomios y vectores se benefician directamente de la optimización matemática de la TPU.
• Nexus (plataforma de cómputo, ZkVM): su preparación para la computación resistente a lo cuántico abarca algoritmos polinómicos y de bases de retículas, fácilmente mapeables a la arquitectura de la TPU.
• Cellframe (blockchain resistente a lo cuántico): emplea criptografía de retículas y técnicas de hash que involucran operaciones tipo tensorial, haciéndola ideal para la aceleración con TPU.
• Abelian (token de privacidad): centrada en cálculos de retículas post-cuánticas. Al igual que QAN, su arquitectura técnica puede aprovechar al máximo el alto rendimiento vectorial de la TPU.
• Quantus (blockchain): las firmas post-cuánticas dependen de operaciones vectoriales masivas, y la capacidad de paralelización de la TPU supera ampliamente a la CPU estándar en este campo.
• Pauli (plataforma de cómputo): la computación segura frente a lo cuántico requiere un gran volumen de cálculos matriciales, el punto fuerte de la arquitectura de la TPU.

Cuellos de botella: ¿por qué la TPU aún no está generalizada?

Si la TPU es tan eficiente en criptografía post-cuántica y pruebas ZK, ¿por qué la industria sigue comprando chips H100?

• Moat de CUDA: la biblioteca de software CUDA de NVIDIA es el estándar de la industria, y la mayoría de los ingenieros criptográficos programan en CUDA. Migrar el código a los frameworks JAX o XLA de la TPU implica una alta barrera técnica y requiere una inversión significativa de recursos.
• Acceso restringido en la nube: las TPUs de alta gama están prácticamente monopolizadas por Google Cloud. Si las redes descentralizadas dependen excesivamente de un proveedor centralizado, se exponen a riesgos de censura y a puntos únicos de fallo.
• Rigidez arquitectónica: si los algoritmos criptográficos requieren ligeros ajustes (por ejemplo, introducción de lógica de ramificación), el rendimiento de la TPU cae en picado. La GPU es mucho más capaz de manejar este tipo de lógica no estructurada.
• Limitaciones en operaciones de hash: la TPU no puede sustituir a los mineros de Bitcoin. El algoritmo SHA-256 es una operación a nivel de bit, no matricial, por lo que la TPU no tiene ningún papel en este campo.

Conclusión: el futuro es la arquitectura por capas

El futuro del hardware de Web3 no será una batalla de ganador único, sino que evolucionará hacia una arquitectura por capas.

La GPU seguirá siendo la principal responsable del cómputo general, el renderizado gráfico y las tareas con lógica de ramificación compleja.

La TPU (y otros aceleradores similares tipo ASIC) se convertirán gradualmente en la configuración estándar de la “capa matemática” de Web3, dedicados a la generación de pruebas de conocimiento cero y a la verificación de firmas criptográficas post-cuánticas.

A medida que blockchain migre hacia estándares resistentes a lo cuántico, el enorme volumen de cálculos matriciales requeridos para las firmas y verificaciones de transacciones hará que la arquitectura en flujo de la TPU deje de ser opcional para convertirse en infraestructura esencial para construir redes descentralizadas cuántico-seguras y escalables.