Google TPU Power Metas datacenter i direkt utmaning till Nvidia

Googles tensorbehandlingsenheter körs nu inuti Metas datacenter, enligt en rapport från Tom's Hardware publicerad den 22 oktober 2026 – första gången Google har sålt sina anpassade AI-chips till en extern kund som utplacerad hårdvara snarare än genom sitt eget moln. Flytten markerar ett historiskt skifte på AI-hårdvarumarknaden, där Nvidias GPU:er länge har varit standardvalet för träning och servering av stora modeller.

I flera år har antagandet i branschen varit att Nvidias CUDA-programvaruekosystem gjorde dess GPU oersättliga, även när alternativ dök upp. Det antagandet testas nu av de två företag som är bäst positionerade för att bryta det. Affären, som kommer utöver Metas enorma utgifter för AI-infrastruktur detta kvartal, visar hur allvarligt hyperskalare strävar efter datoroberoende – en berättelse som du kan följa mer på djupet med den senaste AI-utvecklingen som täcks dagligen på vår hemsida på aibuzzwire.news.

Från TorchTPU till stål och kisel

Grunden för detta ögonblick lades offentligt bara två dagar tidigare. Den 20 oktober tillkännagav Google och Meta TorchTPU med öppen källkod, en inbyggd PyTorch-backend för Googles TPU:er, på den officiella PyTorch-bloggen av TorchTPU-teamet. Projektet började hos Google i mitten av 2025 i samarbete med Metas PyTorch-team, och det gör något som ingen tidigare ansträngning hanterats rent: det låter befintliga PyTorch-arbetsbelastningar köras på TPU:er med en trivial kodändring, som i princip byter ut `.to("cuda")` mot `.to("tpu")`.

Det spelar roll eftersom Googles tidigare försök, PyTorch/XLA, som lanserades 2020, krävde påträngande källkodsändringar, led av långa kompileringstider och saknade stöd för PyTorchs ursprungliga ivriga exekveringsläge. Många team som experimenterade med TPU:er slutade med att återvända till Nvidia GPU:er helt enkelt för att utvecklarupplevelsen var för smärtsam. TorchTPU designades uttryckligen för att fixa det, utan JAX-beroenden i runtime och torch.compile-integration byggd på Torch Dynamo snarare än den äldre Lazy Tensor-metoden.

Vad Meta får ut av affären

De tekniska resultat som Google och Meta har publicerat är anmärkningsvärda. Enligt uppgifter som rapporterats av Yahoo Tech har TorchTPU-stacken validerats mot 5 000 Hugging Face-modeller, och Googles DeferAndFuse exekveringsläge ger prestandavinster på 50 procent eller mer jämfört med strikt ivrig exekvering. Fallstudier från leverantörer visar att Metas Llama 3 405B-modell når 57 procent av modellens FLOP-användning på kluster av 128 till 1 024 Ironwood TPU:er – siffror som, även om de är självrapporterade, indikerar att chipsen kan köra gränsöverskridande träningsarbetsbelastningar på ett kompetent sätt.

Ekonomin är den största historien. Det har länge ryktats om att TPU:er kostar betydligt mindre än Nvidia GPU:er i toppklass, och ett företag med Metas beräkningsaptit – som täcker både dess AI-forskningsambitioner och dess rekommendationssystem – har alla incitament att diversifiera sig från en enda leverantör. Bloomberg rapporterade så långt tillbaka som i november 2025 att Meta och Google diskuterade att distribuera TPU:er i Metas datacenter, och samarbetet kring TorchTPU rapporterades av Reuters i december 2025. Det som har förändrats nu är att affären har flyttats från diskussion till implementering, där Toms hårdvara rapporterade att chipsen är fysiskt installerade och körs i Meta-anläggningar.

En spricka i Nvidias rustning

Nvidia behärskar fortfarande den överväldigande majoriteten av AI-acceleratormarknaden, och dess datacenterintäkter är fortfarande riktmärket varje konkurrent jagar. Men dynamiken förändras. Som TechCrunch uttryckte det i sin bevakning av TorchTPU-lanseringen, har Google anslutit sig till Amazon för att attackera Nvidias fäste på mjukvaruskiktet som håller utvecklare knutna till dess hårdvara. Meta får under tiden förhandlingseffekt: varje TPU-rack som den installerar är ett rack med GPU:er som det inte behövde köpa till Nvidias prissättning.

Trycket kommer från flera håll samtidigt. Amazon har sina Trainium-chips, Google har TPU:er och en våg av startups bygger slutledningsspecifika acceleratorer. Det som gör Meta-distributionen annorlunda är skala och synlighet. Meta är en av Nvidias största kunder, och om dess ingenjörsteam drar slutsatsen att TPU:er kan bära en meningsfull del av både utbildnings- och slutledningsarbetsbelastningar, kommer andra stora köpare att ägna stor uppmärksamhet.

Varningar

Inget av detta betyder att Nvidias position kollapsar över en natt. PyTorch-bloggen varnar själv för att även om modeller kan köras ur lådan på TPU: er, krävs fortfarande hårdvarumedveten optimering för att uppnå toppprestanda, eftersom modellformer, skärningsstrategier och kärnimplementeringar vanligtvis är inställda för GPU-arkitekturer. TPU-instruktionsuppsättningen skiljer sig från Nvidias, och ekosystemet av verktyg, bibliotek och erfarna ingenjörer är fortfarande starkt GPU-centrerade.

Det finns också frågan om utbudet. Google har historiskt reserverat TPU:er för sina interna arbetsbelastningar och sina molnkunder, och tillverkningskapaciteten för anpassade acceleratorer är inte obegränsad. Huruvida Google kan eller vill leverera TPU:er i en skala som är meningsfull för Metas totala beräkningsfotavtryck – som överskrider de flesta företags – är fortfarande en öppen fråga.

Vad du ska titta på härnäst

De omedelbara signalerna att övervaka är om andra hyperskalare följer Metas ledning, hur Nvidia reagerar på prissättning och om TorchTPU:s öppna källkodsmomentum översätts till en genuin migrering av PyTorch-arbetsbelastningar till TPU-infrastruktur. AI-hårdvarumarknaden har väntat i åratal på ett trovärdigt alternativ till Nvidia i toppen. Med TPU:er som nu körs i ett andra företags datacenter kan den väntan äntligen vara över.

Ligg före AI

AI-hårdvarutävlingen accelererar snabbt, och vinnarna och förlorarna för nästa decennium avgörs nu. Lägg dig före AI med oberoende täckning av chips, modeller och erbjudanden som omformar branschen.

Läs mer AI-nyheter →