Unit pangolahan tensor Google saiki mlaku ing pusat data Meta, miturut laporan saka Tom's Hardware sing diterbitake tanggal 22 Oktober 2026 - sepisanan Google adol chip AI khusus menyang pelanggan eksternal minangka piranti keras sing disebarake tinimbang liwat awan dhewe. Pamindhahan kasebut minangka owah-owahan sajarah ing pasar hardware AI, ing ngendi GPU Nvidia wis suwe dadi pilihan standar kanggo latihan lan ngladeni model gedhe.
Wis pirang-pirang taun, asumsi ing industri kasebut yaiku ekosistem piranti lunak CUDA Nvidia nggawe GPU ora bisa diganti, sanajan ana alternatif. Asumsi kasebut saiki dites dening rong perusahaan sing paling apik kanggo ngilangi. Kesepakatan kasebut, ing ndhuwur mbuwang infrastruktur AI Meta sing gedhe banget ing kuartal iki, nuduhake sepira serius para hyperscaler ngupayakake kamardikan komputasi - crita sing bisa sampeyan tindakake kanthi luwih jero babagan perkembangan AI paling anyar sing dibahas saben dina ing homepage kita ing aibuzzwire.news.
Saka TorchTPU kanggo Steel lan Silicon
Landasan kanggo wayahe iki dilebokake sacara umum mung rong dina sadurunge. Tanggal 20 Oktober, Google lan Meta mbukak-sumber TorchTPU bebarengan, backend PyTorch asli kanggo TPU Google, ngumumake ing blog PyTorch resmi dening tim TorchTPU. Proyek kasebut diwiwiti ing Google ing pertengahan 2025 kanthi kolaborasi karo tim PyTorch Meta, lan nindakake apa wae sing ora ana upaya sadurunge sing dikelola kanthi resik: ngidini beban kerja PyTorch sing ana ing TPU kanthi owah-owahan kode sing ora pati penting, ateges ngganti `.to("cuda")` kanggo `.to("tpu"`.
Sing penting amarga upaya Google sadurunge, PyTorch/XLA, diluncurake ing taun 2020, mbutuhake modifikasi kode sumber sing intrusif, ngalami wektu kompilasi sing suwe, lan ora duwe dhukungan kanggo mode eksekusi asli PyTorch. Akeh tim sing nyoba karo TPU pungkasane bali menyang GPU Nvidia mung amarga pengalaman pangembang banget lara. TorchTPU dirancang kanthi tegas kanggo ndandani, tanpa dependensi JAX ing runtime lan integrasi torch.compile sing dibangun ing Torch Dynamo tinimbang pendekatan Tensor Lazy lawas.
Apa Meta Njaluk Metu saka Deal
Asil teknis Google lan Meta wis dipublikasikake. Miturut rincian sing dilapurake dening Yahoo Tech, tumpukan TorchTPU wis divalidasi marang 5,000 model Hugging Face, lan mode eksekusi DeferAndFuse Google ngasilake kinerja 50 persen utawa luwih saka eksekusi sing ketat. Pasinaon kasus vendor nuduhake model Meta Llama 3 405B tekan 57 persen pemanfaatan FLOP model ing kluster 128 nganti 1,024 Ironwood TPU - angka sing, nalika dilapurake dhewe, nuduhake yen chip bisa mbukak beban kerja latihan skala wates kanthi cekap.
Ekonomi minangka crita sing luwih gedhe. TPU wis suwe dikabarake regane luwih murah tinimbang GPU Nvidia paling dhuwur, lan perusahaan sing duwe nafsu komputasi Meta - sing kalebu ambisi riset AI lan sistem rekomendasi - duwe insentif kanggo macem-macem saka siji supplier. Bloomberg nglaporake nganti Nopember 2025 yen Meta lan Google lagi ngrembug babagan nyebarake TPU ing pusat data Meta, lan kolaborasi ing TorchTPU dilapurake dening Reuters ing Desember 2025. Apa sing saiki wis diganti yaiku kesepakatan kasebut wis pindah saka diskusi menyang penyebaran, karo Tom's Hardware nglaporake manawa chip kasebut dipasang lan mlaku kanthi fisik ing fasilitas Meta.
A Retak ing Nvidia waja
Nvidia isih mrentah mayoritas pasar akselerator AI, lan revenue pusat data tetep dadi pathokan saben pesaing sing dioyak. Nanging dinamika owah-owahan. Minangka TechCrunch sijine ing jangkoan saka TorchTPU diluncurake, Google wis gabung karo Amazon kanggo nyerang benteng Nvidia ing lapisan piranti lunak sing nggawe pangembang diikat karo hardware. Meta, sauntara, entuk pengaruh negosiasi: saben rak TPU sing dipasang minangka rak GPU sing ora kudu dituku kanthi rega Nvidia.
Tekanan teka saka pirang-pirang arah bebarengan. Amazon duwe chip Trainium, Google duwe TPU, lan gelombang startup nggawe akselerator khusus inferensi. Sing nggawe penyebaran Meta beda yaiku skala lan visibilitas. Meta minangka salah sawijining pelanggan paling gedhe ing Nvidia, lan yen tim teknike nyimpulake yen TPU bisa nindakake bagean sing migunani kanggo latihan lan beban kerja inferensi, para panuku gedhe liyane bakal menehi perhatian.
Ing Caveats
Ora ana sing tegese posisi Nvidia ambruk sewengi. Blog PyTorch dhewe ngati-ati manawa model bisa metu saka kothak ing TPU, entuk kinerja puncak isih mbutuhake optimasi hardware, amarga wangun model, strategi sharding, lan implementasi kernel biasane disetel kanggo arsitektur GPU. Set instruksi TPU beda karo Nvidia, lan ekosistem alat, perpustakaan, lan insinyur sing berpengalaman tetep dadi GPU-sentris.
Ana uga pitakonan saka pasokan. Google duwe TPU kanthi historis kanggo beban kerja internal lan pelanggan awan, lan kapasitas manufaktur kanggo akselerator khusus ora ana watesan. Apa Google bisa utawa pengin nyedhiyakake TPU kanthi skala sing migunani kanggo total jejak komputasi Meta - sing nggawe akeh perusahaan - tetep dadi pitakonan sing mbukak.
Apa sing Dideleng Sabanjure
Sinyal langsung kanggo ngawasi yaiku apa hyperscaler liyane ngetutake timbal Meta, kepiye Nvidia nanggapi rega, lan apa momentum sumber terbuka TorchTPU nerjemahake dadi migrasi beban kerja PyTorch sing asli menyang infrastruktur TPU. Pasar hardware AI wis ngenteni pirang-pirang taun kanggo alternatif sing bisa dipercaya kanggo Nvidia ing pucuk ndhuwur. Kanthi TPU saiki mlaku ing pusat data perusahaan liya, sing ngenteni pungkasane bisa rampung.
Tetep Ahead saka AI
Balapan perangkat keras AI nyepetake kanthi cepet, lan sing menang lan sing kalah ing dekade sabanjure wis diputusake saiki. Tetep ndhisiki AI kanthi liputan independen babagan chip, model, lan tawaran sing ngowahi industri.
Waca liyane warta AI →
