Chipy Google AI bez ograniczeń: Premiera TPU 8t i 8i, aby rzucić wyzwanie dominacji Nvidii

BitcoinWorld

Google AI Chips Unleashed: Premiera TPU 8t i 8i w Wyzwaniu dla Dominacji Nvidii

W ramach strategicznego posunięcia mającego na celu zdobycie większego udziału w dynamicznie rozwijającym się rynku sztucznej inteligencji, Google Cloud ogłosiło w środę, 30 kwietnia, w San Francisco w Kalifornii premierę swoich niestandardowych układów AI ósmej generacji. Firma ujawniła dwutorowe podejście, przedstawiając dwa specjalizowane układy: TPU 8t do trenowania modeli AI oraz TPU 8i do zadań wnioskowania. Ten krok sygnalizuje największe jak dotąd starania Google o zaoferowanie przedsiębiorstwom potężnej i opłacalnej alternatywy dla standardowych w branży procesorów GPU firmy Nvidia, choć gigant wyszukiwarek podkreśla, że jego partnerstwo z liderem rynku układów scalonych jest silniejsze niż kiedykolwiek.

Układy AI Google: Dwutorowa Strategia dla Trenowania i Wnioskowania

Decyzja Google o podziale Tensor Processing Unit (TPU) ósmej generacji na dwa odrębne modele stanowi poważną ewolucję w strategii sprzętowej firmy. Historycznie TPU obsługiwały zarówno trenowanie, jak i wnioskowanie, jednak gwałtownie rosnące zapotrzebowanie na wyspecjalizowane obliczenia AI wymusiło tę zmianę architektoniczną. TPU 8t jest zaprojektowany specjalnie do intensywnego obliczeniowo procesu trenowania dużych modeli językowych i innych systemów AI. Z kolei TPU 8i jest zoptymalizowany pod kątem wnioskowania, czyli ciągłego procesu uruchamiania wytrenowanych modeli w celu generowania odpowiedzi na zapytania użytkowników.

Zgodnie z testami wydajności Google, nowe układy oferują znaczące ulepszenia w porównaniu do poprzedników. Firma twierdzi, że TPU 8t zapewnia nawet 3-krotnie szybsze trenowanie modeli AI oraz o 80% lepszą wydajność na dolara. Co więcej, inżynieria Google umożliwia teraz współpracę ponad miliona TPU w jednym, masowym klastrze. Ta skala umożliwia trenowanie modeli granicznych nowej generacji, które wcześniej były niewykonalne. Korzyścią dla klientów chmurowych jest znacznie większa moc obliczeniowa przy niższym zużyciu energii i niższych kosztach.

Wyścig Układów Scalonych Hiperskalerów Nabiera Tempa

Ogłoszenie Google wpisuje się w szerszy trend tworzenia niestandardowych układów scalonych przez głównych dostawców chmury. Amazon Web Services (AWS) posiada układy Graviton i Trainium, podczas gdy Microsoft Azure rozwija akceleratory Maia. Ten ruch, często nazywany „wyścigiem układów hiperskalerów", wynika z chęci uzyskania większej kontroli nad łańcuchem dostaw, optymalizacji wydajności dla określonych stosów oprogramowania i poprawy marż kosztowych. Analitycy przestrzegają jednak, że nie jest to gra o sumie zerowej przeciwko Nvidii.

„Narracja o 'hiperskalerach kontra Nvidia' jest często przesadzona" – wyjaśnia Patrick Moore, znany analityk rynku układów scalonych. „Firmy te budują dodatkowe moce i optymalizują swoje własne ekosystemy. Nie dążą do całkowitego wyparcia Nvidii, zwłaszcza w krótkim terminie." Moore zasłynął w 2016 roku prognozą, że pierwszy TPU Google może zagrożić Nvidii i Intelowi – przepowiednia, która okazała się przedwczesna, gdyż kapitalizacja rynkowa Nvidii wzrosła od tamtej pory do prawie 5 bilionów dolarów. Obecna rzeczywistość jest bardziej symbiotyczna. Google na przykład potwierdziło, że zaoferuje nadchodzący układ Vera Rubin od Nvidii w swojej chmurze jeszcze w tym roku.

Przyszłość Oparta na Współpracy, Nie Konfrontacji

W rzeczywistości Google podkreśla swoją ciągłą współpracę z Nvidią. Dwaj giganci technologiczni wspólnie projektują rozwiązania sieciowe dla komputerów, aby systemy oparte na Nvidii działały wydajniej w infrastrukturze Google Cloud. Kluczowy projekt dotyczy ulepszania Falcon – sieciowej technologii opartej na oprogramowaniu, którą Google stworzyło i udostępniło jako open source w 2023 roku. Ta współpraca podkreśla kluczowy wgląd branżowy: wzrost usług chmurowych AI poszerza całkowity dostępny rynek dla wszystkich wydajnych układów scalonych, niezależnie od tego, czy noszą markę Nvidii, czy dostawcy chmury.

Logika finansowa jest jasna. W miarę jak przedsiębiorstwa coraz częściej migrują swoje obciążenia AI do chmury, zapotrzebowanie na moc obliczeniową gwałtownie rośnie. Dostawcy chmury mogą wtedy kierować określone, zoptymalizowane obciążenia do swoich niestandardowych układów, oferując jednocześnie szeroką kompatybilność procesorów GPU Nvidii dla innych. Ten model hybrydowy pozwala im poprawić rentowność przy niektórych obciążeniach, zachowując pełny wybór dla klientów. Dla Nvidii każda nowa aplikacja AI hostowana w Google Cloud stanowi potencjalnego klienta na sprzęt sieciowy, licencje oprogramowania, a w wielu przypadkach – na jej procesory GPU.

