加载BERT模型可能会比较慢，特别是当使用的计算资源有限或者网络连接较慢时。以下是一个解决方法，可以通过缓存模型来加快加载速度，并且还可以选择是否使用GPU。

import tensorflow as tf
import tensorflow_hub as hub

# 定义模型加载函数
def load_bert_model():
    # 定义BERT模型的URL
    bert_url = "https://tfhub.dev/tensorflow/bert_en_uncased_L-12_H-768_A-12/2"
    
    # 定义缓存目录
    cache_dir = "./bert_model_cache"
    
    # 定义GPU使用配置
    gpu_enabled = False  # 设置为True以启用GPU
    
    # 配置tf.config
    if gpu_enabled:
        tf.config.experimental.set_visible_devices([], 'GPU')  # 禁用GPU
    
    tfhub_handle = hub.load(bert_url, cache_dir=cache_dir)
    
    return tfhub_handle

# 加载BERT模型
bert_model = load_bert_model()

在上述代码中，我们通过设置cache_dir参数来指定模型的缓存目录，这样就可以避免每次加载模型时都从网络下载模型。此外，通过设置gpu_enabled参数，可以选择是否禁用GPU。如果你想使用GPU，请将gpu_enabled设置为True。

请注意，由于BERT模型的大小可能较大，所以在第一次加载时需要花费一些时间下载模型。但是，一旦模型被缓存，后续的加载速度将会更快。