Google AI Chips Unleashed: TPU 8t และ 8i เปิดตัวท้าทายการครองตลาดของ Nvidia

BitcoinWorld

Google AI Chips Unleashed: TPU 8t และ 8i เปิดตัวท้าทายการครองอำนาจของ Nvidia

ในการเคลื่อนไหวเชิงกลยุทธ์เพื่อครองส่วนแบ่งในตลาดปัญญาประดิษฐ์ที่กำลังเติบโตอย่างรวดเร็ว Google Cloud ได้ประกาศเปิดตัวชิป AI แบบกำหนดเองรุ่นที่แปดในวันพุธที่ 30 เมษายน ณ เมืองซานฟรานซิสโก รัฐแคลิฟอร์เนีย บริษัทได้เปิดเผยแนวทางแบบสองทาง โดยแนะนำชิปเฉพาะทางสองรุ่น ได้แก่ TPU 8t สำหรับการฝึกโมเดล AI และ TPU 8i สำหรับงาน inference การพัฒนานี้เป็นสัญญาณว่า Google กำลังผลักดันอย่างจริงจังที่สุดเท่าที่เคยมีมา เพื่อนำเสนอทางเลือกที่ทรงพลังและคุ้มค่าสำหรับองค์กรแทน GPU มาตรฐานอุตสาหกรรมของ Nvidia แม้ว่ายักษ์ใหญ่ด้านการค้นหาจะยืนยันว่าความร่วมมือกับผู้นำด้านชิปยังคงแข็งแกร่งกว่าที่เคย

Google AI Chips: กลยุทธ์สองทางสำหรับการฝึกและ Inference

การตัดสินใจของ Google ที่จะแยก Tensor Processing Unit (TPU) รุ่นที่แปดออกเป็นสองโมเดลที่แตกต่างกัน ถือเป็นการพัฒนาครั้งสำคัญในกลยุทธ์ฮาร์ดแวร์ของบริษัท ในอดีต TPU รองรับทั้งการฝึกและ inference แต่ความต้องการที่พุ่งสูงขึ้นสำหรับการประมวลผล AI เฉพาะทางได้ผลักดันให้เกิดการเปลี่ยนแปลงทางสถาปัตยกรรมนี้ TPU 8t ได้รับการออกแบบมาโดยเฉพาะสำหรับกระบวนการฝึกโมเดลภาษาขนาดใหญ่และระบบ AI อื่นๆ ที่ต้องใช้การประมวลผลสูง ในทางกลับกัน TPU 8i ได้รับการปรับให้เหมาะสมสำหรับ inference ซึ่งเป็นกระบวนการต่อเนื่องของการรันโมเดลที่ฝึกแล้วเพื่อสร้างการตอบสนองต่อคำสั่งของผู้ใช้

ตามเกณฑ์มาตรฐานประสิทธิภาพของ Google ชิปใหม่มีการปรับปรุงอย่างมีนัยสำคัญเมื่อเทียบกับรุ่นก่อนหน้า บริษัทอ้างว่า TPU 8t มีความเร็วในการฝึกโมเดล AI เร็วขึ้นสูงสุด 3 เท่า และประสิทธิภาพต่อดอลลาร์ดีขึ้น 80% นอกจากนี้ วิศวกรรมของ Google ยังรองรับ TPU มากกว่าหนึ่งล้านตัวทำงานร่วมกันในคลัสเตอร์ขนาดใหญ่เพียงหนึ่งเดียว ขนาดนี้ช่วยให้สามารถฝึกโมเดลชายแดนรุ่นต่อไปที่ไม่เคยเป็นไปได้มาก่อน ผลลัพธ์สำหรับลูกค้าคลาวด์คือพลังการประมวลผลที่มากขึ้นอย่างมีนัยสำคัญด้วยการบริโภคพลังงานและต้นทุนที่ต่ำลง

