สองระบบใหม่มุ่งรองรับความต้องการด้าน AI ที่กำลังเพิ่มขึ้น
Google ขยายผลิตภัณฑ์หน่วยประมวลผล Tensor Processing Unit (TPU) รุ่นที่ 8 ด้วยระบบเฉพาะทางสองระบบ ได้แก่ TPU 8tx ซึ่งปกป้องข้อมูลที่ละเอียดอ่อนขณะ AI ประมวลผล และ TPU 8i Max ซึ่งรวมชิปสองตัวไว้ในแพ็กเกจเดียวเพื่อรองรับข้อมูลปริมาณมากขึ้นมาก บริษัทประกาศเปิดตัวเมื่อวันที่ 9 พฤศจิกายน 2026 ทำให้ปีนี้ Google เปิดตัวระบบ TPU รวมสี่ระบบเป็นครั้งแรก
สารบัญ
- สองระบบใหม่มุ่งรองรับความต้องการด้าน AI ที่กำลังเพิ่มขึ้น
- เหตุใดจึงเปิดตัวสี่ระบบภายในหนึ่งปี
- TPU 8tx ปกป้องข้อมูลระหว่างประมวลผล
- TPU 8i Max เพิ่มพื้นที่ทำงานให้กับงานขนาดใหญ่
- เอเจนต์ AI สร้างภาระงานมากกว่าการตอบคำถามครั้งเดียว
- ซอฟต์แวร์มุ่งให้เปลี่ยนฮาร์ดแวร์ได้ง่ายขึ้น
- การจัดการหน่วยความจำกลายเป็นส่วนหนึ่งของผลิตภัณฑ์
- ธุรกิจที่ขยายใหญ่ขึ้นนอกเหนือจาก Google Cloud
- ข้อจำกัดด้านอุปทานและการก่อสร้างกำหนดขอบเขตโอกาส
- ประเด็นสำคัญ
ระบบใหม่ตอบโจทย์ปัญหาเชิงปฏิบัติสองประการที่ธุรกิจซึ่งนำเอเจนต์ AI มาใช้กำลังเผชิญ ได้แก่ การรักษาความปลอดภัยของข้อมูลส่วนตัว และการเพิ่มหน่วยความจำให้ซอฟต์แวร์เพื่อประมวลผลชุดเอกสาร โค้ดคอมพิวเตอร์ หรือวิดีโอได้ทั้งหมด คาดว่าจะเริ่มจัดส่งในปี 2027 โดย Google ยังไม่ได้ระบุวันส่งมอบหรือราคาของระบบใดระบบหนึ่ง
ประกาศกลุ่มผลิตภัณฑ์ TPU ของ Google ระบุว่าทั้งสองผลิตภัณฑ์เป็นการจัดรูปแบบระบบโดยใช้ชิปที่มีอยู่แล้ว TPU 8tx ใช้ชิปพื้นฐานเดียวกับ TPU 8t ทำงานร่วมกับหน่วยประมวลผลกลาง AMD EPYC รุ่นที่ 5 ส่วน TPU 8i Max บรรจุชิป TPU 8i สองตัวไว้ด้วยกัน ทำให้กำลังประมวลผล หน่วยความจำบางประเภทที่ติดตั้งบนระบบ และแบนด์วิดท์หน่วยความจำเพิ่มขึ้นเป็นสองเท่า
TPU คือหน่วยประมวลผลที่ออกแบบมาเพื่อดำเนินการคำนวณทางคณิตศาสตร์ที่ AI ใช้ Google พัฒนาหน่วยประมวลผลเหล่านี้ขึ้นมาใช้กับบริการของตนเองในช่วงแรก เช่น การรู้จำเสียงและการแปลภาษา ปัจจุบัน TPU รองรับ Gemini ลูกค้าคลาวด์ภายนอก และการติดตั้งใช้งานในศูนย์ข้อมูลของลูกค้า
การขยายผลิตภัณฑ์ช่วยเพิ่มแรงกดดันที่ Google มีต่อ Nvidia ด้วยการมอบทางเลือกที่เหมาะกับงานเฉพาะด้านให้ลูกค้ามากขึ้น แทนที่จะพยายามใช้ตัวเร่งการประมวลผลแบบเดียวกับทุกความต้องการ Google กำลังประกอบระบบหลายรูปแบบจากหน่วยประมวลผล หน่วยความจำ เครือข่าย และระบบรักษาความปลอดภัย โดยใช้ชิปที่มีอยู่
