Le unità di elaborazione tensore di Google sono ora in esecuzione all'interno dei data center di Meta, secondo un rapporto di Tom's Hardware pubblicato il 22 ottobre 2026: la prima volta che Google ha venduto i suoi chip AI personalizzati a un cliente esterno come hardware distribuito anziché tramite il proprio cloud. La mossa segna un cambiamento storico nel mercato dell'hardware AI, dove le GPU di Nvidia sono state a lungo la scelta predefinita per l'addestramento e il servizio di modelli di grandi dimensioni.

Per anni, il presupposto nel settore è stato che l'ecosistema software CUDA di Nvidia rendesse le sue GPU insostituibili, anche quando emergevano alternative. Tale ipotesi viene ora testata dalle due società meglio posizionate per infrangerla. L'accordo, che si aggiunge all'enorme spesa per l'infrastruttura IA di Meta in questo trimestre, mostra quanto seriamente gli hyperscaler stiano perseguendo l'indipendenza informatica: una storia che puoi seguire in modo più approfondito con gli ultimi sviluppi dell'IA trattati quotidianamente sulla nostra home page su [aibuzzwire.news] (https://aibuzzwire.news).

Dal TorchTPU all'acciaio e al silicio

Le basi per questo momento erano state gettate pubblicamente solo due giorni prima. Il 20 ottobre, Google e Meta hanno reso congiuntamente open source TorchTPU, un backend PyTorch nativo per i TPU di Google, annunciato sul blog ufficiale PyTorch dal team TorchTPU. Il progetto è iniziato in Google a metà del 2025 in collaborazione con il team PyTorch di Meta, e fa qualcosa che nessuno sforzo precedente era riuscito a gestire in modo pulito: consente ai carichi di lavoro PyTorch esistenti di essere eseguiti su TPU con una banale modifica del codice, essenzialmente scambiando `.to("cuda")` con `.to("tpu")`.

Ciò è importante perché il precedente tentativo di Google, PyTorch/XLA, lanciato nel 2020, richiedeva modifiche intrusive al codice sorgente, soffriva di tempi di compilazione lunghi e mancava di supporto per la modalità di esecuzione entusiasta nativa di PyTorch. Molti team che hanno sperimentato le TPU hanno finito per tornare alle GPU Nvidia semplicemente perché l'esperienza degli sviluppatori era troppo dolorosa. TorchTPU è stato progettato esplicitamente per risolvere questo problema, senza dipendenze JAX nel runtime e con l'integrazione torch.compile basata su Torch Dynamo anziché sul vecchio approccio Lazy Tensor.

Cosa ottiene Meta dall'accordo

I risultati tecnici pubblicizzati da Google e Meta sono notevoli. Secondo i dettagli riportati da Yahoo Tech, lo stack TorchTPU è stato convalidato rispetto a 5.000 modelli Hugging Face e la modalità di esecuzione DeferAndFuse di Google offre miglioramenti delle prestazioni del 50% o più rispetto all'esecuzione rigorosa. I casi di studio dei fornitori mostrano che il modello Llama 3 405B di Meta raggiunge il 57% di utilizzo dei FLOP del modello su cluster da 128 a 1.024 TPU Ironwood: cifre che, sebbene auto-riportate, indicano che i chip possono eseguire con competenza carichi di lavoro di formazione su scala di frontiera.

L’economia è la storia più grande. Si dice da tempo che i TPU costino significativamente meno delle GPU Nvidia di fascia alta, e un'azienda con l'appetito di calcolo di Meta, che copre sia le sue ambizioni di ricerca sull'intelligenza artificiale che i suoi sistemi di raccomandazione, ha tutti gli incentivi a diversificarsi lontano da un unico fornitore. Bloomberg ha riferito già nel novembre 2025 che Meta e Google stavano discutendo dell'implementazione di TPU nei data center di Meta e la collaborazione su TorchTPU è stata segnalata da Reuters nel dicembre 2025. Ciò che è cambiato ora è che l'accordo è passato dalla discussione all'implementazione, con Tom's Hardware che riferisce che i chip sono fisicamente installati e funzionanti nelle strutture di Meta.

Una crepa nell'armatura di Nvidia

Nvidia detiene ancora la stragrande maggioranza del mercato degli acceleratori di intelligenza artificiale e i ricavi dei suoi data center rimangono il punto di riferimento perseguito da ogni concorrente. Ma le dinamiche stanno cambiando. Come ha affermato TechCrunch nel suo articolo sul lancio di TorchTPU, Google si è unito ad Amazon nell'attaccare la roccaforte di Nvidia sul livello software che mantiene gli sviluppatori legati al suo hardware. Meta, nel frattempo, guadagna influenza negoziale: ogni rack TPU che installa è un rack di GPU che non ha dovuto acquistare ai prezzi di Nvidia.

La pressione proviene da più direzioni contemporaneamente. Amazon ha i suoi chip Trainium, Google ha i TPU e un'ondata di startup sta costruendo acceleratori specifici per l'inferenza. Ciò che rende diversa la distribuzione di Meta è la scalabilità e la visibilità. Meta è uno dei maggiori clienti di Nvidia e se i suoi team di ingegneri concludessero che le TPU possono trasportare una quota significativa sia dei carichi di lavoro di formazione che di inferenza, altri grandi acquirenti presteranno molta attenzione.

Gli avvertimenti

Tutto ciò non significa che la posizione di Nvidia crollerà da un giorno all'altro. Lo stesso blog PyTorch avverte che, sebbene i modelli possano esaurirsi immediatamente sui TPU, il raggiungimento delle massime prestazioni richiede comunque un'ottimizzazione basata sull'hardware, poiché le forme del modello, le strategie di sharding e le implementazioni del kernel sono in genere ottimizzate per le architetture GPU. Il set di istruzioni TPU è diverso da quello di Nvidia e l'ecosistema di strumenti, librerie e ingegneri esperti rimane fortemente incentrato sulla GPU.

C’è anche la questione dell’offerta. Google ha storicamente riservato le TPU ai suoi carichi di lavoro interni e ai suoi clienti cloud, e la capacità di produzione di acceleratori personalizzati non è illimitata. Se Google possa o voglia fornire TPU su una scala significativa per l’impronta di calcolo totale di Meta – che fa impallidire la maggior parte delle aziende – rimane una questione aperta.

Cosa guardare dopo

I segnali immediati da monitorare sono se altri hyperscaler seguono l'esempio di Meta, come Nvidia risponde sui prezzi e se lo slancio open source di TorchTPU si traduce in una vera migrazione dei carichi di lavoro PyTorch sull'infrastruttura TPU. Il mercato dell'hardware AI attende da anni un'alternativa credibile a Nvidia nella fascia alta. Con i TPU ora in esecuzione nei data center di una seconda azienda, l'attesa potrebbe finalmente essere finita.

Stai al passo con l'intelligenza artificiale

La corsa all’hardware AI sta accelerando rapidamente e i vincitori e i vinti del prossimo decennio vengono decisi ora. Stai al passo con l'intelligenza artificiale con una copertura indipendente di chip, modelli e accordi che rimodellano il settore.

Leggi altre notizie sull'AI →