การแข่งขันชิป Hyperscaler ทวีความเข้มข้น

การประกาศของ Google ทำให้บริษัทอยู่ในแนวโน้มที่กว้างขึ้นของผู้ให้บริการคลาวด์รายใหญ่ที่พัฒนาซิลิกอนแบบกำหนดเอง Amazon Web Services (AWS) มีชิป Graviton และ Trainium ในขณะที่ Microsoft Azure กำลังพัฒนาตัวเร่ง Maia การเคลื่อนไหวนี้ซึ่งมักเรียกว่า "การแข่งขันชิป hyperscaler" ได้รับแรงผลักดันจากความต้องการควบคุมห่วงโซ่อุปทานมากขึ้น การปรับประสิทธิภาพสำหรับซอฟต์แวร์สแต็กเฉพาะ และการปรับปรุงอัตรากำไร อย่างไรก็ตาม นักวิเคราะห์เตือนว่านี่ไม่ใช่เกมที่มีผลรวมเป็นศูนย์ต่อ Nvidia

"เรื่องราวของ 'hyperscalers กับ Nvidia' มักถูกพูดเกินจริง" Patrick Moore นักวิเคราะห์ตลาดชิปที่มีชื่อเสียงอธิบาย "บริษัทเหล่านี้กำลังสร้างความจุเสริมและปรับให้เหมาะสมสำหรับระบบนิเวศของตนเอง พวกเขาไม่ได้มุ่งหมายที่จะแทนที่ Nvidia อย่างเต็มที่ โดยเฉพาะในระยะสั้น" Moore เคยทำนายอย่างโด่งดังในปี 2016 ว่า TPU ตัวแรกของ Google อาจคุกคาม Nvidia และ Intel การคาดการณ์ที่พิสูจน์แล้วว่าเร็วเกินไป เนื่องจากมูลค่าตลาดของ Nvidia ได้พุ่งสูงถึงเกือบ 5 ล้านล้านดอลลาร์นับตั้งแต่นั้น ความเป็นจริงในปัจจุบันมีความเกื้อกูลกันมากกว่า ตัวอย่างเช่น Google ได้ยืนยันว่าจะนำเสนอชิป Vera Rubin ที่กำลังจะมาถึงของ Nvidia ในคลาวด์ในช่วงปลายปีนี้

อนาคตแห่งความร่วมมือ ไม่ใช่การเผชิญหน้า

ในความเป็นจริง Google เน้นย้ำถึงความร่วมมืออย่างต่อเนื่องกับ Nvidia ยักษ์ใหญ่ด้านเทคโนโลยีทั้งสองกำลังร่วมกันพัฒนาโซลูชันเครือข่ายคอมพิวเตอร์เพื่อให้ระบบที่ใช้ Nvidia ทำงานได้อย่างมีประสิทธิภาพมากขึ้นบนโครงสร้างพื้นฐาน Google Cloud โครงการสำคัญหนึ่งเกี่ยวข้องกับการพัฒนา Falcon ซึ่งเป็นเทคโนโลยีเครือข่ายแบบซอฟต์แวร์ที่ Google สร้างและเปิดเป็น open-source ในปี 2023 ความร่วมมือนี้เน้นย้ำถึงข้อมูลเชิงลึกที่สำคัญของอุตสาหกรรม: การเติบโตของบริการคลาวด์ AI ขยายตลาดที่สามารถกำหนดได้ทั้งหมดสำหรับซิลิกอนที่มีประสิทธิภาพทั้งหมด ไม่ว่าจะเป็นแบรนด์ Nvidia หรือผู้ให้บริการคลาวด์

ตรรกะทางการเงินนั้นชัดเจน เมื่อองค์กรต่างๆ ย้ายภาระงาน AI ของตนไปยังคลาวด์มากขึ้นเรื่อยๆ ความต้องการการประมวลผลก็พุ่งสูงขึ้น ผู้ให้บริการคลาวด์สามารถนำภาระงานที่ได้รับการปรับแต่งบางส่วนไปยังชิปแบบกำหนดเองของตน ในขณะที่นำเสนอความเข้ากันได้กว้างขวางของ GPU Nvidia สำหรับงานอื่นๆ โมเดลไฮบริดนี้ช่วยให้พวกเขาปรับปรุงความสามารถในการทำกำไรในภาระงานบางส่วนในขณะที่รักษาการเลือกของลูกค้าอย่างเต็มที่ สำหรับ Nvidia แอปพลิเคชัน AI ใหม่ทุกรายการที่โฮสต์บน Google Cloud แสดงถึงลูกค้าที่มีศักยภาพสำหรับอุปกรณ์เครือข่าย ใบอนุญาตซอฟต์แวร์ และในหลายกรณี GPU ของบริษัท

