Conocimiento · TI · Datos · DX

NPU · Unidad de procesamiento neuronal

Neural Processing Unit

📂IT·Datos·DX⏱Lectura de 2 min📊Introductorio🔗Relacionados 4

¿Qué es la NPU?

Definición en una línea
Chip de IA dedicado, diseñado especialmente para operaciones de redes neuronales artificiales (Neural Processing Unit), que procesa funciones de IA con rapidez y bajo consumo energético.
⚡ Resumen en 3 líneas
  • Procesador de bajo consumo dedicado a operaciones de IA
  • El corazón de la IA en el dispositivo y de las PC con IA
  • Esquema de reparto de funciones entre CPU y GPU

Lo que la NPU cambia en realidad es <«dónde»> se realiza el cálculo de la IA. Hasta ahora, la mayoría de las funciones de IA en las empresas funcionaban llamando a una API de nube; incluso para resumir una sola acta, el archivo de audio se subía a un servidor externo y se cobraba según el uso. Un equipo con NPU completa ese cálculo dentro del propio dispositivo, por lo que desaparece el costo por cada llamada y la misma función sigue funcionando en una fábrica o en un viaje de trabajo con red inestable. En la práctica, el cambio más importante es que desaparece el propio punto de control de si los datos salen de la empresa, que en cada revisión de seguridad era un obstáculo.

El rendimiento suele expresarse en TOPS (billones de operaciones por segundo), y el criterio que Microsoft propuso para los requisitos de PC Copilot+ es de 40 TOPS o más. Sin embargo, esta cifra se basa en operaciones de baja precisión, como INT8, así que es difícil comparar productos directamente, y la velocidad que se percibe suele depender más de la capacidad y el ancho de banda de la memoria que de los TOPS. Los modelos que pueden ejecutarse en una laptop de 16 GB suelen limitarse a unos miles de millones de parámetros, así que si se espera la misma calidad que los modelos grandes de la nube, habrá decepción.

Los límites de cada rol también están claros. La NPU es, en esencia, un chip de inferencia para ejecutar modelos ya entrenados; entrenar o ajustar un modelo desde cero sigue siendo tarea de los servidores con GPU. Por eso, la decisión práctica no es 'NPU o GPU', sino una separación de diseño por tipo de trabajo: las tareas repetitivas y sensibles, como resumir documentos internos, traducir o separar hablantes, se procesan en el equipo, y las que requieren modelos grandes se procesan en la nube.

El malentendido más común es pensar que, al comprar una laptop con NPU, la aplicación de IA que ya usaba se acelerará sola. Si la aplicación y el controlador no admiten la ruta de la NPU, el cálculo sigue haciéndose en la CPU y se paga un equipo caro solo para ver aumentar el ruido del ventilador y el consumo de batería. De hecho, no son pocos los casos en que el efecto indicado en la solicitud de compra no se verifica y el presupuesto del año siguiente se recorta. Además, que un dispositivo sea “on-device” no significa que todo el procesamiento se quede dentro del equipo. Si la aplicación llama internamente a la nube, el efecto en seguridad es nulo, así que hace falta un procedimiento para pedir por escrito al proveedor, antes de comprar, confirmación de si la aplicación que se usa realmente aprovecha la NPU.

Capacitaciones en las que aparece este término · IA·DX
Cursos recomendados · Instructores recomendados · Mini cotización
🧮 Mini cotización · Criterio de honorarios
Aprox. KRW 1,200,000 (≈ US$900)Charla especial de 2 horas · hasta 20 personas · en coreano
Solicitar cotización formal con estas condiciones →
💡 Dicho de forma sencilla
Si la CPU es un oficinista polivalente que hace de todo, la NPU es como un artesano especialista que se concentra en un solo tipo de cálculo y lo resuelve con una rapidez y un costo muy superiores.
Por qué es importante en la práctica
Ahora que la IA en el dispositivo y las PC con IA se están convirtiendo en el estándar del entorno de trabajo, la NPU es un concepto básico que conviene conocer tanto para la capacitación en alfabetización digital de los colaboradores como para las decisiones de adquisición de activos de TI.
⚠️ Malentendidos comunes
Existe el malentendido de que «la NPU reemplaza a la GPU», pero el entrenamiento de IA a gran escala sigue siendo terreno de la GPU, y la NPU es complementaria: se encarga de la inferencia en el dispositivo con bajo consumo energético.
Origen y fuentes

Este concepto surgió a mediados de la década de 2010, cuando la expansión del aprendizaje profundo impulsó el desarrollo de aceleradores dedicados que procesan los cálculos de IA de forma más eficiente que las CPU y las GPU. Después, los AP de los teléfonos inteligentes empezaron a incorporar unidades de procesamiento neuronal, y hoy se han extendido a dispositivos móviles, PC y servidores.

