Google TPU Kini Mendukung Pusat Data Meta dalam Tantangan Langsung ke Nvidia

Unit pemrosesan tensor Google kini berjalan di dalam pusat data Meta, menurut laporan dari Tom's Hardware yang diterbitkan pada 22 Oktober 2026 — pertama kalinya Google menjual chip AI kustomnya kepada pelanggan eksternal sebagai perangkat keras yang diterapkan, bukan melalui cloud miliknya sendiri. Langkah ini menandai perubahan bersejarah di pasar perangkat keras AI, di mana GPU Nvidia telah lama menjadi pilihan utama untuk pelatihan dan melayani model-model besar.

Selama bertahun-tahun, industri ini berasumsi bahwa ekosistem perangkat lunak CUDA Nvidia membuat GPU-nya tidak tergantikan, bahkan ketika alternatif lain muncul. Asumsi tersebut kini sedang diuji oleh dua perusahaan yang memiliki posisi terbaik untuk mematahkannya. Kesepakatan ini, yang merupakan tambahan dari belanja infrastruktur AI Meta yang sangat besar pada kuartal ini, menunjukkan betapa seriusnya para hyperscaler dalam mengupayakan kemandirian komputasi — sebuah kisah yang dapat Anda ikuti secara lebih mendalam dengan perkembangan AI terkini yang dibahas setiap hari di beranda kami di aibuzzwire.news.

Dari TorchTPU hingga Baja dan Silikon

Dasar dari momen ini telah diumumkan kepada publik dua hari sebelumnya. Pada tanggal 20 Oktober, Google dan Meta bersama-sama melakukan open-source TorchTPU, backend PyTorch asli untuk TPU Google, diumumkan di blog resmi PyTorch oleh tim TorchTPU. Proyek ini dimulai di Google pada pertengahan tahun 2025 bekerja sama dengan tim PyTorch Meta, dan proyek ini melakukan sesuatu yang belum pernah dikelola dengan baik sebelumnya: proyek ini memungkinkan beban kerja PyTorch yang ada berjalan di TPU dengan sedikit perubahan kode, yang pada dasarnya menukar `.to("cuda")` dengan `.to("tpu")`.

Hal ini penting karena upaya Google sebelumnya, PyTorch/XLA, yang diluncurkan pada tahun 2020, memerlukan modifikasi kode sumber yang mengganggu, memerlukan waktu kompilasi yang lama, dan tidak memiliki dukungan untuk mode eksekusi bersemangat asli PyTorch. Banyak tim yang bereksperimen dengan TPU akhirnya kembali ke GPU Nvidia hanya karena pengalaman pengembangnya terlalu menyakitkan. TorchTPU secara eksplisit dirancang untuk memperbaikinya, tanpa ketergantungan JAX pada runtime dan integrasi torch.compile yang dibangun di Torch Dynamo, bukan pada pendekatan Lazy Tensor yang lebih lama.

Apa yang Meta Dapatkan dari Kesepakatan

Hasil teknis yang dipublikasikan Google dan Meta sangat penting. Menurut rincian yang dilaporkan oleh Yahoo Tech, tumpukan TorchTPU telah divalidasi terhadap 5.000 model Hugging Face, dan mode eksekusi DeferAndFuse Google memberikan peningkatan kinerja sebesar 50 persen atau lebih dibandingkan eksekusi yang sangat ketat. Studi kasus vendor menunjukkan model Llama 3 405B Meta mencapai 57 persen pemanfaatan model FLOP pada kelompok yang terdiri dari 128 hingga 1.024 Ironwood TPU — angka yang, meskipun dilaporkan sendiri, menunjukkan bahwa chip tersebut dapat menjalankan beban kerja pelatihan skala perbatasan dengan kompeten.

