Google skruvar upp tempot i AI-kapplöpningen. Under sitt Cloud Next-event presenterade bolaget en ny generation av sina egna AI-chip, så kallade TPU:er, med målet att göra AI både snabbare och mer kostnadseffektivt.
Den nya generationen delas upp i två delar. TPU 8t är optimerad för att träna AI-modeller, medan TPU 8i är byggd för inferens – alltså när modellerna används i praktiken.
Det är en tydlig uppdelning som speglar hur AI faktiskt används i dag.
Enligt Googles egen presentation ska de nya chipen kunna leverera upp till tre gånger snabbare modellträning och omkring 80 procent bättre prestanda per dollar jämfört med tidigare generationer. Dessutom ska det vara möjligt att koppla ihop över en miljon TPU:er i ett enda kluster.
Google vill ta kontroll över AI-kostnader
Bakom satsningen finns en tydlig strategi. AI kräver enorm datorkraft, och kostnaden för chip är en av de största utgifterna för techbolag.
Genom att utveckla egna chip kan Google både optimera sina system och minska beroendet av externa leverantörer.
Det handlar inte bara om prestanda, utan även om kontroll.
Nvidia dominerar fortfarande
Trots satsningen är det tydligt att Nvidia fortfarande har en stark position.
Google ersätter inte Nvidia, utan kompletterar. Företaget planerar samtidigt att erbjuda Nvidias senaste chip i sina molntjänster, vilket visar hur central Nvidia fortfarande är i AI-ekosystemet.
TechCrunch beskriver satsningen som en del av en större trend där molnbolag bygger egna chip för att på sikt minska beroendet av Nvidia.
Vad det betyder för dig
För vanliga användare märks inte chipen direkt, men effekten gör det.
Snabbare och billigare AI-infrastruktur kan leda till bättre appar, snabbare tjänster och lägre kostnader för företag som bygger AI-lösningar. Det kan i sin tur göra att fler tjänster blir tillgängliga eller billigare att använda.
Samtidigt är utvecklingen långt ifrån avgjord. Nvidia dominerar fortfarande marknaden, men Googles nya chip visar att konkurrensen hårdnar och att kampen om AI:s framtid nu också avgörs på hårdvarunivå.