Fuente · Evolución del desarrollo de aceleradores de IA dedicados en la era del aprendizaje profundo · Ver original
Entender con un caso

Veamos un caso hipotético. La empresa A, fabricante de autopartes con 620 colaboradores, llegó al momento de reemplazar 380 portátiles entregados en 2019. El departamento que maneja planos de diseño y tablas de precios de proveedores tenía una directriz de seguridad que prohibía subir documentos internos a servicios de IA externos, por lo que su uso de IA era prácticamente nulo. El equipo de estrategia de información evaluó durante cuatro meses la adopción de PC con IA equipadas con NPU.

  1. El jefe del equipo de estrategia de información recopiló de cada departamento 32 tareas que querían hacer con IA pero no podían por la directriz. Tres de ellas —redacción de actas, traducción de correos en otros idiomas y resumen de especificaciones técnicas— superaron la mitad de las solicitudes.
  2. El equipo de compras quiso elegir el modelo solo con la cifra de 45 TOPS de la cotización, pero el jefe de equipo propuso que primero se verificara si el groupware y el visor de PDF que usamos a diario realmente utilizan la NPU, y pidió a tres proveedores la lista de aplicaciones compatibles.
  3. Para empezar, entregamos primero 40 equipos a 40 personas de los equipos de diseño y compras y realizamos un piloto de 8 semanas. Como grupo de control, usamos 10 laptops existentes y medimos con el mismo criterio la duración de la batería y el tiempo de procesamiento para resumir documentos.
  4. En la cuarta semana llegó la queja de que 'al pulsar el botón de resumen solo suena el ventilador'. Al revisarlo, la aplicación estaba haciendo el cálculo en la CPU, y el camino de la NPU solo se activó después de actualizar el controlador y la versión de la aplicación.
  5. Tras confirmar la adquisición, junto con el área de recursos humanos se realizaron tres sesiones prácticas de 2 horas, con la participación de 190 personas, y se distribuyó por departamento una tabla de referencia de una página que distingue: «este documento, en el equipo; esta tarea, en la nube».
  6. Ocho semanas después, el tiempo de elaboración de actas por reunión bajó en promedio de 35 a 9 minutos. Además, al aumentar los tipos de documento que podían procesarse sin infringir la directriz de seguridad, se ahorraron unos KRW 19,000,000 (≈ US$14,200) al año en el presupuesto de suscripciones a servicios de IA externos.
Términos relacionados
Capacitaciones relacionadas con este término
📚Semiconductores de forma sencilla: ¡lo esencial!Capacitación corporativa Nanum Consultoría · presencial/en líneaVer curso →
¿Necesita capacitación interna sobre este tema?
Reciba de inmediato un currículo y una cotización personalizados para su equipo.
Consultar sobre capacitación
Última modificación 2026-09-13 · Revisado por John Kim

Preguntas frecuentes

La GPU es un procesador paralelo de uso general que nació en el procesamiento gráfico y se emplea en el entrenamiento y la inferencia de IA en general. La NPU, en cambio, fue diseñada desde el inicio solo para operaciones de redes neuronales y realiza las mismas tareas de IA con mucho menos consumo de energía. Lo habitual es un reparto de funciones: la GPU se encarga del entrenamiento a gran escala y la NPU, de la inferencia en el dispositivo.
La IA en el dispositivo ejecuta la IA en el propio equipo, sin pasar por un servidor, y la NPU es el componente clave que lo hace posible. Esto se debe a que, para mantener la IA funcionando de forma permanente en equipos con batería, se necesita un procesador dedicado de bajo consumo.
Funciones de IA como traducción en tiempo real y subtítulos de reuniones, resumen de documentos, o generación y corrección de imágenes pueden procesarse en el propio equipo, sin conexión a internet ni cargos de nube. También tiene la ventaja de seguridad de poder procesar documentos internos sensibles sin enviarlos a servidores externos.
Suele expresarse en TOPS (billones de operaciones por segundo); cuanto mayor es el número, mayor es la capacidad de procesamiento de IA. Sin embargo, el rendimiento que se percibe en la práctica depende en gran medida de la optimización del software, por lo que es difícil comparar solo con las cifras.