Google TPUs Now Power Meta's Data Centers in Direct Challenge to Nvidia

Laut einem am 22. Oktober 2026 veröffentlichten Bericht von Tom's Hardware laufen die Tensor-Verarbeitungseinheiten von Google jetzt in den Rechenzentren von Meta – das erste Mal, dass Google seine benutzerdefinierten KI-Chips als bereitgestellte Hardware und nicht über die eigene Cloud an einen externen Kunden verkauft hat. Der Schritt markiert einen historischen Wandel auf dem KI-Hardwaremarkt, wo Nvidias GPUs lange Zeit die Standardwahl für das Training und die Bedienung großer Modelle waren.

Seit Jahren geht man in der Branche davon aus, dass Nvidias CUDA-Software-Ökosystem seine GPUs unersetzlich gemacht hat, selbst als Alternativen aufkamen. Diese Annahme wird nun von den beiden Unternehmen getestet, die am besten in der Lage sind, sie zu durchbrechen. Der Deal, der zu Metas enormen KI-Infrastrukturausgaben in diesem Quartal hinzukommt, zeigt, wie ernst Hyperscaler die Rechenunabhängigkeit anstreben – eine Geschichte, die Sie anhand der neuesten KI-Entwicklungen, die täglich auf unserer Homepage unter aibuzzwire.news behandelt werden, ausführlicher verfolgen können.

Von TorchTPU zu Stahl und Silizium

Der Grundstein für diesen Moment wurde erst zwei Tage zuvor öffentlich gelegt. Am 20. Oktober haben Google und Meta gemeinsam TorchTPU als Open-Source-Lösung entwickelt, ein natives PyTorch-Backend für Googles TPUs, wie das TorchTPU-Team im offiziellen PyTorch-Blog bekannt gab. Das Projekt startete Mitte 2025 bei Google in Zusammenarbeit mit dem PyTorch-Team von Meta und schafft etwas, was bisher noch nie sauber gelungen ist: Es ermöglicht die Ausführung bestehender PyTorch-Workloads auf TPUs mit einer einfachen Codeänderung, im Wesentlichen durch den Austausch von „.to(“cuda“)“ gegen „.to(“tpu“)“.

Das ist wichtig, weil Googles früherer Versuch, PyTorch/XLA, der im Jahr 2020 eingeführt wurde, aufdringliche Änderungen am Quellcode erforderte, unter langen Kompilierungszeiten litt und keine Unterstützung für den nativen Eager-Ausführungsmodus von PyTorch bot. Viele Teams, die mit TPUs experimentiert hatten, kehrten letztendlich zu Nvidia-GPUs zurück, einfach weil die Entwicklererfahrung zu schmerzhaft war. TorchTPU wurde explizit entwickelt, um dieses Problem zu beheben, ohne JAX-Abhängigkeiten in der Laufzeit und die Torch.compile-Integration basiert auf Torch Dynamo und nicht auf dem älteren Lazy Tensor-Ansatz.

Welche Meta von dem Deal hat

Bemerkenswert sind die technischen Ergebnisse, die Google und Meta veröffentlicht haben. Nach Angaben von Yahoo Tech wurde der TorchTPU-Stack anhand von 5.000 Hugging-Face-Modellen validiert, und der Ausführungsmodus DeferAndFuse von Google liefert Leistungssteigerungen von 50 Prozent oder mehr gegenüber der strikten Eager-Ausführung. Fallstudien von Anbietern zeigen, dass das Llama 3 405B-Modell von Meta eine Modell-FLOP-Auslastung von 57 Prozent auf Clustern von 128 bis 1.024 Ironwood-TPUs erreicht – Zahlen, die zwar selbst angegeben wurden, aber darauf hinweisen, dass die Chips Trainings-Workloads im Grenzbereich kompetent ausführen können.