เหตุใดจึงเปิดตัวสี่ระบบภายในหนึ่งปี
Google เปิดตัว TPU 8t สำหรับงานฝึกโมเดลขนาดใหญ่ และ TPU 8i สำหรับการตอบสนอง AI อย่างรวดเร็ว ที่งาน Google Cloud Next ในเดือนเมษายน 2026 การฝึกโมเดลคือการสร้างหรือปรับเปลี่ยนโมเดลผ่านตัวอย่าง ส่วนการอนุมานคือกระบวนการใช้โมเดลเพื่อสร้างคำตอบหรือทำงาน
Google ระบุว่า TPU 8t ให้ประสิทธิภาพการฝึกโมเดลสูงสุด 2.7 เท่าของรุ่นก่อนหน้า ขณะที่ TPU 8i มีประสิทธิภาพด้านราคาสำหรับการอนุมานดีขึ้น 80% การเปรียบเทียบดังกล่าวอ้างอิงกับ TPU รุ่นก่อนหน้าของ Google ส่วนผลิตภัณฑ์ใหม่ขยายความสามารถของรุ่นเดียวกันไปสู่การประมวลผลแบบรักษาความลับ และงานที่ต้องใช้หน่วยความจำขนาดใหญ่ขึ้นมาก
Amin Vahdat หัวหน้าฝ่ายเทคโนโลยีและรองประธานอาวุโสด้าน AI และโครงสร้างพื้นฐานของ Google กล่าวถึงลำดับความสำคัญในประกาศว่า:
ขณะที่องค์กรต่าง ๆ นำเอเจนต์อัตโนมัติมาใช้งานจริง เราได้สร้างการจัดรูปแบบระบบพื้นฐานเหล่านี้ขึ้นใหม่สองแบบ เพื่อแก้ปัญหาเร่งด่วนสองประการ ได้แก่ การรักษาความปลอดภัยข้อมูลในระดับฮาร์ดแวร์ และการรองรับบริบทขนาดหนึ่งล้านโทเคน
Google ระบุว่าการออกแบบชิปใหม่ต้องใช้เวลาหลายปี ขณะที่การปรับแพ็กเกจ หน่วยความจำ เครือข่ายออปติก และระบบรักษาความปลอดภัยรอบชิปเดิมอาจใช้เวลาเพียงไม่กี่เดือน แนวทางแบบโมดูลาร์ช่วยให้วิศวกรปรับระบบให้เข้ากับความต้องการซอฟต์แวร์ที่เปลี่ยนแปลงได้ ก่อนที่หน่วยประมวลผลรุ่นใหม่ทั้งหมดจะพร้อมใช้งาน
กำหนดการพัฒนาและส่งมอบในขณะนี้ประกอบด้วย:
- เมษายน 2026: Google เปิดตัว TPU 8t และ TPU 8i ที่งาน Google Cloud Next
- ตุลาคม 2026: Google ระบุว่าเปิดตัว TorchTPU เป็นซอฟต์แวร์โอเพนซอร์ส เพื่อรองรับการพัฒนา PyTorch บน TPU
- 9 พฤศจิกายน 2026: Google ประกาศเปิดตัว TPU 8tx, TPU 8i Max และซอฟต์แวร์โครงสร้างพื้นฐานเพิ่มเติม
- 2027: คาดว่าจะเริ่มจัดส่งระบบใหม่ ขณะที่ Oracle วางแผนเริ่มให้บริการ TPU แก่ลูกค้าคลาวด์
TPU 8tx ปกป้องข้อมูลระหว่างประมวลผล
TPU 8tx มุ่งตอบโจทย์ภาครัฐและธุรกิจที่อยู่ภายใต้กฎระเบียบกำกับดูแล เช่น องค์กรด้านการเงินและสาธารณสุข ลูกค้ากลุ่มนี้อาจต้องการให้ AI ตรวจสอบข้อมูลที่ละเอียดอ่อนอย่างยิ่ง โดยยังคงปกป้องทั้งข้อมูลและพารามิเตอร์ภายในของโมเดล
