طبق گزارشی از Tom's Hardware که در 22 اکتبر 2026 منتشر شد، واحدهای پردازش تانسور گوگل اکنون در مراکز داده متا در حال اجرا هستند - اولین باری که گوگل تراشه‌های هوش مصنوعی سفارشی خود را به‌عنوان سخت‌افزار مستقر به جای از طریق ابر خود به مشتری خارجی فروخت. این حرکت نشان‌دهنده تغییری تاریخی در بازار سخت‌افزار هوش مصنوعی است، جایی که پردازنده‌های گرافیکی انویدیا برای مدت طولانی انتخاب پیش‌فرض برای آموزش و ارائه مدل‌های بزرگ بوده‌اند.

برای سال‌ها، فرضیه در صنعت این بود که اکوسیستم نرم‌افزاری CUDA انویدیا، پردازنده‌های گرافیکی خود را غیرقابل جایگزین کرده است، حتی با ظهور جایگزین‌هایی. این فرض اکنون توسط دو شرکتی که بهترین موقعیت را برای شکستن آن دارند، آزمایش می‌شود. این معامله که در رأس هزینه‌های عظیم زیرساخت‌های هوش مصنوعی متا در این سه‌ماهه قرار گرفته است، نشان می‌دهد که ابرمقیاس‌کنندگان چقدر به‌طور جدی استقلال محاسباتی را دنبال می‌کنند - داستانی که می‌توانید با جزئیات بیشتر با آخرین پیشرفت‌های هوش مصنوعی که روزانه در صفحه اصلی ما در [aibuzzwire.news] (https://aibuzzwire.news) پوشش داده می‌شود، دنبال کنید.

از TorchTPU تا فولاد و سیلیکون

مقدمات این لحظه درست دو روز قبل به صورت عمومی گذاشته شد. در 20 اکتبر، Google و Meta به طور مشترک TorchTPU منبع باز، یک Backend بومی PyTorch برای TPU های Google، در وبلاگ رسمی PyTorch توسط تیم TorchTPU اعلام شد. این پروژه در اواسط سال 2025 در گوگل با همکاری تیم PyTorch متا آغاز شد، و کاری را انجام می دهد که هیچ تلاش قبلی به طور کامل مدیریت نشده است: این امکان را می دهد تا بارهای کاری موجود PyTorch روی TPU ها با تغییر کد پیش پاافتاده اجرا شود و اساساً «.to(«cuda»)» با «.to(«tpu»)» تعویض شود.

این مهم است زیرا تلاش قبلی گوگل، PyTorch/XLA، که در سال 2020 راه اندازی شد، نیاز به اصلاحات سرزده کد منبع داشت، از زمان های طولانی کامپایل رنج می برد، و از حالت اجرای مشتاق بومی PyTorch پشتیبانی نمی کرد. بسیاری از تیم هایی که با TPU ها آزمایش کردند، به دلیل اینکه تجربه توسعه دهنده بسیار دردناک بود، به GPU های Nvidia بازگشتند. TorchTPU صراحتاً برای رفع آن طراحی شده است، بدون هیچ وابستگی JAX در زمان اجرا و ادغام torch.compile که بر روی Torch Dynamo ساخته شده است تا رویکرد Lazy Tensor قدیمی.

آنچه متا از معامله خارج می شود

نتایج فنی که گوگل و متا منتشر کرده اند قابل توجه است. بر اساس جزئیات گزارش شده توسط Yahoo Tech، پشته TorchTPU در برابر 5000 مدل Hugging Face تایید شده است و حالت اجرای DeferAndFuse گوگل افزایش عملکرد 50 درصدی یا بیشتر را نسبت به اجرای دقیق مشتاق ارائه می دهد. مطالعات موردی فروشنده نشان می‌دهد که مدل Llama 3 405B متا به 57 درصد استفاده از FLOPs مدل در خوشه‌هایی از 128 تا 1024 TPU Ironwood رسیده است - ارقامی که در حالی که خود گزارش می‌شوند، نشان می‌دهند تراشه‌ها می‌توانند بارهای آموزشی در مقیاس مرزی را به خوبی اجرا کنند.