Perekonomian adalah cerita yang lebih besar. TPU telah lama dikabarkan memiliki harga yang jauh lebih murah dibandingkan GPU Nvidia kelas atas, dan perusahaan dengan selera komputasi Meta — yang mencakup ambisi penelitian AI dan sistem rekomendasinya — memiliki insentif untuk melakukan diversifikasi dari satu pemasok. Bloomberg melaporkan sejak bulan November 2025 bahwa Meta dan Google sedang mendiskusikan penerapan TPU di pusat data Meta, dan kolaborasi pada TorchTPU dilaporkan oleh Reuters pada bulan Desember 2025. Yang berubah sekarang adalah kesepakatan telah berpindah dari diskusi ke penerapan, dengan Tom's Hardware melaporkan bahwa chip tersebut dipasang dan dijalankan secara fisik di fasilitas Meta.

Retak pada Armor Nvidia

Nvidia masih menguasai sebagian besar pasar akselerator AI, dan pendapatan pusat datanya tetap menjadi tolok ukur yang dikejar oleh setiap pesaing. Namun dinamikanya sedang berubah. Seperti yang diungkapkan TechCrunch dalam liputan peluncuran TorchTPU, Google telah bergabung dengan Amazon dalam menyerang benteng Nvidia di lapisan perangkat lunak yang membuat pengembang terikat pada perangkat kerasnya. Meta, sementara itu, mendapatkan pengaruh negosiasi: setiap rak TPU yang dipasangnya adalah rak GPU yang tidak perlu dibeli dengan harga Nvidia.

Tekanan datang dari berbagai arah secara bersamaan. Amazon memiliki chip Trainium, Google memiliki TPU, dan gelombang startup sedang membangun akselerator khusus inferensi. Yang membuat penerapan Meta berbeda adalah skala dan visibilitasnya. Meta adalah salah satu pelanggan terbesar Nvidia, dan jika tim tekniknya menyimpulkan bahwa TPU dapat membawa beban kerja pelatihan dan inferensi yang berarti, pembeli besar lainnya akan memperhatikannya.

Peringatan

Semua ini tidak berarti posisi Nvidia ambruk dalam semalam. Blog PyTorch sendiri memperingatkan bahwa meskipun model mungkin kehabisan daya pada TPU, mencapai kinerja puncak masih memerlukan pengoptimalan berbasis perangkat keras, karena bentuk model, strategi sharding, dan implementasi kernel biasanya disesuaikan untuk arsitektur GPU. Set instruksi TPU berbeda dari Nvidia, dan ekosistem alat, perpustakaan, dan insinyur berpengalaman tetap berpusat pada GPU.

Ada juga pertanyaan tentang pasokan. Google secara historis mencadangkan TPU untuk beban kerja internal dan pelanggan cloud-nya, dan kapasitas produksi untuk akselerator khusus tidak terbatas. Apakah Google dapat atau ingin memasok TPU pada skala yang sesuai dengan total jejak komputasi Meta — yang jauh lebih kecil dibandingkan sebagian besar perusahaan — masih menjadi pertanyaan terbuka.

Untuk Ditonton Selanjutnya

Sinyal langsung yang harus dipantau adalah apakah hyperscaler lain mengikuti jejak Meta, bagaimana Nvidia merespons harga, dan apakah momentum sumber terbuka TorchTPU diterjemahkan ke dalam migrasi beban kerja PyTorch yang sebenarnya ke infrastruktur TPU. Pasar perangkat keras AI telah menunggu bertahun-tahun untuk mendapatkan alternatif yang kredibel selain Nvidia di kelas atas. Dengan TPU yang kini berjalan di pusat data perusahaan kedua, penantian itu mungkin akan berakhir.

Tetap Terdepan dalam AI

Perlombaan perangkat keras AI semakin cepat, dan pemenang serta pecundang pada dekade berikutnya sedang ditentukan sekarang. Tetap terdepan dalam AI dengan liputan independen mengenai chip, model, dan kesepakatan yang membentuk kembali industri ini.

Baca berita AI selengkapnya →