Сможет ли Google обойти Nvidia? Разбор TPU против GPU

Сможет ли Google обогнать Nvidia в гонке чипов для ИИ? Сравнение TPU и GPU: как работает оборудование, почему важна CUDA и что определяет стоимость обучения и запуска ИИ. Google создала свой первый тензорный процессор (TPU) для решения задачи в собственных центрах обработки данных. Сегодня TPU конкурируют за рабочие нагрузки ИИ, значительно превосходящие возможности Google, и за следующий заказ клиента. Этот анимированный ролик рассказывает историю от первого TPU Google до Ironwood, Gemini и растущего спроса на вычислительные ресурсы для ИИ. Мы разбираем: • Чем TPU Google отличаются от GPU Nvidia • Обучение и вывод ИИ, и почему важна передача данных • Почему CUDA затрудняет отказ от программной экосистемы Nvidia • Где PyTorch, JAX и XLA находятся на этой картине • Почему Anthropic использует несколько типов чипов для ИИ • Как цена, производительность и программное обеспечение влияют на окончательное решение Вопрос выходит за рамки того, какой чип быстрее. Какая система помогает команде выполнять полезную работу с оптимальными затратами — и насколько она проста в использовании? Что заставило бы вас перейти на другую платформу: более низкая стоимость, лучшая производительность или более простое программное обеспечение? Поделитесь своим мнением в комментариях. 0:00 Anthropic покупает у обоих 0:26 2013: проблема голосового поиска Google 0:55 Почему GPU подходят для ИИ 1:36 Чем TPU отличается от GPU 2:12 Муравьи и пруд 2:27 Первый TPU и AlphaGo 3:03 TPU открываются для других компаний 3:26 CUDA: корни Nvidia 4:20 Инференс: работа, которая не прекращается 5:21 Ноябрь 2025: ответ Nvidia 6:01 Сколько это стоит на самом деле 6:40 Почему Anthropic использует оба 7:08 Что изменилось 7:43 Что будет значить победа Google? #TPU #GPU #AIChips #Jensen #LLM #AI