اقتصاد داستان بزرگتر است. مدت هاست که شایعه شده است که TPU ها به طور قابل توجهی کمتر از پردازنده های گرافیکی پیشرفته Nvidia قیمت دارند و شرکتی با اشتهای محاسباتی متا - که هم جاه طلبی های تحقیقاتی هوش مصنوعی و هم سیستم های توصیه اش را پوشش می دهد - انگیزه زیادی برای تنوع بخشیدن به یک تامین کننده دارد. بلومبرگ در نوامبر 2025 گزارش داد که متا و گوگل در مورد استقرار TPU ها در مراکز داده متا بحث می کردند، و همکاری در TorchTPU توسط رویترز در دسامبر 2025 گزارش شد. آنچه اکنون تغییر کرده است این است که قرارداد از بحث به استقرار منتقل شده است، با گزارش سخت افزار Tom's که تراشه ها به صورت فیزیکی در امکانات نصب شده Meta کار می کنند.

شکاف در زره انویدیا

انویدیا همچنان اکثریت قریب به اتفاق بازار شتاب دهنده های هوش مصنوعی را در اختیار دارد و درآمد مرکز داده آن معیاری است که هر رقیبی به دنبال آن است. اما پویایی در حال تغییر است. همانطور که TechCrunch آن را در پوشش خود از راه اندازی TorchTPU بیان کرد، گوگل به آمازون در حمله به سنگر انویدیا در لایه نرم افزاری که توسعه دهندگان را به سخت افزار آن متصل نگه می دارد، پیوسته است. در همین حال، متا اهرم مذاکره را به دست می‌آورد: هر رک TPU که نصب می‌کند یک رک از پردازنده‌های گرافیکی است که مجبور به خرید آن با قیمت انویدیا نیست.

فشار از چندین جهت به طور همزمان وارد می شود. آمازون تراشه های Trainium خود را دارد، گوگل دارای TPU است و موجی از استارت آپ ها در حال ساخت شتاب دهنده های استنتاجی خاص هستند. چیزی که استقرار Meta را متفاوت می کند، مقیاس و دید است. متا یکی از بزرگ‌ترین مشتریان انویدیا است و اگر تیم‌های مهندسی آن به این نتیجه برسند که TPU‌ها می‌توانند سهم معنی‌داری از بارهای آموزشی و استنتاجی را به دوش بکشند، دیگر خریداران بزرگ توجه زیادی به آن خواهند کرد.

هشدارها

هیچ کدام از اینها به این معنی نیست که موقعیت انویدیا یک شبه از بین نمی رود. خود وبلاگ PyTorch هشدار می‌دهد که اگرچه ممکن است مدل‌ها در TPU‌ها تمام شوند، دستیابی به اوج عملکرد همچنان نیازمند بهینه‌سازی سخت‌افزاری است، زیرا شکل‌های مدل، استراتژی‌های اشتراک‌گذاری و پیاده‌سازی هسته معمولاً برای معماری‌های GPU تنظیم شده‌اند. مجموعه دستورالعمل‌های TPU با Nvidia متفاوت است و اکوسیستم ابزارها، کتابخانه‌ها و مهندسان باتجربه به شدت GPU محور هستند.

بحث عرضه هم مطرح است. Google در طول تاریخ TPU ها را برای بارهای کاری داخلی و مشتریان ابری خود رزرو کرده است و ظرفیت تولید برای شتاب دهنده های سفارشی نامحدود نیست. اینکه آیا گوگل می‌تواند یا می‌خواهد TPU‌ها را در مقیاسی مناسب برای کل ردپای محاسباتی متا - که بیشتر شرکت‌ها را کوچک‌تر می‌کند - عرضه کند، یک سوال باز باقی می‌ماند.

بعد چه چیزی را تماشا کنیم

سیگنال های فوری برای نظارت این است که آیا دیگر هایپراسکیلرها از متا پیروی می کنند، چگونه Nvidia به قیمت گذاری پاسخ می دهد، و آیا حرکت منبع باز TorchTPU به انتقال واقعی بارهای کاری PyTorch به زیرساخت TPU تبدیل می شود. بازار سخت‌افزار هوش مصنوعی سال‌ها منتظر جایگزینی معتبر برای انویدیا بوده است. با توجه به اینکه TPU ها اکنون در مراکز داده شرکت دوم در حال اجرا هستند، این انتظار ممکن است سرانجام به پایان برسد.

از هوش مصنوعی جلوتر بمانید

مسابقه سخت افزاری هوش مصنوعی به سرعت در حال شتاب گرفتن است و برندگان و بازندگان دهه آینده در حال حاضر مشخص می شوند. [از هوش مصنوعی جلوتر باشید] (https://aibuzzwire.news) با پوشش مستقل تراشه‌ها، مدل‌ها و معاملاتی که صنعت را تغییر می‌دهند.

اخبار هوش مصنوعی را بیشتر بخوانید →