Podle zprávy Tom's Hardware zveřejněné 22. října 2026 nyní Google tenzorové procesorové jednotky běží v datových centrech Meta – což je poprvé, kdy Google prodal své vlastní čipy AI externímu zákazníkovi jako nasazený hardware, nikoli prostřednictvím vlastního cloudu. Tento krok představuje historický posun na trhu s AI hardwarem, kde GPU Nvidia jsou již dlouho výchozí volbou pro trénink a obsluhu velkých modelů.

Po celá léta se v tomto odvětví předpokládalo, že softwarový ekosystém CUDA společnosti Nvidia učinil její GPU nenahraditelnými, i když se objevily alternativy. Tento předpoklad je nyní testován dvěma společnostmi, které mají nejlepší pozici, aby jej prolomily. Dohoda, která v tomto čtvrtletí převyšuje enormní výdaje společnosti Meta na infrastrukturu AI, ukazuje, jak vážně hyperscalery usilují o nezávislost na počítači – příběh, který můžete hlouběji sledovat s nejnovějším vývojem AI, o kterém se denně věnujeme na naší domovské stránce aibuzzwire.news.

Od TorchTPU k oceli a křemíku

Základy tohoto okamžiku byly veřejně položeny jen dva dny předtím. 20. října Google a Meta společně s otevřeným zdrojovým kódem TorchTPU, nativní backend PyTorch pro TPU od Googlu, oznámil na oficiálním blogu PyTorch tým TorchTPU. Projekt začal ve společnosti Google v polovině roku 2025 ve spolupráci s týmem PyTorch společnosti Meta a dělá něco, co žádné předchozí úsilí nezvládlo čistě: umožňuje stávající pracovní zátěže PyTorch běžet na TPU s triviální změnou kódu, která v podstatě vymění `.to("cuda")` za `.to("tpu")`.

Na tom záleží, protože dřívější pokus Google, PyTorch/XLA, spuštěný v roce 2020, vyžadoval rušivé úpravy zdrojového kódu, trpěl dlouhou dobou kompilace a postrádal podporu pro nativní režim spouštění PyTorch. Mnoho týmů, které experimentovaly s TPU, se nakonec vrátilo k GPU Nvidia jednoduše proto, že vývojářský zážitek byl příliš bolestivý. TorchTPU byl výslovně navržen tak, aby to napravil, bez závislostí na JAX v běhovém prostředí a integraci torch.compile postavené na Torch Dynamo spíše než na starším přístupu Lazy Tensor.

Co Meta získá z dohody

Technické výsledky, které Google a Meta zveřejnily, jsou pozoruhodné. Podle podrobností hlášených Yahoo Tech byl zásobník TorchTPU ověřen proti 5 000 modelům Hugging Face a režim provádění DeferAndFuse společnosti Google přináší nárůst výkonu o 50 procent nebo více oproti přísnému horlivému provádění. Případové studie dodavatele ukazují, že model Llama 3 405B společnosti Meta dosahuje 57 procent využití modelu FLOP na klastrech 128 až 1 024 Ironwood TPU – čísla, která, i když jsou sami hlášena, naznačují, že čipy mohou kompetentně provozovat hraniční tréninkové zátěže.

Ekonomika je větší příběh. Dlouho se mluvilo o tom, že TPU stojí výrazně méně než špičková GPU Nvidia a společnost s počítačovým apetitem Meta – pokrývající jak její výzkumné ambice AI, tak její systémy doporučení – má všechny podněty k diverzifikaci od jediného dodavatele. Bloomberg již v listopadu 2025 informoval, že Meta a Google diskutovali o nasazení TPU v datových centrech Meta a o spolupráci na TorchTPU informovala agentura Reuters v prosinci 2025. Nyní se změnilo to, že dohoda se přesunula od diskuse k nasazení, přičemž Tom's Hardware hlásil, že čipy jsou fyzicky nainstalovány a běží v zařízeních Meta.

Prasklina v brnění Nvidie

Nvidia stále ovládá drtivou většinu trhu s akcelerátory AI a její výnosy z datových center zůstávají měřítkem, které každý konkurent pronásleduje. Dynamika se ale posouvá. Jak uvedl TechCrunch ve svém zpravodajství o uvedení TorchTPU, Google se připojil k Amazonu v útoku na pevnost Nvidie na softwarové vrstvě, která udržuje vývojáře svázané s jejím hardwarem. Meta mezitím získává vyjednávací páku: každý stojan TPU, který nainstaluje, je stojanem GPU, který nemusel kupovat za ceny Nvidie.

Tlak přichází z více směrů najednou. Amazon má své čipy Trainium, Google má TPU a vlna startupů staví akcelerátory specifické pro odvození. To, čím se nasazení Meta liší, je rozsah a viditelnost. Meta je jedním z největších zákazníků Nvidie, a pokud její inženýrské týmy dojdou k závěru, že TPU mohou nést smysluplný podíl jak tréninkové, tak inferenční zátěže, ostatní velcí kupci tomu budou věnovat velkou pozornost.

Upozornění

Nic z toho neznamená, že se pozice Nvidie přes noc zhroutí. Samotný blog PyTorch varuje, že i když modely mohou na TPU dojíždět, dosažení špičkového výkonu stále vyžaduje optimalizaci s ohledem na hardware, protože tvary modelů, strategie shardingu a implementace jádra jsou obvykle vyladěny pro architektury GPU. Instrukční sada TPU se liší od sady Nvidia a ekosystém nástrojů, knihoven a zkušených inženýrů zůstává silně zaměřen na GPU.

Je tu také otázka nabídky. Google historicky rezervoval TPU pro své interní úlohy a své cloudové zákazníky a výrobní kapacita pro vlastní akcelerátory není neomezená. Otevřenou otázkou zůstává, zda Google může nebo chce dodávat TPU v rozsahu odpovídajícím celkové výpočetní stopě Meta – která převyšuje většinu společností.

Na co se podívat dále

Okamžité signály, které je třeba monitorovat, jsou, zda ostatní hyperscalery následují vedení Meta, jak Nvidia reaguje na ceny a zda se dynamika open source TorchTPU promítá do skutečné migrace pracovních zátěží PyTorch do infrastruktury TPU. Trh s AI hardwarem čekal roky na důvěryhodnou alternativu k Nvidii na vrcholu. S TPU nyní běžícími v datových centrech druhé společnosti může toto čekání konečně skončit.

Udržujte si náskok před umělou inteligencí

Hardwarový závod s umělou inteligencí se rychle zrychluje a nyní se rozhoduje o vítězích a poražených příští dekády. Zůstaňte před AI s nezávislým pokrytím čipů, modelů a obchodů, které přetvářejí průmysl.

Přečtěte si další zprávy o AI →