Google одночасно випустила два види TPU, вперше розділивши чіпи для навчання та інференції, корпоративні AI-агенти розгортаються повсюдно

Google Cloud, дочірня компанія Alphabet, на щорічній конференції розробників зробила низку анонсів, одночасно презентувавши нове покоління власних чипів і корпоративні AI-інструменти для розробки агентів, кидаючи виклик на апаратному та програмному фронті Nvidia, OpenAI і Anthropic.

У середу за місцевим часом Google Cloud на конференції Google Cloud Next 2026 у Лас-Вегасі представила дві новинки восьмого покоління тензорних процесорів (TPU): TPU 8T, спеціально розроблений для тренування AI-моделей, і TPU 8i, оптимізований для стадії інференції (inference), очікувано з'являться у продажу пізніше цього року. Вперше Google розділяє задачі тренування та інференції на окремі чипи, що означає значний поворот у стратегії AI-апаратного забезпечення компанії.

Одночасно Google презентувала низку інструментів для розробки AI-агентів, зокрема платформу Gemini Enterprise Agent Platform, спрямовану на ринок корпоративної автоматизації.

Презентація нових чипів збігається з періодом стрімкого розширення попиту на AI-інференцію. Віце-президент Google Cloud з обчислювальної техніки й AI-інфраструктури Mark Lohmeyer зазначив: "Важливо, як знизити затримку відповіді і забезпечити мінімальну вартість кожної транзакції. Обсяги транзакцій зростають, а їхня вартість має суттєво знизитися для масштабування." Обидва нові чипи будуть доступні пізніше цього року.

Відокремлення тренування та інференції — значний стрибок у продуктивності чипів

Google вирішила розділити восьме покоління TPU на два окремих продукти у відповідь на зростаючу диференціацію AI-навантажень.

Amin Vahdat, старший віце-президент і CTO AI та інфраструктури Google, написав у блозі: "Зі зростанням кількості AI-агентів ми бачимо, що галузь виграє від чипів, спеціально оптимізованих для потреб тренування та інференції."

TPU 8t оптимізований для навчання AI-моделей і, як стверджується, "скорочує цикл розробки передових моделей з місяців до тижнів".

Щодо продуктивності, ефективність TPU 8t на ват на 124% перевищує попереднє покоління, а TPU 8i — на 117%. У порівнянні з Ironwood TPU сьомого покоління, презентованим у листопаді минулого року, TPU 8t при однаковій ціні забезпечує 2,8-кратне підвищення продуктивності, а TPU 8i — на 80%.

Навчальний чип TPU 8t дозволяє об'єднати до 9600 чипів у єдину систему; Google зазначає, що у таких масштабах електропостачання стає головним обмеженням для дата-центрів, а підвищена енергоефективність є критичною.

TPU 8i орієнтований на інференцію, підходить для запуску AI-моделей і виконання задач AI-агентів. Архітектурна особливість — великий об’єм внутрішньої пам’яті. Кожен чип містить 384MB статичної оперативної пам'яті (SRAM), що втричі перевищує показник Ironwood попереднього покоління.

Обидва чипи планується випустити у продаж пізніше у 2026 році.

CEO Alphabet Сундар Пічаі у блозі зазначив, що архітектура розроблена "для забезпечення масштабного пропуску та низької затримки, необхідних для одночасної роботи мільйонів агентів, з оптимізацією витрат". Збільшення внутрішньої пам’яті дозволяє чипу рідше звертатися до зовнішніх даних, що особливо важливо для складних AI-задач із багатоетапною інференцією.

Платформа AI-агентів розширюється, прямий виклик OpenAI і Anthropic

На програмному рівні Google презентувала повний корпоративний інструментарій для AI-агентів, відкрито конкуруючи з OpenAI й Anthropic у корпоративному секторі.

За даними Bloomberg, багато засновників стартапів відзначають, що інженери Кремнієвої долини зазвичай вибирають між Claude Code від Anthropic і Codex від OpenAI для AI-програмування. Google зазвичай навіть не розглядають — і це викликає занепокоєння у керівництва компанії.

CEO Google Cloud Thomas Kurian у блозі написав: "Мова не про окремі сервіси, що можна комбінувати, а про повний інноваційний базис."

Gemini Enterprise Agent Platform отримала функції Memory Bank і Memory Profile, що допомагають агентам запам’ятовувати історію взаємодії з користувачем та долати обмеження ранніх AI-інструментів у пам’яті; функція Agent Simulation дозволяє розробникам тестувати інструменти до запуску.

Google також презентувала платформу спільної роботи Projects, яка об'єднує інформацію з Workspace, Microsoft OneDrive і корпоративних чат-інструментів, забезпечуючи AI-агентам необхідний контекст. Крім того, випущено Gemini Enterprise для співробітників як "AI-фронт-офіс для кожного працівника", де створення агентів не потребує написання коду.

TPU приймається все активніше, співпраця з Nvidia паралельно триває

Хоча Google продовжує інвестувати у власні чипи, партнерство з Nvidia не переривається.

Mark Lohmeyer повідомив, що Google планує стати одним із перших, хто розгорне нове покоління чипів Nvidia у другій половині року, а також зберігає сервіси для клієнтів, що бажають працювати з системами Nvidia.

Паралельно комерційне впровадження Google TPU набирає обертів.

Hedge fund Citadel Securities будує програмне забезпечення для кількісних досліджень на основі TPU від Google; усі 17 національних лабораторій Міністерства енергетики США використовують AI-інструменти співробітництва для науковців, побудовані на TPU. Meta підписала багаторічну угоду з Google на використання TPU на суму у декілька мільярдів доларів. Anthropic також зобов’язалася використовувати багатогігавагову потужність TPU від Google.

Аналітик DA Davidson восени минулого року оцінював загальну вартість бізнесу TPU разом з підрозділом Google DeepMind AI приблизно у 900 млрд доларів.

Варто зазначити, Google не порівнювала характеристики нових чипів із продуктами Nvidia напряму. На стороні Nvidia найближча нова лінійка чипів інтегруватиме технології Groq, придбаної за 20 млрд доларів і спеціально призначеної для задач з ультранизькою затримкою інференції.

CEO Nvidia Дженсен Хуанг раніше зазначав, що понад 20% AI-навантажень підходять для чипів цього типу. Groq була заснована у 2016 році групою колишніх інженерів Google.

Для подальшого розширення доступності TPU Google тестує розгортання чипів у власних дата-центрах клієнтів і працює над сумісністю з програмними інструментами сторонніх розробників. Однак основними невизначеностями на шляху масштабування залишаються вузькі місця поставок чипів, швидка еволюція AI-моделей і тривалий цикл розробки чипів.