การประมวลผลแบบรักษาความลับ (Confidential computing) ดูแลความปลอดภัยในช่วงที่กำลังใช้งานข้อมูล การเข้ารหัสช่วยปกป้องข้อมูลที่จัดเก็บในไดรฟ์หรือส่งผ่านเครือข่ายอยู่แล้ว แต่ระหว่างประมวลผล ข้อมูลมักต้องเข้าถึงได้ในหน่วยความจำทำงาน Google ระบุว่า TPU 8tx เพิ่มการป้องกันระดับฮาร์ดแวร์เพื่อแยกข้อมูลที่ละเอียดอ่อนและค่าน้ำหนักของโมเดลออกจากส่วนอื่นในขั้นตอนดังกล่าว
หน่วยประมวลผล AMD EPYC รุ่นที่ 5 เป็นแพลตฟอร์มประมวลผลหลักของระบบนี้ นอกจากนี้ ระบบยังใช้การเข้ารหัสและการยืนยันตัวตนบนการเชื่อมต่อ PCIe ซึ่งเป็นช่องทางส่งข้อมูลระหว่างส่วนประกอบหลักของคอมพิวเตอร์ รายละเอียดทางเทคนิคที่เผยแพร่พร้อมการเปิดตัวระบุว่า TPU 8tx มีหน่วยความจำแบนด์วิดท์สูงขนาด 216 GB
Google จับคู่ระบบนี้กับเครือข่าย Boardfly ซึ่งเชื่อมต่อหน่วยประมวลผลเพื่อให้แลกเปลี่ยนข้อมูลได้อย่างรวดเร็ว บริษัทระบุว่าการจัดรูปแบบนี้อาจลดความหน่วงได้สูงสุดครึ่งหนึ่งเมื่อเทียบกับ TPU 8t โดยแทบไม่ส่งผลกระทบต่อประสิทธิภาพจากระบบรักษาความปลอดภัย ความหน่วงหมายถึงเวลาที่ระบบใช้ก่อนดำเนินการขั้นหนึ่งเสร็จหรือก่อนตอบสนอง
TPU 8tx ยังรองรับงานฝึกโมเดลขนาดเล็ก องค์กรสามารถปรับโมเดลด้วยข้อมูลส่วนตัว ย่อโมเดลขนาดใหญ่ให้เล็กลงผ่านกระบวนการที่เรียกว่าการกลั่นความรู้ หรือฝึกเอเจนต์ด้วยการเรียนรู้แบบเสริมกำลัง ซึ่งใช้ผลตอบรับเพื่อปรับปรุงการทำงาน Google ระบุว่างานเหล่านี้ทำควบคู่กับการอนุมานได้ในระบบเดียว จึงลดความจำเป็นในการย้ายข้อมูลละเอียดอ่อนระหว่างคลัสเตอร์คอมพิวเตอร์แยกกัน
TPU 8i Max เพิ่มพื้นที่ทำงานให้กับงานขนาดใหญ่
TPU 8i Max แก้ข้อจำกัดอีกด้านหนึ่ง นั่นคือหน่วยประมวลผลคำนวณได้เร็วกว่าที่หน่วยความจำจะป้อนข้อมูลให้ทัน Google เรียกปัญหานี้ว่า “กำแพงหน่วยความจำ” การเพิ่มกำลังประมวลผลจะได้ผลดีที่สุดเมื่อความจุหน่วยความจำและความเร็วในการเคลื่อนย้ายข้อมูลเพิ่มขึ้นตามไปด้วย
ระบบนี้รวมชิป TPU 8i สองตัวไว้ในแพ็กเกจเดียว ข้อมูลจำเพาะประกอบด้วยหน่วยความจำแบนด์วิดท์สูงขนาด 384 GB แบนด์วิดท์หน่วยความจำ 17.2 เทราไบต์ต่อวินาที และ SRAM ขนาด 768 MB ซึ่งเป็นหน่วยความจำความเร็วสูงที่อยู่บนชิป
Google ระบุว่าเมื่อเทียบกับ TPU 8i แพ็กเกจนี้เพิ่มกำลังประมวลผล SRAM และแบนด์วิดท์หน่วยความจำแบนด์วิดท์สูงเป็นสองเท่า ขณะที่ความจุหน่วยความจำแบนด์วิดท์สูงเพิ่มขึ้น 33% หมายความว่าปริมาณข้อมูลที่จัดเก็บเพิ่มขึ้นในสัดส่วนที่น้อยกว่าความเร็วในการเคลื่อนย้ายข้อมูล
