NPU frente a GPU para IA: ¿cuál es la diferencia? (2026)

Todos los portátiles, teléfonos y tarjetas gráficas vendidos en 2026 anuncian ahora un número «IA». Algunos indican TOPS, otros TFLOPS, y la publicidad rara vez aclara que se trata de unidades distintas que miden chips diferentes realizando tareas distintas. La NPU de tu nuevo portátil y la GPU de tu escritorio son técnicamente «aceleradores de IA», pero fueron diseñadas para triunfar en extremos opuestos del mismo problema.

Este artículo explica qué es realmente una NPU, cómo difiere arquitectónicamente de una GPU y cuál resulta más adecuada según lo que intentes hacer. Utilizamos cifras reales y verificadas del silicio disponible actualmente: el Neural Engine de Apple, el Hexagon de Qualcomm, las NPU de Intel y AMD integradas en los PC con Copilot+ y las unidades RTX y Blackwell para centros de datos de NVIDIA. Sin chips teóricos ni exageraciones.

Qué es realmente una NPU

Una NPU (unidad de procesamiento neuronal) es un bloque de chip diseñado para realizar una única tarea muy específica con extrema eficiencia: las operaciones de multiplicación y acumulación que constituyen el núcleo de las redes neuronales. No es un procesador de propósito general: no puede ejecutar tu sistema operativo ni un videojuego. Lo que sí puede hacer es procesar enormes volúmenes de cálculos enteros de baja precisión (típicamente INT8 o INT4) mediante hardware especializado y con un consumo energético muy reducido.

Esta eficiencia es precisamente su razón de ser. Una NPU existe para que tu teléfono pueda desenfocar el fondo de un vídeo, transcribir una nota de voz o ejecutar un pequeño modelo de lenguaje sin agotar la batería ni activar el ventilador. En Windows, Microsoft ha definido explícitamente esta categoría de hardware: un PC con Copilot+ requiere una NPU capaz de superar 40 billones de operaciones por segundo (40+ TOPS), específicamente para que funciones en el dispositivo como subtítulos en tiempo real y generación de imágenes se ejecuten en la NPU y no en la CPU o la GPU. Windows 11 ahora asigna automáticamente las cargas de trabajo de IA entre la CPU, la GPU y la NPU, e incluso muestra la utilización de la NPU en el Administrador de tareas.

La palabra clave es inferenciainferencia. Las NPU ejecutan modelos ya entrenados. Casi nunca se usan para entrenar modelos desde cero, una tarea fundamentalmente distinta y mucho más exigente.

Cómo difiere arquitectónicamente una GPU

Una GPU nació para renderizar triángulos, y ese legado la configuró como un motor masivamente paralelo de punto flotante con miles de núcleos. Las GPU modernas incorporaron núcleos Tensor (término de NVIDIA) dedicados al cálculo matricial, lo que las convierte en la herramienta predeterminada para IA. Una RTX 5090 cuenta con 21.760 núcleos CUDA más núcleos Tensor de quinta generación.

Tres diferencias arquitectónicas son clave:

• Precisión. Las GPU realizan cómodamente cálculos de punto flotante de alta precisión (FP16, FP32) necesarios para el entrenamiento, y las más recientes añaden niveles de menor precisión. Las GPU Blackwell son las primeras tarjetas para consumidores en soportar FP4. Las NPU dependen casi exclusivamente de cálculos enteros de baja precisión, ideal para inferencia pero inadecuado para entrenamiento.
• Memoria. Este es el factor diferenciador silencioso. Una GPU dispone de su propia memoria VRAM rápida y dedicada (la RTX 5090 incluye 32 GB de GDDR7 con un ancho de banda de aproximadamente 1,79 TB/s). Una NPU comparte la memoria principal del sistema con todos los demás componentes, lo que limita tanto el tamaño máximo del modelo que puede alojar como la velocidad con la que puede alimentarlo.
• Potencia. Una RTX 5090 consume hasta 575 W. Una NPU para portátil ejecuta la misma clase de inferencia con solo unos pocos vatios. Este único hecho explica por qué ambas existen.

Si deseas ejecutar modelos grandes localmente, la memoria y su ancho de banda suelen importar más que la potencia computacional bruta, razón por la cual los compradores de GPU se obsesionan con la VRAM. Nuestra guía sobre las mejores GPU para LLM locales mejores GPUs para modelos de lenguaje de gran tamaño locales

TOPS frente a TFLOPS: por qué estos valores no son comparables

profundiza en este compromiso. operaciones por segundo, y en las NPU casi siempre significa operaciones enteras INT8. Los TFLOPS cuentan billones de operaciones de punto flotante por segundo, la unidad utilizada para GPUs y para el entrenamiento. No son intercambiables.

La precisión INT8 duplica aproximadamente el rendimiento frente a FP16 en el mismo hardware, por lo que un fabricante puede publicar una cifra más llamativa simplemente indicando el formato de menor precisión. Por eso las calificaciones TOPS suelen estar expresadas en INT8: resultan más impresionantes. Ambas cifras son además valores teóricos máximos medidos en condiciones ideales, no el rendimiento sostenido en entornos reales.

