Jak wynika z raportu Tom's Hardware opublikowanego 22 października 2026 r., jednostki przetwarzające tensor Google działają obecnie w centrach danych Meta, co oznacza, że ​​po raz pierwszy Google sprzedał swoje niestandardowe chipy AI zewnętrznemu klientowi w postaci wdrożonego sprzętu, a nie za pośrednictwem własnej chmury. Posunięcie to oznacza historyczną zmianę na rynku sprzętu AI, gdzie procesory graficzne Nvidii od dawna są domyślnym wyborem do szkolenia i obsługi dużych modeli.

Przez lata w branży panowało założenie, że ekosystem oprogramowania CUDA firmy Nvidia sprawia, że ​​jej procesory graficzne są niezastąpione, nawet gdy pojawiły się alternatywy. Założenie to jest obecnie testowane przez dwie firmy, które mają najlepsze możliwości, aby je złamać. Transakcja ta, będąca uzupełnieniem ogromnych wydatków firmy Meta na infrastrukturę sztucznej inteligencji w tym kwartale, pokazuje, jak poważnie podmioty hiperskalowalne dążą do niezależności obliczeniowej — tę historię można śledzić bardziej szczegółowo dzięki najnowszym osiągnięciom w zakresie sztucznej inteligencji, codziennie omawianym na naszej stronie głównej pod adresem aibuzzwire.news.

Od TorchTPU po stal i krzem

Podwaliny pod tę chwilę położono publicznie zaledwie dwa dni wcześniej. 20 października Google i Meta wspólnie stworzyły TorchTPU o otwartym kodzie źródłowym, natywny backend PyTorch dla TPU Google, ogłoszony na oficjalnym blogu PyTorch przez zespół TorchTPU. Projekt rozpoczął się w Google w połowie 2025 roku we współpracy z zespołem PyTorch firmy Meta i zapewnia coś, czego nie udało się wcześniej przeprowadzić w sposób czysty: umożliwia działanie istniejących obciążeń PyTorch na procesorach TPU po prostej zmianie kodu, zasadniczo zamieniając `.to("cuda")` na `.to("tpu")`.

Ma to znaczenie, ponieważ wcześniejsza próba Google, PyTorch/XLA, wprowadzona na rynek w 2020 r., wymagała inwazyjnych modyfikacji kodu źródłowego, charakteryzowała się długim czasem kompilacji i nie zapewniała obsługi natywnego trybu wykonywania PyTorch. Wiele zespołów, które eksperymentowały z TPU, wróciło do procesorów graficznych Nvidia tylko dlatego, że doświadczenia programistów były zbyt bolesne. TorchTPU został specjalnie zaprojektowany, aby to naprawić, bez zależności JAX w środowisku wykonawczym i integracji torch.compile zbudowanej na Torch Dynamo, a nie na starszym podejściu Lazy Tensor.

Co Meta zyskuje dzięki umowie

Wyniki techniczne opublikowane przez Google i Meta są godne uwagi. Według szczegółów podanych przez Yahoo Tech, stos TorchTPU został sprawdzony w porównaniu z 5000 modelami Hugging Face, a tryb wykonawczy Google DeferAndFuse zapewnia wzrost wydajności o 50% lub więcej w porównaniu z wykonaniem ścisłym. Studia przypadków dostawców pokazują, że model Meta Llama 3 405B osiąga 57% wykorzystania FLOPów modelu w klastrach zawierających od 128 do 1024 procesorów TPU Ironwood — dane te, choć zgłaszane samodzielnie, wskazują, że chipy mogą kompetentnie obsługiwać obciążenia szkoleniowe na pionierską skalę.