งานที่ระบบนี้มุ่งรองรับ ได้แก่ โค้ดซอฟต์แวร์ทั้งชุด เอกสารความยาวมาก วิดีโอหลายชั่วโมง และกลุ่มเอเจนต์ที่ทำงานร่วมกัน ระบบรองรับหน้าต่างบริบทระดับหนึ่งล้านโทเคน หน้าต่างบริบทคือข้อมูลที่โมเดลสามารถใช้อ้างอิงขณะจัดการคำขอ ส่วนโทเคนคือหน่วยย่อยของข้อความหรือเนื้อหาอื่นที่โมเดลประมวลผล
ในงานเขียนโค้ด พื้นที่ทำงานเพิ่มเติมช่วยให้เอเจนต์เปิดไฟล์ที่เกี่ยวข้องไว้ได้มากขึ้นขณะตรวจสอบปัญหา การวิจัยยาและงานคณิตศาสตร์เป็นแอปพลิเคชันอื่นที่ระบบนี้มุ่งรองรับ Google ยังระบุว่าการบรรจุซิลิคอนเพิ่มขึ้นเป็นสองเท่าในพื้นที่แร็กเท่าเดิม ช่วยเพิ่มกำลังประมวลผลต่อพื้นที่หนึ่งตารางฟุตและต่อวัตต์
เอเจนต์ AI สร้างภาระงานมากกว่าการตอบคำถามครั้งเดียว
Mark Lohmeyer รองประธานและผู้จัดการทั่วไปฝ่าย AI และโครงสร้างพื้นฐานการประมวลผลของ Google Cloud กล่าวว่า คำขอจากเอเจนต์หนึ่งรายการอาจกระตุ้นการทำงานหลายร้อยหรือหลายพันขั้นตอน เขาประเมินว่าการเปลี่ยนแปลงนี้อาจเพิ่มความต้องการด้านการประมวลผล 10 ถึง 1,000 เท่า ขึ้นอยู่กับงาน
เอเจนต์อาจแบ่งคำขอออกเป็นขั้นตอน สอบถามฐานข้อมูล เขียนโค้ด เรียกใช้เครื่องมือซอฟต์แวร์อื่น และรอการอนุมัติจากบุคคล รูปแบบนี้สร้างความต้องการให้หน่วยประมวลผลสื่อสารกันอย่างรวดเร็ว มีหน่วยความจำทำงานที่ใช้งานต่อเนื่อง และมีระบบปกป้องข้อมูลที่ส่งผ่านหลายระบบ
Google ยังพยายามลดต้นทุนจากช่วงหยุดรอระหว่างการทำงานเหล่านั้น Agent Compute Engine รุ่นใหม่จะพักและกลับมาทำงานเซสชันเอเจนต์ที่ไม่มีการใช้งานโดยอัตโนมัติ ทำให้ทรัพยากรว่างระหว่างที่เอเจนต์รอผลตอบกลับจากฐานข้อมูล เครื่องมือภายนอก หรือความเห็นจากมนุษย์
เป้าหมายในทางปฏิบัติคือป้องกันไม่ให้หน่วยประมวลผลราคาแพงถูกเซสชันที่ไม่มีงานคำนวณใช้งานค้างไว้ สำหรับลูกค้าที่เปิดเอเจนต์หลายตัวพร้อมกัน การจัดการช่วงหยุดรอจึงเป็นส่วนหนึ่งของการควบคุมต้นทุนโครงสร้างพื้นฐาน
ซอฟต์แวร์มุ่งให้เปลี่ยนฮาร์ดแวร์ได้ง่ายขึ้น
การขยายฮาร์ดแวร์ของ Google มาพร้อมความพยายามในวงกว้างขึ้นเพื่อให้ใช้งาน TPU ได้ง่ายกว่าเดิม ส่วนหนึ่งที่ทำให้ Nvidia ครองตำแหน่งได้คือซอฟต์แวร์ที่นักพัฒนาใช้อยู่แล้ว ดังนั้นกลยุทธ์ของ Google จึงครอบคลุมการรองรับเครื่องมือพัฒนาที่คุ้นเคยควบคู่กับหน่วยประมวลผลใหม่
TorchTPU ซึ่งพัฒนาร่วมกับ Meta และชุมชน PyTorch มอบแบ็กเอนด์ TPU แบบเนทีฟให้กับ PyTorch ซึ่งเป็นเฟรมเวิร์กที่ใช้กันอย่างแพร่หลายในการสร้างโมเดล AI Google ระบุว่าโค้ด PyTorch และโมเดล Hugging Face ที่มีอยู่สามารถทำงานบน TPU ได้โดยไม่ต้องเขียนใหม่ การนำเสนอเปิดตัวระบุว่าการตั้งค่าพื้นฐานต้องเพิ่มโค้ดเพียงสองบรรทัด
