Oracle rozszerza ofertę infrastruktury dla sztucznej inteligencji o układy Google TPU. Od 2027 roku klienci Oracle Cloud Infrastructure (OCI) będą mogli korzystać z tych akceleratorów bezpośrednio na platformie Oracle, zamiast sięgać po nie przez Google Cloud. To pierwszy przypadek, gdy dostawca chmury spoza Google udostępni klientom procesory TPU.
Więcej możliwości dla firm korzystających z AI
Partnerstwo ogłoszono podczas konferencji Oracle AI World. Dzięki niemu użytkownicy OCI zyskają dodatkowy wybór sprzętu do trenowania modeli AI i uruchamiania ich wnioskowania. Układy Google będą kolejną opcją obok dostępnych na rynku procesorów graficznych, w tym rozwiązań Nvidii.
Google projektuje TPU z myślą o zadaniach związanych ze sztuczną inteligencją. W odróżnieniu od bardziej uniwersalnych GPU są one dostosowane do obciążeń związanych zarówno z uczeniem modeli, jak i ich późniejszym wykorzystaniem.
Udostępnienie TPU w OCI może zwiększyć konkurencję na rynku akceleratorów AI. Firmy zyskają większą swobodę w wyborze infrastruktury dopasowanej do konkretnych zadań. Warto jednak pamiętać, że na decyzję o wyborze sprzętu wpływają także koszty i dostępność.
Sprawdź również, jak przedsiębiorstwa próbują kontrolować koszty związane ze sztuczną inteligencją: Wydatki na AI rosną — firmy walczą o kontrolę, tylko jedna trzecia zna koszty.
Do OCI trafią układy ósmej generacji
Na początku Oracle udostępni dwie wersje procesorów ósmej generacji: TPU 8t, przeznaczone do trenowania modeli, oraz TPU 8i, zoptymalizowane pod kątem wnioskowania. Google zaprezentowało je wcześniej w tym roku, a ich dostępność w OCI zaplanowano na 2027 rok.
Przedstawiciele obu firm podkreślają, że potrzeby obliczeniowe różnią się w zależności od rodzaju zadania. Rozszerzenie oferty ma więc pozwolić klientom lepiej dopasować sprzęt do konkretnych zastosowań AI.
Rynek akceleratorów staje się bardziej zróżnicowany
Nvidia nadal odgrywa dominującą rolę na rynku akceleratorów AI, ale coraz więcej dużych firm rozwija własne układy. Google należy do grona dostawców inwestujących w wyspecjalizowane procesory, a porozumienie z Oracle otwiera przed TPU nowy kanał dystrybucji.
Dla klientów OCI oznacza to większą swobodę w doborze infrastruktury. Dla Google — możliwość udostępniania własnych układów poza własną chmurą, a dla całego rynku kolejny sygnał, że rozwój AI będzie wymagał różnych typów mocy obliczeniowej.
TPU 8t w OCI to konkretna zmiana — dla zespołów trenujących duże transformery dostęp do dedykowanych akceleratorów poza GCP może realnie skrócić czas eksperymentów. Zobaczyć to w chmurze Oracle to też sygnał, że rynek w końcu idzie w multi‑vendor. Ciekawe jak wyjdzie kwestia sieci i kosztów egress między regionami.
Brzmi ładnie, ale aż prosi się o pytanie o cenę i lock‑in. TPU poza Google — ok, ale kto płaci za integrację stacku (XLA/TPU runtime), kto rozwiąże kwestie zgodności obrazów kontenerowych, a przede wszystkim: ile kosztuje godzina i transfer danych? Kolejna „wielka umowa”, która może wygląda dobrze w prezentacji, ale w praktyce klienci i tak wybiorą to, co tańsze i lepiej wspierane (czytaj: Nvidia/ecosystem).
Kilka uwag technicznych: TPU to nie „po prostu inny CPU/GPU” — to accelerator z inną architekturą pamięci i modelem programowania (XLA, statyczne grafy/tracing). Dla treningu TPU 8t zapewne będzie optymalizowany pod BF16/INT8 i duże macierze (systolic arrays), a TPU 8i pod niskolatencyjne inferencje z quantyzacją. Kluczowe będą kwestie: obsługa JIT/XLA na Oracle, wersje sterowników/runtimów, możliwość korzystania z distributed training (all‑reduce, high‑bw interconnect) oraz narzut przy ładowaniu danych (IOPS, pipeline). Nie porównujcie TFLOPS bez kontekstu pamięci i latency — to mylące. Jeśli OCI zaoferuje odpowiednie biblioteki i niskopoziomowe integracje, ma sens; bez tego klient poniesie koszty integracji.
Mam doświadczenie z TPU v4 na GCP — świetne do dużych batchy i skalowania trainingu, ale dopiero jak ogarniesz pipeline (TFRecordy, prefetch, interleave). Problemem były nie frameworki, a operacje wejscia/wyjscia i obsługa custom ops. Przy przenoszeniu modeli między chmurami musieliśmy przepisywać część pipeline’u i korzystać z XLA, bo inaczej wydajność leciała. Jeśli Oracle ułatwi te elementy, to okej, jak nie — to tylko ciekawostka w ofercie.
Czy ktoś ma porównanie TPU 8t/8i do H100/GH200 w praktyce (latency, cena za trening, transfer danych)? I czy będzie oficjalne wsparcie dla ONNX/ONNX Runtime na TPU w OCI, czy znów trzeba będzie robić workaroundy przez konwersję do TF/XLA? Planuję decyzję zakupową i takie szczegóły są dla mnie kluczowe.
Trochę nie rozumiem narracji, że to koniec Nvidii. To dobry ruch dla pluralizacji sprzętu, ale realnie software i ekosystem (CUDA, cuDNN, Triton, szerokie wsparcie frameworków) dalej ważą dużo. Porównywanie TPU do GPU tylko przez pryzmat moc obliczeniowej (TFLOPS) to błąd — trzeba patrzeć na łatwość wdrożenia, dostępność bibliotek, NVLink/MIG/konfiguracje multi‑GPU. Oracle + TPU to kolejna opcja, ale nie zastąpi natychmiast wszystkich istniejących workflowow.