Die Wirtschaft ist die größere Geschichte. Gerüchten zufolge kosten TPUs seit langem deutlich weniger als Nvidia-GPUs der Spitzenklasse, und ein Unternehmen mit Metas Rechenhunger – der sowohl seine KI-Forschungsambitionen als auch seine Empfehlungssysteme abdeckt – hat allen Anreiz, sich von einem einzigen Anbieter weg zu diversifizieren. Bloomberg berichtete bereits im November 2025, dass Meta und Google über den Einsatz von TPUs in den Rechenzentren von Meta diskutierten, und Reuters berichtete im Dezember 2025 über die Zusammenarbeit bei TorchTPU. Was sich jetzt geändert hat, ist, dass der Deal von der Diskussion zur Bereitstellung übergegangen ist, wobei Tom's Hardware berichtet, dass die Chips physisch in Meta-Einrichtungen installiert sind und laufen.

Ein Riss in Nvidias Rüstung

Nvidia beherrscht nach wie vor die überwältigende Mehrheit des Marktes für KI-Beschleuniger und seine Einnahmen aus Rechenzentren bleiben der Maßstab, den alle Konkurrenten verfolgen. Doch die Dynamik verändert sich. Wie TechCrunch in seiner Berichterstattung über die Einführung von TorchTPU darlegte, hat Google gemeinsam mit Amazon Nvidias Hochburg auf der Softwareebene angegriffen, die Entwickler an die Hardware bindet. Unterdessen gewinnt Meta an Verhandlungsmacht: Jedes von ihm installierte TPU-Rack ist ein Rack mit GPUs, das es zu Nvidias Preisen nicht kaufen musste.

Der Druck kommt aus mehreren Richtungen gleichzeitig. Amazon hat seine Trainium-Chips, Google hat TPUs und eine Welle von Start-ups baut inferenzspezifische Beschleuniger. Das Besondere an der Meta-Bereitstellung ist der Umfang und die Sichtbarkeit. Meta ist einer der größten Kunden von Nvidia, und wenn seine Entwicklungsteams zu dem Schluss kommen, dass TPUs einen bedeutenden Anteil sowohl an der Trainings- als auch an der Inferenzarbeitslast tragen können, werden andere große Käufer aufmerksam aufpassen.

Die Vorbehalte

Nichts davon bedeutet, dass Nvidias Position über Nacht zusammenbricht. Der PyTorch-Blog selbst warnt davor, dass Modelle zwar auf TPUs sofort einsatzbereit sind, das Erreichen der Spitzenleistung jedoch dennoch eine hardwarebewusste Optimierung erfordert, da Modellformen, Sharding-Strategien und Kernel-Implementierungen normalerweise auf GPU-Architekturen abgestimmt sind. Der TPU-Befehlssatz unterscheidet sich von dem von Nvidia und das Ökosystem aus Tools, Bibliotheken und erfahrenen Ingenieuren bleibt stark GPU-zentriert.

Es stellt sich auch die Frage der Versorgung. Google hat in der Vergangenheit TPUs für seine internen Arbeitslasten und seine Cloud-Kunden reserviert, und die Produktionskapazität für benutzerdefinierte Beschleuniger ist nicht unbegrenzt. Ob Google TPUs in einem Umfang bereitstellen kann oder will, der für Metas gesamten Rechenaufwand sinnvoll ist – der den der meisten Unternehmen in den Schatten stellt – bleibt eine offene Frage.

Was Sie als Nächstes sehen sollten

Die unmittelbaren Signale, die es zu beobachten gilt, sind, ob andere Hyperscaler dem Beispiel von Meta folgen, wie Nvidia auf die Preisgestaltung reagiert und ob sich die Open-Source-Dynamik von TorchTPU in einer echten Migration von PyTorch-Workloads auf die TPU-Infrastruktur niederschlägt. Der KI-Hardwaremarkt wartet seit Jahren auf eine glaubwürdige Alternative zu Nvidia am oberen Ende. Da TPUs jetzt in den Rechenzentren eines zweiten Unternehmens laufen, könnte dieses Warten endlich ein Ende haben.

Bleiben Sie der KI immer einen Schritt voraus

Der Wettlauf um KI-Hardware beschleunigt sich rasant und die Gewinner und Verlierer des nächsten Jahrzehnts werden jetzt entschieden. Bleiben Sie der KI einen Schritt voraus mit unabhängiger Berichterstattung über die Chips, Modelle und Deals, die die Branche verändern.

Weitere KI-Neuigkeiten lesen →