ประกาศโครงสร้างพื้นฐานคลาวด์ ของ Google ยังกล่าวถึงการรองรับ vLLM และ SGLang ซึ่งเป็นเอนจินโอเพนซอร์สที่ใช้ให้บริการโมเดล AI การทำงานร่วมกับ Inferact และ RadixArk สนับสนุนแนวทางที่กว้างขึ้น ซึ่งลูกค้าสามารถใช้งานทั้ง TPU และหน่วยประมวลผลกราฟิกได้
XLA Serving Engine รุ่นใหม่ช่วยให้นักพัฒนาฝึกโมเดลด้วย Python และให้บริการผ่านรันไทม์ C++ บน TPU, GPU และ CPU ชุดเครื่องมือเอเจนต์ TPU ที่เปิดให้ทดลองใช้งานเชื่อมต่อกับเครื่องมือเขียนโค้ด เช่น Claude Code, Cursor และ Google Antigravity เพื่อช่วยกำหนดค่าภาระงานและค้นหาคอขวด
Google อ้างว่ามีประสิทธิภาพด้านราคาที่โดดเด่นจากการทดสอบ InferenceX และ AgentX สำหรับเอเจนต์เขียนโค้ดและงานที่ใช้บริบทขนาดใหญ่ ทั้งหมดนี้เป็นคำกล่าวอ้างด้านประสิทธิภาพของบริษัท ผู้ซื้อยังจำเป็นต้องเปรียบเทียบต้นทุน ความเร็วในการตอบสนอง และความแม่นยำของแอปพลิเคชันตนเองเมื่อตัดสินใจเลือกโครงสร้างพื้นฐาน
การจัดการหน่วยความจำกลายเป็นส่วนหนึ่งของผลิตภัณฑ์
ซอฟต์แวร์ TPU Sync ใหม่ของ Google ขยายขอบเขตไปไกลกว่าหน่วยความจำที่ติดตั้งอยู่กับตัวเร่งการประมวลผล โดยประสานการทำงานระหว่างหน่วยความจำบนชิป หน่วยความจำของคอมพิวเตอร์แม่ข่าย พื้นที่จัดเก็บข้อมูลที่ใช้ร่วมกัน และเครือข่ายศูนย์ข้อมูล เพื่อให้ภาระงานใช้ทรัพยากรเหล่านี้เป็นหน่วยความจำหลายชั้นขนาดใหญ่ได้
เป้าหมายหลักอย่างหนึ่งคือ KV cache ซึ่งเป็นข้อมูลทำงานที่โมเดลจัดเก็บไว้จากเนื้อหาที่ประมวลผลไปแล้ว หน้าต่างบริบทขนาดใหญ่และเอเจนต์จำนวนมากที่ทำงานพร้อมกันอาจทำให้แคชเหล่านี้มีขนาดใหญ่มาก TPU Sync สามารถย้ายแคชออกจากชิปได้ภายในระดับมิลลิวินาที ช่วยสำรองหน่วยความจำตัวเร่งการประมวลผลราคาแพงไว้สำหรับงานที่กำลังทำอยู่
Google ระบุว่าซอฟต์แวร์นี้ลดความหน่วงในการถ่ายโอน KV และเวลารอจนได้รับคำตอบแรกได้มากกว่า 90% นอกจากนี้ยังรองรับการย้ายบริบทระหว่างขั้นตอนการประมวลผลต่าง ๆ และการซิงโครไนซ์ค่าน้ำหนักของโมเดลระหว่างการเรียนรู้แบบเสริมกำลัง
การอัปเดตอีกสองรายการมุ่งเน้นการจัดการคลัสเตอร์ Cloud Pathways ซึ่งเปิดให้ใช้งานทั่วไปผ่าน Google Kubernetes Engine ช่วยให้ตัวควบคุมเดียวประสานงานภาระงาน TPU แบบกระจายได้ ส่วน GKE dynamic slicing ใช้การสลับวงจรออปติกเพื่อรวม TPU เป็นกลุ่มใหญ่ขึ้นหรือแบ่งเป็นกลุ่มย่อยที่แยกจากกันได้ตามความต้องการที่เปลี่ยนไป
