22 ऑक्टोबर 2026 रोजी प्रकाशित झालेल्या टॉमच्या हार्डवेअरच्या अहवालानुसार, Google चे टेन्सर प्रोसेसिंग युनिट्स आता Meta च्या डेटा सेंटर्समध्ये चालू आहेत - Google ने प्रथमच त्याच्या स्वतःच्या क्लाउड द्वारे उपयोजित हार्डवेअर म्हणून त्याच्या कस्टम AI चिप्स बाह्य ग्राहकाला विकल्या आहेत. हे पाऊल AI हार्डवेअर मार्केटमध्ये एक ऐतिहासिक बदल दर्शवते, जेथे Nvidia चे GPU हे मोठ्या मॉडेल्सचे प्रशिक्षण आणि सेवा देण्यासाठी दीर्घकाळापासून डीफॉल्ट पर्याय आहेत.
अनेक वर्षांपासून, उद्योगातील गृहीतक असे आहे की Nvidia च्या CUDA सॉफ्टवेअर इकोसिस्टमने त्याचे GPUs न बदलता येणारे बनवले आहेत, जरी पर्याय उदयास आले. त्या गृहीतकाची आता दोन कंपन्यांकडून चाचणी घेतली जात आहे, ज्यांना तो मोडण्यासाठी सर्वोत्तम स्थिती आहे. या तिमाहीत मेटाच्या प्रचंड एआय इन्फ्रास्ट्रक्चरवर खर्च करण्यात आलेला हा करार, हायपरस्केलर्स किती गांभीर्याने गणन स्वातंत्र्याचा पाठपुरावा करत आहेत हे दर्शविते — एक कथा ज्याचे तुम्ही दररोज आमच्या मुख्यपृष्ठावर aibuzzwire.news.
टॉर्चटीपीयू ते स्टील आणि सिलिकॉन पर्यंत
या क्षणाची पायाभरणी अवघ्या दोन दिवसांपूर्वीच जाहीरपणे करण्यात आली होती. 20 ऑक्टोबर रोजी, Google आणि Meta यांनी संयुक्तपणे ओपन-सोर्स केलेले TorchTPU, Google च्या TPUs साठी मूळ PyTorch बॅकएंड, TorchTPU टीमने अधिकृत PyTorch ब्लॉगवर घोषित केले. प्रकल्पाची सुरुवात 2025 च्या मध्यात Google वर Meta च्या PyTorch टीमच्या सहकार्याने झाली, आणि तो असे काहीतरी करतो जे आधीचे कोणतेही प्रयत्न स्वच्छपणे व्यवस्थापित केले नाही: ते विद्यमान PyTorch वर्कलोड्स TPU वर क्षुल्लक कोड बदलासह चालू देते, मूलत: `.to("tpu")` साठी `.to("cuda")` स्वॅपिंग करते.
हे महत्त्वाचे आहे कारण 2020 मध्ये लाँच केलेला Google चा पूर्वीचा प्रयत्न, PyTorch/XLA, अनाहूत स्त्रोत-कोड बदल आवश्यक आहे, दीर्घ संकलित वेळेचा त्रास सहन करावा लागला आणि PyTorch च्या मूळ उत्सुक अंमलबजावणी मोडसाठी समर्थनाचा अभाव आहे. TPU सह प्रयोग करणारे अनेक संघ Nvidia GPU वर परत आले कारण विकसकाचा अनुभव खूप वेदनादायक होता. टॉर्चटीपीयू स्पष्टपणे त्याचे निराकरण करण्यासाठी डिझाइन केले होते, रनटाइममध्ये JAX अवलंबित्व नसताना आणि जुन्या आळशी टेन्सर दृष्टिकोनापेक्षा टॉर्च डायनॅमोवर तयार केलेले torch.compile एकत्रीकरण.
मेटा डीलमधून काय मिळवते
Google आणि Meta यांनी प्रसिद्ध केलेले तांत्रिक परिणाम उल्लेखनीय आहेत. Yahoo Tech द्वारे नोंदवलेल्या तपशीलांनुसार, TorchTPU स्टॅक 5,000 हगिंग फेस मॉडेल्ससाठी प्रमाणित केले गेले आहे आणि Google चे DeferAndFuse एक्झिक्युशन मोड 50 टक्के किंवा त्याहून अधिक कार्यक्षमतेने कठोरपणे अंमलबजावणी करत आहे. व्हेंडर केस स्टडीज दर्शविते की मेटा चे Llama 3 405B मॉडेल 128 ते 1,024 Ironwood TPUs च्या क्लस्टर्सवर 57 टक्के मॉडेल FLOPs वापरापर्यंत पोहोचले आहे - असे आकडे, जे स्वत:-अहवाल दिलेले असताना, चिप्स सक्षमपणे फ्रंटियर-स्केल प्रशिक्षण वर्कलोड चालवू शकतात.