การวิเคราะห์ประสิทธิภาพและผลกระทบต่อตลาด

ข้อกำหนดทางเทคนิคของ TPU ใหม่ของ Google แสดงให้เห็นว่าช่องว่างด้านประสิทธิภาพกับ GPU ระดับดีที่สุดในระดับเดียวกันกำลังแคบลง การมุ่งเน้นที่ประสิทธิภาพต่อดอลลาร์และประสิทธิภาพพลังงานช่วยแก้ไขจุดเจ็บปวดหลักสองประการสำหรับองค์กรที่ขยาย AI: ต้นทุนที่พุ่งสูงและผลกระทบต่อสิ่งแวดล้อม ความสามารถของ Google ในการเชื่อมต่อ TPU มากกว่าหนึ่งล้านตัวยังท้าทายความได้เปรียบหลักประการหนึ่งของ Nvidia โดยตรง ซึ่งได้แก่ เทคโนโลยี NVLink ที่นำตลาดสำหรับการเชื่อมต่อ GPU จำนวนมาก

ข้อได้เปรียบหลักของ TPU ใหม่ของ Google:

• ความเชี่ยวชาญเฉพาะด้าน: ชิปเฉพาะสำหรับการฝึก (TPU 8t) และ inference (TPU 8i) ปรับให้เหมาะสมสำหรับงานเฉพาะ
• ประสิทธิภาพด้านต้นทุน: ประสิทธิภาพที่ดีขึ้น 80% ต่อดอลลาร์สามารถลดอุปสรรคในการเข้าสู่โครงการ AI ได้อย่างมีนัยสำคัญ
• ขนาด: คลัสเตอร์ชิปหนึ่งล้านตัวช่วยให้สามารถฝึกโมเดล AI ที่ไม่เคยมีมาก่อนได้
• การผสานรวม: การผสานรวมซอฟต์แวร์เชิงลึกกับเฟรมเวิร์ก AI ของ Google เช่น TensorFlow และ JAX

อย่างไรก็ตาม ระบบนิเวศของ Nvidia โดยเฉพาะแพลตฟอร์มซอฟต์แวร์ CUDA ยังคงเป็นคูป้องกันที่แข็งแกร่ง นักพัฒนา AI หลายล้านคนได้รับการฝึกฝนบน CUDA และแอปพลิเคชันนับไม่ถ้วนถูกสร้างขึ้นสำหรับมัน แม้ว่าชิปของ Google จะรันเฟรมเวิร์กยอดนิยม แต่ความจำเป็นในการพอร์ตแอปพลิเคชันอาจสร้างแรงเสียดทาน การต่อสู้ระยะยาวอาจไม่ใช่เรื่องของความเร็วทรานซิสเตอร์ดิบ แต่เป็นเรื่องของว่าแพลตฟอร์มใดเสนอโซลูชันรวมที่น่าสนใจที่สุดสำหรับนักพัฒนาและองค์กร