Existe una segunda trampa: los TOPS de plataforma frente a los TOPS exclusivos de la NPU. Por ejemplo, Intel® Lunar Lake se comercializa con 120 TOPS «de plataforma», pero esa cifra incluye 67 TOPS procedentes de la GPU, 48 de la NPU y 5 de la CPU. La NPU por sí sola ofrece 48 TOPS. Al comparar chips, asegúrese de que está comparando el mismo bloque.

En qué ámbitos destaca cada una

Un modelo mental claro: la NPU gestiona la IA de la que usted ni siquiera se da cuenta, mientras que la GPU gestiona la IA que usted decide ejecutar intencionadamente. La mayoría de los portátiles de 2026 incorporan ambas, y Windows decide automáticamente cuál usar según la tarea.

Los chips de 2026, cifrados

Aquí es donde los datos reales del silicio cobran sentido. Todas las cifras que aparecen a continuación han sido verificadas con fuentes oficiales de los fabricantes y otras fuentes primarias hasta mediados de 2026. Observe atentamente las unidades: el primer grupo corresponde a TOPS INT8 de NPU, y el segundo a potencia de cómputo de IA de GPU.

El salto entre las filas de NPU y las de GPU no es un error tipográfico. Una NPU líder para portátiles con 80 TOPS y una RTX 5090 con 3.352 TOPS de IA difieren aproximadamente en dos órdenes de magnitud, incluso antes de considerar los 32 GB de memoria de alta velocidad dedicada de la GPU. Esa brecha resume toda la historia: las NPU nunca buscaron competir en rendimiento absoluto, sino en rendimiento por vatio.

El enfoque de Apple está cambiando

Apple merece una mención aparte porque ha dejado de participar en la carrera de los TOPS. El Motor Neural M4 fue calificado en 38 TOPS, pero para el M5 (lanzado en el MacBook Pro de 14 pulgadas a finales de 2025, seguido por las versiones M5 Pro y M5 Max en marzo de 2026) Apple no publicó ninguna cifra de TOPS para el Motor Neural. En su lugar, rediseñó la GPU para integrar un acelerador neuronal dentro de cada uno de sus 10 núcleos gráficos y afirma hasta un 3,5× mayor rendimiento en tareas de IA respecto al M4. Se trata de una apuesta deliberada de que la IA integrada en la GPU importa más que una cifra aislada de NPU, lo que complica la clara distinción entre NPU y GPU. Si está evaluando Mac frente a Windows para aplicaciones de IA, la comparación entre Snapdragon X Elite y Apple M4 explica cómo se sienten realmente ambos ecosistemas en el uso cotidiano.

Qué implica esto para ejecutar IA localmente

Esta es la parte sincera que las hojas de especificaciones omiten. A mediados de 2026, la NPU sigue siendo el eslabón más débil para ejecutar modelos de lenguaje locales, no porque el silicio sea lento, sino porque la pila de software aún es inmadura. Pruebas independientes con un Snapdragon X Elite ejecutando un modelo cuantizado de 7B mediante la ruta QNN de Qualcomm arrojan unos 9–12 tokens por segundo. Una interacción fluida, similar a la de una herramienta profesional, comienza alrededor de los 30 tokens por segundo. Peor aún, entornos de ejecución populares como Ollama aún carecen de soporte nativo para cómputo en NPU, por lo que en muchos equipos esa potente NPU permanece inactiva mientras la CPU asume toda la carga de trabajo.

Por tanto, si su objetivo actual es ejecutar efectivamente un modelo de tamaño considerable en casa, una GPU discreta con abundante VRAM sigue siendo la solución práctica, y la pila de software de AMD ha madurado lo suficiente como para constituir una alternativa genuina digna de considerarse en nuestro análisis de análisis comparativo entre ROCm y CUDA«Mejores GPUs para IA local». mercado de mini-PCs para IA local.

Para los teléfonos, el cálculo es distinto y la NPU claramente gana: no existe ninguna alternativa basada en GPU que consuma solo milivatios, y las funciones de IA en el dispositivo están optimizadas específicamente para la NPU. Si la IA móvil es su prioridad, consulte los mejores teléfonos para IA en el dispositivo.

Una breve mención sobre CPUs y TPUs

Dos siglas adicionales completan el panorama. La CPU puede ejecutar tareas de IA, pero es la opción más lenta para ello; en Lunar Lake, la CPU aporta tan solo 5 de los TOPS totales de la plataforma. Su función principal consiste en coordinar las operaciones y gestionar las tareas que ni las NPU ni las GPU pueden realizar.

