另一方面，Turing的SM单元内部运算单元有了全新的组份以及分配方式。在Turing架构中，一个SM拥有64个FP32、64个INT32、8个Tensor Core 、1个RT Core，原本以为FP64单元也彻底消失了，但其实每个SM单元依然配给了2个FP64双精度单元，但是框架图中未画出，保持以往的FP32/FP64的32:1比例，确保兼容性问题。
此外添加了独立的INT数据路径，类似于Volta GV100 GPU的独立线程调度，支持FP32和INT32操作的并发执行。Turing架构SM单元还为共享缓存、L1缓存、纹理缓存引入了统一架构，可以让L1缓存更充分利用资源。Turing的L1缓存与共享缓存大小是灵活可变的，可以根据需要在64 32KB或者32 64KB之间变换，目的在于减少L1缓存延迟，并提供比Pascal GPU中使用的L1缓存更高的带宽。
同时L2缓存容量大大地提升至6MB，是Pascal架构的两倍。根据NVIDIA官方数据显示，与Pascal架构相比，Turing架构每个TPC带宽命中效果增加2倍。当前游戏应用程序中一组着色器工作负载的结果Turing Tensor Core——AI的灵魂其实Turing里面真的有很多Volta的影子，比如Tensor Core首次出现在Volta架构中，而Turing架构对其进行了增强。
还增加了新的INT8和INT4精度模式，FP16半精度也能够被完整支持。Tensor中文里面就是张量，区别于我们常见的标量（0维）、矢量（1维）、矩阵（2维），张量拥有3维或者更高维，本质核心上就是一个数据容器，可以包含更多维度数据。而目前深度学习就是通过极大量数据运算计算出最终结果，通常会用到矩阵融合乘加（FMA）运算，而Tensor Core区别于ALU整数运算，天生就是为这种矩阵数学运算服务。
它可以将两个4×4 FP16矩阵相乘，然后将结果添加到4×4 FP16或FP32矩阵中，最终输出新的4×4 FP16或FP32矩阵。NVIDIA将Tensor Core进行的这种运算称为混合精度数学，因为输入矩阵的精度为半精度，但乘积可以达到完全精度。每个Tensor Core可以使用FP16输入在每个时钟执行多达64个浮点融合乘加（FMA）运算，新的INT8精度模式的工作速率是此速率的两倍。
Turing Tensor Core为矩阵运算提供了显著的加速，除了新的神经图形功能外，还用于深度学习训练和推理操作。Tensor Core FP16、INT8、INT4算力，以RTX 2080 Ti为例Pascal和Turing Tensor Core之间配置比较NVIDIA将Tensor单元引入到Turing架构当中，意味着可以在游戏中首次实现深度学习。
Tensor虽然为深度计算而生，但没有平台框架用不起来的呀。所以NVIDIA又造了个Neural Graphics Acceleration（NGX），专门建立起属于GPU的DNN深度神经网络，用于加速处理游戏中的部分特性，实现游戏也能AI。有了Tensor Core与NGX的结合，它可以加速实现一些过去非常繁琐功能，可以在游戏中实现诸如深度学习超级采样DLSS、AI InPainting、AI Super Rez、AI Slow-Mo等功能。