Ekonomia to większa historia. Od dawna krążyły pogłoski, że procesory TPU kosztują znacznie mniej niż najwyższej klasy procesory graficzne Nvidia, a firma posiadająca apetyt obliczeniowy Meta – obejmująca zarówno jej ambicje badawcze w zakresie sztucznej inteligencji, jak i systemy rekomendacyjne – ma wszelkie powody, aby dywersyfikować się od jednego dostawcy. Bloomberg donosił już w listopadzie 2025 r., że Meta i Google omawiały wdrożenie TPU w centrach danych Meta, a Reuters poinformował o współpracy w zakresie TorchTPU w grudniu 2025 r. Teraz zmieniło się to, że umowa przeniosła się z dyskusji do wdrożenia, a Tom's Hardware poinformował, że chipy są fizycznie zainstalowane i działają w obiektach Meta.

Pęknięcie w zbroi Nvidii

Nvidia w dalszym ciągu kontroluje przeważającą większość rynku akceleratorów AI, a przychody z jej centrów danych pozostają punktem odniesienia, do którego dąży każdy konkurent. Ale dynamika się zmienia. Jak ujął to TechCrunch w relacji z premiery TorchTPU, Google dołączył do Amazona w ataku na twierdzę Nvidii w warstwie oprogramowania, która utrzymuje programistów przywiązanych do jej sprzętu. Tymczasem Meta zyskuje przewagę negocjacyjną: każdy instalowany przez nią stojak TPU to stojak z procesorami graficznymi, których nie trzeba było kupować po cenach Nvidii.

Ciśnienie pochodzi z wielu kierunków jednocześnie. Amazon ma swoje chipy Trainium, Google ma TPU, a fala startupów tworzy akceleratory specyficzne dla wnioskowania. Tym, co wyróżnia wdrożenie Meta, jest skala i widoczność. Meta jest jednym z największych klientów Nvidii i jeśli jej zespoły inżynieryjne dojdą do wniosku, że TPU mogą przenosić znaczną część obciążeń związanych zarówno z uczeniem, jak i wnioskowaniem, inni duzi nabywcy zwrócą na to szczególną uwagę.

Ostrzeżenia

Wszystko to nie oznacza, że ​​pozycja Nvidii upadnie z dnia na dzień. Sam blog PyTorch ostrzega, że ​​chociaż modele na procesorach TPU mogą działać od razu po wyjęciu z pudełka, osiągnięcie maksymalnej wydajności nadal wymaga optymalizacji pod kątem sprzętu, ponieważ kształty modeli, strategie dzielenia na fragmenty i implementacje jądra są zazwyczaj dostrajane pod kątem architektur GPU. Zestaw instrukcji TPU różni się od zestawu instrukcji Nvidii, a ekosystem narzędzi, bibliotek i doświadczonych inżynierów pozostaje w dużej mierze skoncentrowany na GPU.

Jest jeszcze kwestia podaży. W przeszłości Google rezerwował TPU na potrzeby swoich wewnętrznych obciążeń i klientów korzystających z usług w chmurze, a moce produkcyjne niestandardowych akceleratorów nie są nieograniczone. Otwartym pytaniem pozostaje, czy Google może lub chce dostarczać TPU w skali znaczącej dla całkowitego zasięgu obliczeniowego Meta – który przyćmiewa większość firm.

Co obejrzeć dalej

Natychmiastowymi sygnałami, które należy monitorować, są to, czy inne hiperskalowarki pójdą przykładem Meta, jak Nvidia reaguje na ceny oraz czy dynamika TorchTPU w zakresie open source przekłada się na rzeczywistą migrację obciążeń PyTorch do infrastruktury TPU. Rynek sprzętu AI od lat czekał na wiarygodną alternatywę dla Nvidii z najwyższej półki. Ponieważ procesory TPU działają obecnie w centrach danych drugiej firmy, to oczekiwanie może w końcu dobiec końca.

Wyprzedź sztuczną inteligencję

Wyścig sprzętowy AI szybko przyspiesza i właśnie teraz wyłaniani są zwycięzcy i przegrani następnej dekady. Wyprzedź sztuczną inteligencję dzięki niezależnym relacjom na temat chipów, modeli i ofert zmieniających branżę.

Przeczytaj więcej aktualności o sztucznej inteligencji →