अर्थशास्त्र ही मोठी गोष्ट आहे. TPUs ची किंमत टॉप-एंड Nvidia GPU पेक्षा लक्षणीयरीत्या कमी असल्याची अफवा फार पूर्वीपासून पसरवली जात आहे, आणि Meta's Compute appetite — तिच्या AI संशोधन महत्त्वाकांक्षा आणि शिफारस प्रणाली या दोन्हींचा समावेश करणारी कंपनी — एकाच पुरवठादारापासून विविधीकरण करण्यासाठी प्रत्येक प्रोत्साहन देते. ब्लूमबर्गने नोव्हेंबर 2025 पर्यंत अहवाल दिला की Meta आणि Google मेटाच्या डेटा सेंटर्समध्ये TPU तैनात करण्यावर चर्चा करत होते आणि TorchTPU वरील सहयोगाची नोंद डिसेंबर 2025 मध्ये रॉयटर्सने केली होती. आता काय बदलले आहे की करार चर्चेतून उपयोजनाकडे गेला आहे, टॉमच्या हार्डवेअरने अहवाल दिला आहे की Meta च्या हार्डवेअरमध्ये भौतिक सुविधा आणि चिप्स स्थापित आहेत.
Nvidia च्या चिलखत मध्ये एक क्रॅक
Nvidia अजूनही AI प्रवेगक बाजारपेठेतील प्रचंड बहुमतावर नियंत्रण ठेवते आणि प्रत्येक स्पर्धकाचा पाठलाग करत असलेल्या डेटा सेंटरचा महसूल हा बेंचमार्क राहिला आहे. पण गतिशीलता बदलत आहे. TechCrunch ने त्याच्या TorchTPU लाँचच्या कव्हरेजमध्ये ठेवल्यामुळे, Google ने ॲमेझॉनला सॉफ्टवेअर लेयरवर Nvidia च्या गडावर हल्ला करण्यासाठी सामील केले आहे जे विकसकांना त्याच्या हार्डवेअरशी जोडलेले आहे. दरम्यान, मेटा, निगोशिएटिंग लीव्हरेज मिळवते: प्रत्येक TPU रॅक तो स्थापित करतो तो GPU चा रॅक असतो जो त्याला Nvidia च्या किंमतीनुसार खरेदी करावा लागत नाही.
एकाच वेळी अनेक दिशांनी दबाव येत आहे. Amazon कडे ट्रेनियम चिप्स आहेत, Google कडे TPUs आहेत आणि स्टार्टअप्सची लाट अनुमान-विशिष्ट प्रवेगक तयार करत आहेत. मेटा उपयोजन वेगळे बनवते ते स्केल आणि दृश्यमानता. Meta Nvidia च्या सर्वात मोठ्या ग्राहकांपैकी एक आहे, आणि जर त्याच्या अभियांत्रिकी कार्यसंघांनी असा निष्कर्ष काढला की TPUs प्रशिक्षण आणि अनुमानित वर्कलोड दोन्हीचा अर्थपूर्ण वाटा उचलू शकतात, तर इतर मोठे खरेदीदार लक्ष देतील.
चेतावणी
यापैकी काहीही नाही याचा अर्थ Nvidia ची स्थिती रातोरात कोसळते. PyTorch ब्लॉग स्वतः सावध करतो की TPUs वर मॉडेल्स बॉक्सच्या बाहेर जाऊ शकतात, तरीही पीक कामगिरी साध्य करण्यासाठी हार्डवेअर-जागरूक ऑप्टिमायझेशन आवश्यक आहे, कारण मॉडेल आकार, शार्डिंग धोरणे आणि कर्नल अंमलबजावणी सामान्यत: GPU आर्किटेक्चरसाठी ट्यून केली जातात. TPU सूचना संच Nvidia पेक्षा वेगळा आहे, आणि साधने, लायब्ररी आणि अनुभवी अभियंत्यांची परिसंस्था खूप GPU-केंद्रित राहते.
पुरवठ्याचाही प्रश्न आहे. Google ने ऐतिहासिकदृष्ट्या त्याच्या अंतर्गत वर्कलोड्स आणि क्लाउड ग्राहकांसाठी टीपीयू आरक्षित केले आहेत आणि सानुकूल प्रवेगकांसाठी उत्पादन क्षमता अमर्यादित नाही. मेटाच्या एकूण कॉम्प्युट फूटप्रिंटला अर्थपूर्ण प्रमाणात टीपीयू पुरवू शकतो किंवा करू इच्छितो - जे बहुतेक कंपन्यांना कमी करते - हा एक खुला प्रश्न आहे.
पुढे काय पहावे
इतर हायपरस्केलर्स Meta च्या लीडचे अनुसरण करतात की नाही, किंमतीवर Nvidia कसा प्रतिसाद देते आणि TorchTPU ची मुक्त-स्रोत गती TPU पायाभूत सुविधांवर PyTorch वर्कलोड्सचे वास्तविक स्थलांतर करते की नाही हे निरीक्षण करण्यासाठी तात्काळ सिग्नल आहेत. एआय हार्डवेअर मार्केट वरच्या टोकाला असलेल्या Nvidia ला विश्वासार्ह पर्यायासाठी वर्षानुवर्षे वाट पाहत आहे. आता दुसऱ्या कंपनीच्या डेटा सेंटरमध्ये TPUs चालत असल्याने, ती प्रतीक्षा अखेर संपली आहे.
AI च्या पुढे रहा
AI हार्डवेअरची शर्यत वेगाने वाढत आहे आणि पुढील दशकातील विजेते आणि पराभूत आता ठरवले जात आहेत. AI च्या पुढे राहा चिप्स, मॉडेल्स आणि उद्योगाला आकार देणाऱ्या डीलच्या स्वतंत्र कव्हरेजसह.
अधिक एआय बातम्या वाचा →