Google อ้างว่า dynamic slicing ช่วยให้เริ่มงานได้เร็วขึ้นสูงสุดห้าเท่า และกู้คืนจากความขัดข้องได้เร็วขึ้นสูงสุด 4.5 เท่า เครื่องมือเหล่านี้ร่วมกันตอบโจทย์เชิงพาณิชย์เดียวกับฮาร์ดแวร์ใหม่ นั่นคือการเปลี่ยนกำลังประมวลผลที่ติดตั้งไว้ให้กลายเป็นงานที่มีประโยชน์ โดยลดเวลารอ
ธุรกิจที่ขยายใหญ่ขึ้นนอกเหนือจาก Google Cloud
Google ระบุว่าธุรกิจ TPU ของบริษัทมีลูกค้าเกือบ 100 รายแล้ว รวมถึงห้องปฏิบัติการ AI บริษัทเทรด ร้านค้าปลีก และมหาวิทยาลัย บริษัทกำลังขยายการเข้าถึงนอกเหนือจากคลาวด์ของตนเอง ซึ่งรวมถึงการติดตั้งโดยตรงในศูนย์ข้อมูลของลูกค้า ลูกค้าบางรายจะสามารถติดตั้ง TPU 8tx ในสถานที่ของตนเองได้
Oracle ประกาศแผนให้บริการ TPU แก่ลูกค้าคลาวด์ตั้งแต่ปี 2027 เป็นต้นไป Anthropic มีสิทธิเลือกซื้อชิปมูลค่าสูงสุด 150,000 ล้านดอลลาร์ระหว่างปี 2028 ถึง 2031 ขณะที่มีรายงานว่า OpenAI ก็กำลังวางแผนซื้อ TPU เช่นกัน ตัวเลขของ Anthropic คือเพดานมูลค่าการซื้อที่อาจเกิดขึ้นภายใต้สิทธิเลือกซื้อดังกล่าว
Jump Trading เป็นตัวอย่างของลูกค้าที่เลือกฮาร์ดแวร์ต่างชนิดกันสำหรับงานต่างประเภท บริษัทระบุว่า TPU ช่วยเพิ่มประสิทธิภาพการใช้พลังงานและลดต้นทุนสำหรับงานบางอย่าง ขณะที่ผลิตภัณฑ์ Nvidia ยังคงเป็นแพลตฟอร์มหลักสำหรับฝึกโมเดล AI
Mandeep Singh นักวิเคราะห์ประเมินว่า TPU มีต้นทุนต่ำกว่า GPU ของ Nvidia ราว 30% และมีความสามารถในการประมวลผลข้อมูลที่แข่งขันได้ ประมาณการของงานวิจัยฉบับหนึ่งระบุว่ายอดขาย TPU ซึ่งรวมฮาร์ดแวร์และซอฟต์แวร์ที่เกี่ยวข้อง อาจอยู่ที่ราว 12,000 ล้านดอลลาร์ในปี 2026 และมากกว่า 135,000 ล้านดอลลาร์ในปี 2028 โดยไม่รวมรายได้จากลูกค้าที่เข้าถึง TPU ผ่าน Google Cloud
การคาดการณ์ดังกล่าวหมายถึงการเติบโตมากกว่า 11 เท่าของตัวเลขปี 2026 ภายในสองปี เมื่อคำนวณจาก 135,000 ล้านดอลลาร์หารด้วย 12,000 ล้านดอลลาร์ เป็นการคาดการณ์การขยายตัวอย่างรวดเร็วมาก ซึ่งการส่งมอบขึ้นอยู่กับกำลังการผลิต การใช้จ่ายของลูกค้า และกำหนดการติดตั้งใช้งาน
ข้อจำกัดด้านอุปทานและการก่อสร้างกำหนดขอบเขตโอกาส
Google ระบุในเดือนตุลาคมว่าลูกค้าจอง TPU ที่บริษัทสามารถจัดหาได้ทั้งหมดแล้ว การขาดแคลนหน่วยความจำและข้อจำกัดด้านกำลังการผลิตยังเป็นอุปสรรค โดยทีมของ Vahdat กำลังพยายามกระจายแหล่งจัดหาให้หลากหลายขึ้น