Analiza Wydajności i Wpływu na Rynek

Specyfikacje techniczne nowych TPU Google sugerują zmniejszanie się luki wydajnościowej w stosunku do najlepszych w swojej klasie procesorów GPU. Skupienie się na wydajności na dolara i efektywności energetycznej odpowiada na dwa główne problemy przedsiębiorstw skalujących AI: gwałtownie rosnące koszty i wpływ na środowisko. Zdolność Google do łączenia ponad miliona TPU bezpośrednio kwestionuje również jedną z kluczowych przewag Nvidii – jej wiodącą na rynku technologię NVLink do łączenia ogromnych liczb procesorów GPU.

Kluczowe Zalety Nowych TPU Google:

• Specjalizacja: Dedykowane układy do trenowania (TPU 8t) i wnioskowania (TPU 8i) optymalizują pod kątem konkretnych zadań.
• Efektywność kosztowa: O 80% lepsza wydajność na dolara może znacznie obniżyć barierę wejścia dla projektów AI.
• Skala: Klastry milionów układów umożliwiają trenowanie bezprecedensowych modeli AI.
• Integracja: Głęboka integracja oprogramowania z frameworkami AI Google, takimi jak TensorFlow i JAX.

Niemniej jednak ekosystem Nvidii, w szczególności platforma oprogramowania CUDA, pozostaje potężną fosą. Miliony programistów AI są wyszkolonych na CUDA, a niezliczone aplikacje są dla niej tworzone. Chociaż układy Google obsługują popularne frameworki, konieczność potencjalnego portowania aplikacji stwarza tarcia. Długoterminowa walka może być mniej związana z surową prędkością tranzystorów, a bardziej z tym, która platforma oferuje najbardziej przekonujące całościowe rozwiązanie dla programistów i przedsiębiorstw.

Podsumowanie

Premiera TPU 8t i TPU 8i firmy Google wyznacza kluczowy moment w ewolucji infrastruktury AI. Demonstruje poważne zaangażowanie firmy w rywalizację na arenie sprzętu AI o wysokiej stawce, oferując przedsiębiorstwom potężne nowe układy AI Google do wyspecjalizowanych zadań. Jednak ogłoszenie to wzmacnia również złożony, oparty na współpracy charakter nowoczesnego przemysłu półprzewodnikowego. Zamiast frontalnego ataku, Google realizuje wyrafinowaną, dwutorową strategię: rozwijając własny krzem, jednocześnie pogłębia partnerstwo z Nvidią. Takie podejście zapewnia, że Google Cloud może obsługiwać jak najszerszy zakres obciążeń AI – od tych zoptymalizowanych pod kątem niestandardowych TPU po te wymagające uniwersalnego standardu procesorów GPU Nvidii. Ostatecznymi zwycięzcami są prawdopodobnie przedsiębiorstwa, które skorzystają na zwiększonej konkurencji, większym wyborze i ciągłych innowacjach w zakresie wydajności i kosztów.

FAQ

Q1: Jaka jest różnica między układami TPU 8t i TPU 8i firmy Google?
TPU 8t jest zaprojektowany specjalnie do trenowania modeli AI – procesu nauczania modelu przy użyciu ogromnych zbiorów danych. TPU 8i jest zoptymalizowany pod kątem wnioskowania, czyli procesu wykorzystania wytrenowanego modelu do tworzenia prognoz lub generowania odpowiedzi w czasie rzeczywistym.

Q2: Czy Google Cloud przestanie oferować procesory GPU Nvidii?
Nie. Google wyraźnie oświadczyło, że nie zastępuje Nvidii. Firma potwierdziła, że zaoferuje procesory GPU Nvidii nowej generacji Vera Rubin w swojej chmurze jeszcze w tym roku i aktywnie współpracuje z Nvidią w zakresie technologii sieciowych.

Q3: Jak nowe układy AI Google wypadają w porównaniu z poprzednimi wersjami TPU?
Google twierdzi, że nowe TPU ósmej generacji oferują nawet 3-krotnie szybsze prędkości trenowania i 80% poprawę wydajności na dolara w porównaniu z poprzednimi generacjami. Obsługują również klastry ponad miliona układów, umożliwiając trenowanie modeli na większą skalę.

Q4: Dlaczego dostawcy chmury, tacy jak Google, budują własne układy AI?
Dostawcy chmury opracowują niestandardowy krzem, aby optymalizować wydajność dla swoich konkretnych programów i usług, uzyskać większą kontrolę nad łańcuchem dostaw, poprawić efektywność kosztową i wyróżnić swoje oferty na konkurencyjnym rynku.

Q5: Co to oznacza dla przyszłości Nvidii?
Chociaż niestandardowe układy od hiperskalerów stanowią konkurencję, ogólny wzrost rynku AI zwiększa popyt na wszystkie wysokowydajne obliczenia. Solidny ekosystem oprogramowania Nvidii (CUDA) i ciągłe innowacje oznaczają, że prawdopodobnie pozostanie ona dominującą siłą, nawet współpracując z firmami budującymi alternatywne układy scalone.

This post Google AI Chips Unleashed: TPU 8t and 8i Launch to Challenge Nvidia's Dominance first appeared on BitcoinWorld.