Las TPUs (Unidades de Procesamiento de Tensores) son ASIC personalizados de Google, conceptualmente más cercanos a una NPU masiva para centros de datos que a una GPU. Residen en la nube, no en sus dispositivos. La séptima generación de TPUs de Google, denominada «Ironwood», ofrece 4.614 TFLOPS en precisión FP8 por chip, con 192 GB de memoria HBM3e, y un pod completo puede escalar hasta miles de chips para entrenamiento y servicio de modelos punteros. Nunca tendrá una sobre su escritorio, pero gran parte de la IA que usted utiliza se sirve desde ellas.

Preguntas frecuentes

¿Es una NPU más rápida que una GPU?

No, no en términos absolutos. Una GPU de gama alta como la RTX 5090 (3.352 TOPS de IA) supera ampliamente en rendimiento computacional a cualquier NPU para consumidores (45–80 TOPS). La ventaja de la NPU radica en su eficiencia: realiza tareas de IA consumiendo solo unos pocos vatios en lugar de cientos, lo cual es crucial para la duración de la batería y las funciones siempre activas, pero no para la velocidad máxima.

¿Puedo ejecutar modelos del estilo de ChatGPT en mi NPU?

Puede ejecutar modelos locales pequeños y cuantizados en una NPU de 40+ TOPS, pero a mediados de 2026 la experiencia sigue siendo limitada. Un modelo de 7B genera aproximadamente entre 9 y 12 tokens por segundo en una NPU Snapdragon, y muchos entornos de ejecución aún no admiten la NPU como destino. Para una experiencia fluida con modelos grandes, una GPU con abundante VRAM sigue siendo la herramienta más adecuada.

¿Por qué los portátiles necesitan una NPU de 40 TOPS para Copilot+?

Microsoft estableció los 40+ TOPS como umbral mínimo para garantizar que las funciones de IA en el dispositivo (subtítulos en tiempo real, efectos de estudio, Recall y generación de imágenes) se ejecuten en la NPU y no en la CPU o la GPU. Esto evita que dichas funciones, siempre activas, agoten rápidamente la batería y asegura una capacidad mínima que los desarrolladores puedan aprovechar de forma fiable.

¿Cuál es la diferencia entre TOPS y TFLOPS?

Los TOPS miden billones de operaciones enteras por segundo (normalmente en precisión INT8) y se utilizan para evaluar NPUs. Los TFLOPS miden billones de operaciones en coma flotante por segundo y se emplean para GPUs y tareas de entrenamiento. Al usar distintas precisiones y unidades, no es posible comparar directamente un valor expresado en TOPS con otro en TFLOPS.

¿Tiene el M5 de Apple una NPU?

Sí. El M5 incorpora un Neural Engine de 16 núcleos, aunque Apple ya no publica una cifra oficial de TOPS para él. En su lugar, Apple ha integrado aceleradores neuronales en cada núcleo de GPU y afirma que su rendimiento de IA es hasta un 3,5× superior al del M4, lo que indica un cambio estratégico hacia una IA integrada en la GPU, en lugar de depender exclusivamente de una NPU independiente.

¿Es una TPU mejor que una GPU para IA?

Para el entrenamiento e inferencia a gran escala propios de Google, las TPUs son altamente competitivas y rentables a escala de pod. Sin embargo, las TPUs son ASIC exclusivos de la nube que no se pueden adquirir para PC, mientras que las GPUs son dispositivos de propósito general que funcionan en cualquier entorno. Para la mayoría de los usuarios, la elección práctica sigue siendo entre NPU y GPU, no entre TPU y GPU.

¿Reemplazarán las NPUs a las GPUs en aplicaciones de IA?

No para cargas de trabajo intensivas. Las NPUs están asumiendo progresivamente la inferencia eficiente en el dispositivo, y esta tendencia seguirá creciendo. Pero el entrenamiento, los modelos locales grandes y la generación de alto rendimiento siguen requiriendo GPUs (o TPUs). El panorama realista para 2026 es uno de convergencia, donde NPUs, GPUs y diseños con memoria unificada ocupan nichos específicos.

Conclusión

Plantear la comparación NPU frente a GPU como una competencia es un enfoque equivocado. Ambas constituyen respuestas distintas a preguntas diferentes. Si busca una IA eficiente y siempre activa que no afecte su autonomía de batería, la NPU está cumpliendo su función de forma invisible dentro de su teléfono y portátil, y la generación de 2026 (80 TOPS en Snapdragon X2, 48–50 TOPS en Intel y AMD) es realmente capaz. Si desea entrenar modelos, ejecutar grandes LLM locales o generar contenidos multimedia a alta velocidad, la GPU sigue siendo la única opción seria, y nada en el ámbito de las NPUs se acerca, en rendimiento bruto, a una RTX 5090 o una B200.

El desarrollo más interesante es que la frontera entre ambas tecnologías se está difuminando. Apple está integrando la aceleración neuronal en la GPU, AMD está dotando a sus NPUs de memoria de clase GPU, y el software va alcanzando lentamente este avance. Por ahora, elija según su carga de trabajo: NPU para eficiencia e IA ambiental, GPU para potencia y tamaño de modelos locales. No deje que un simple número de TOPS impreso en una etiqueta tome la decisión por usted.