การประเมินของอุตสาหกรรมระบุว่าการผลิตขั้นสูงและการประกอบระบบของตระกูล TPU รุ่นที่ 8 อยู่ในระบบนิเวศของ Taiwan Semiconductor Manufacturing Company ความต้องการ TPU ที่เพิ่มขึ้นจึงสร้างโอกาสให้ซัพพลายเออร์ในไต้หวันด้วย แต่ขณะเดียวกันก็ทำให้การเข้าถึงกำลังการผลิตและการประกอบขั้นสูงเป็นประเด็นสำคัญในทางปฏิบัติ
การก่อสร้างศูนย์ข้อมูลเผชิญข้อจำกัดอีกด้านหนึ่ง Singh ประเมินว่าการคัดค้านการสร้างสถานที่แห่งใหม่อาจลดการใช้จ่ายด้านโครงสร้างพื้นฐานของอุตสาหกรรมเทคโนโลยีที่คาดว่าจะอยู่ที่ 1.4 ล้านล้านดอลลาร์ในปี 2027 ลงราว 5% ถึง 7% หากคำนวณจากประมาณการดังกล่าว จะเท่ากับการลดลงราว 70,000 ถึง 98,000 ล้านดอลลาร์
ความหนาแน่นในการประมวลผลที่สูงขึ้นช่วยให้ผู้ดำเนินงานทำงานได้มากขึ้นภายในอาคารเดิม ซึ่งทำให้ TPU 8i Max มีบทบาทในทางปฏิบัติเมื่อพื้นที่มีจำกัด อย่างไรก็ตาม Google ยังต้องจัดหาชิปและหน่วยความจำ ส่งมอบระบบ และสร้างธุรกิจที่ทำกำไรได้ Singh ประเมินว่าอัตรากำไรของ TPU ยังต่ำกว่าของ Nvidia
การแข่งขันไม่ได้จำกัดอยู่ที่ความเร็วประมวลผลสูงสุดอีกต่อไป Google กำลังผสานการประมวลผลแบบรักษาความลับ ระบบหน่วยความจำขนาดใหญ่ ซอฟต์แวร์ที่คุ้นเคย และการติดตั้งใช้งานที่ยืดหยุ่นขึ้น เพื่อช่วงชิงงานเฉพาะด้าน ความสามารถในการจัดหาระบบเหล่านี้จะเป็นตัวกำหนดว่าการจองจากลูกค้าจะเปลี่ยนเป็นรายได้ได้เร็วเพียงใด
ประเด็นสำคัญ
- Google ประกาศเปิดตัว TPU 8tx และ TPU 8i Max เมื่อวันที่ 9 พฤศจิกายน 2026 โดยคาดว่าจะเริ่มจัดส่งในปี 2027
- TPU 8tx ใช้ซิลิคอนของ TPU 8t ที่มีอยู่ ทำงานร่วมกับหน่วยประมวลผลแม่ข่าย AMD EPYC และระบบป้องกันข้อมูลละเอียดอ่อนขณะใช้งานในระดับฮาร์ดแวร์
- TPU 8i Max รวมชิป TPU 8i สองตัว มีหน่วยความจำแบนด์วิดท์สูง 384 GB และมีกำลังประมวลผลกับแบนด์วิดท์หน่วยความจำเป็นสองเท่าของ TPU 8i
- Google เปิดตัวระบบ TPU สี่ระบบในปี 2026 และระบุว่าธุรกิจ TPU มีลูกค้าเกือบ 100 ราย
- TorchTPU, TPU Sync และการอัปเดตซอฟต์แวร์อื่น ๆ มุ่งทำให้การพัฒนาง่ายขึ้นและลดเวลาที่ทรัพยากรประมวลผลไม่ได้ใช้งาน
- การเปิดให้เข้าถึงผ่าน Oracle และการติดตั้งระบบโดยตรงที่สถานที่ของลูกค้าช่วยขยายตลาดของ Google ขณะที่ข้อจำกัดด้านหน่วยความจำ การผลิต และการก่อสร้างยังเป็นอุปสรรคต่อการขยายตัว