บทสรุป

การเปิดตัว TPU 8t และ TPU 8i ของ Google ถือเป็นจุดเปลี่ยนสำคัญในการพัฒนาโครงสร้างพื้นฐาน AI มันแสดงให้เห็นถึงความมุ่งมั่นอย่างจริงจังของบริษัทในการแข่งขันในเวที AI hardware ที่มีเดิมพันสูง โดยนำเสนอชิป AI ของ Google ใหม่ที่ทรงพลังสำหรับงานเฉพาะทางแก่องค์กร อย่างไรก็ตาม การประกาศนี้ยังเสริมสร้างธรรมชาติที่ซับซ้อนและเป็นความร่วมมือของอุตสาหกรรมเซมิคอนดักเตอร์สมัยใหม่ แทนที่จะเป็นการโจมตีเต็มรูปแบบ Google กำลังดำเนินกลยุทธ์สองเส้นทางที่ซับซ้อน: พัฒนาซิลิกอนที่เป็นกรรมสิทธิ์ในขณะที่ deepening ความร่วมมือกับ Nvidia แนวทางนี้ทำให้ Google Cloud สามารถรองรับภาระงาน AI ในวงกว้างที่สุดเท่าที่เป็นไปได้ ตั้งแต่ภาระงานที่ปรับให้เหมาะสมสำหรับ TPU แบบกำหนดเองไปจนถึงภาระงานที่ต้องการมาตรฐานสากลของ Nvidia GPU ผู้ชนะสูงสุดน่าจะเป็นองค์กรต่างๆ ที่จะได้รับประโยชน์จากการแข่งขันที่เพิ่มขึ้น ทางเลือกที่มากขึ้น และนวัตกรรมต่อเนื่องด้านประสิทธิภาพและต้นทุน

คำถามที่พบบ่อย

Q1: ความแตกต่างระหว่างชิป TPU 8t และ TPU 8i ของ Google คืออะไร?
TPU 8t ได้รับการออกแบบมาโดยเฉพาะสำหรับการฝึกโมเดล AI ซึ่งเป็นกระบวนการสอนโมเดลโดยใช้ชุดข้อมูลขนาดใหญ่ TPU 8i ได้รับการปรับให้เหมาะสมสำหรับ inference ซึ่งเป็นกระบวนการใช้โมเดลที่ฝึกแล้วเพื่อทำการทำนายหรือสร้างการตอบสนองแบบเรียลไทม์

Q2: Google Cloud จะหยุดนำเสนอ Nvidia GPU หรือไม่?
ไม่ Google ได้ระบุอย่างชัดเจนว่าไม่ได้แทนที่ Nvidia บริษัทยืนยันว่าจะนำเสนอ Nvidia GPU รุ่น Vera Rubin รุ่นต่อไปในคลาวด์ในช่วงปลายปีนี้ และกำลังร่วมมือกับ Nvidia ในเทคโนโลยีเครือข่ายอย่างแข็งขัน

Q3: ชิป AI ใหม่ของ Google เปรียบเทียบกับ TPU เวอร์ชันก่อนหน้าอย่างไร?
Google อ้างว่า TPU รุ่นที่แปดใหม่มีความเร็วในการฝึกสูงสุด 3 เท่า และปรับปรุงประสิทธิภาพต่อดอลลาร์ 80% เมื่อเทียบกับรุ่นก่อนหน้า นอกจากนี้ยังรองรับคลัสเตอร์ที่มีชิปมากกว่าหนึ่งล้านตัว ทำให้สามารถฝึกโมเดลในขนาดที่ใหญ่ขึ้นได้

Q4: เหตุใดผู้ให้บริการคลาวด์อย่าง Google จึงสร้างชิป AI ของตนเอง?
ผู้ให้บริการคลาวด์พัฒนาซิลิกอนแบบกำหนดเองเพื่อปรับประสิทธิภาพสำหรับซอฟต์แวร์และบริการเฉพาะของตน ควบคุมห่วงโซ่อุปทานได้มากขึ้น ปรับปรุงประสิทธิภาพด้านต้นทุน และสร้างความแตกต่างในการนำเสนอในตลาดที่มีการแข่งขันสูง

Q5: นี่หมายความว่าอะไรสำหรับอนาคตของ Nvidia?
แม้ว่าชิปแบบกำหนดเองจาก hyperscalers จะเป็นการแข่งขัน แต่การเติบโตโดยรวมของตลาด AI กำลังขยายความต้องการสำหรับการประมวลผลประสิทธิภาพสูงทั้งหมด ระบบนิเวศซอฟต์แวร์ที่แข็งแกร่งของ Nvidia (CUDA) และนวัตกรรมต่อเนื่องหมายความว่าบริษัทมีแนวโน้มที่จะยังคงเป็นพลังที่โดดเด่น แม้ว่าจะร่วมมือกับบริษัทที่สร้างซิลิกอนทางเลือก

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