Przejdź do treści

News & analizy

TPU 8t i TPU 8i: co potrafi ósma generacja TPU Google

Zaktualizowano: Autor: Andrzej Niemiec8 min czytania

Google ogłosił TPU 8t do treningu i TPU 8i do inferencji 22 kwietnia 2026 roku. Sprawdzamy deklarowane parametry, dostępność i znaczenie dla firm budujących agentów AI.

TPU 8t i TPU 8i: co potrafi ósma generacja TPU Google
Spis treści
  1. Co Google ogłosił 22 kwietnia 2026 roku?
  2. Czym różni się TPU 8t od TPU 8i?
  3. Jakie parametry deklaruje Google dla TPU 8t?
  4. Co TPU 8i zmienia w inferencji modeli MoE?
  5. Czy TPU 8 zagraża dominacji Nvidii?
  6. Kiedy TPU 8 będzie dostępne dla klientów?
  7. Co to znaczy dla firm, które budują agentów AI?
  8. Najczęstsze pytania
  9. Źródła

Co Google ogłosił 22 kwietnia 2026 roku?

Ósma generacja TPU została zaprezentowana 22 kwietnia 2026 roku podczas Google Cloud Next ’26. Google pokazał dwa osobne układy: TPU 8t do wielkoskalowego treningu oraz TPU 8i do inferencji, post-trainingu i uczenia ze wzmocnieniem [1]. To pierwsza generacja, w której linia treningowa i inferencyjna są osobnymi produktami [2].

Zapowiedź nie oznaczała dostępności. Google poinformował, że układy trafią do klientów chmury „później w 2026 roku”, i uruchomił stronę zgłaszania zainteresowania produktem [1][3]. Konferencja Next ’26 była poświęcona infrastrukturze AI, a TPU były jej głównym elementem programu [4].

Parametry tych układów przekładają się na budżety zespołów, które utrzymują agentów AI w produkcji. Materiały o wdrożeniach agentów w firmach zbieramy na hubie /agenci-ai.

Czym różni się TPU 8t od TPU 8i?

TPU 8t jest zaprojektowany pod trening wielkoskalowy, TPU 8i pod wnioskowanie, post-training i uczenie ze wzmocnieniem [2]. Różnica wynika z innych wymagań obu etapów: trening potrzebuje przepustowości pamięci i skalowania, inferencja niskich opóźnień na pojedynczym zapytaniu [4].

KryteriumTPU 8tTPU 8i
Przeznaczenietrening wielkoskalowyinferencja, post-training, uczenie ze wzmocnieniem
Pamięćokoło 2 PB współdzielonej pamięci HBM w superpodzie288 GB HBM i 384 MB SRAM na układ
Skalowaniesuperpod do 9600 chipów, Virgo Network ponad 134 tys. układówarchitektura Boardfly i układy CAE pod komunikację modeli MoE
Deklarowana przewaganiemal 3x wydajność obliczeniowa względem Ironwooddo 80% lepszej wydajności na dolara w wybranych obciążeniach
Dostępność„później w 2026 roku”„później w 2026 roku”

Podział ma praktyczne znaczenie przy planowaniu klastra. Zespół, który trenuje model i potem go serwuje, musi dziś wybierać dwa różne typy maszyn zamiast jednego, uniwersalnego. Google nie podał jeszcze cennika obu wariantów [3].

Jakie parametry deklaruje Google dla TPU 8t?

Pojedynczy superpod TPU 8t ma mieścić do 9600 chipów i około 2 PB współdzielonej pamięci HBM. Google deklaruje 121 eksaflopów w precyzji FP4 oraz niemal trzykrotny wzrost wydajności obliczeniowej względem Ironwood [2][4]. Wszystkie te liczby pochodzą od producenta i nie zostały potwierdzone niezależnym pomiarem.

Skalowanie opisano jako element oferty systemowej, a nie cechę pojedynczego chipu. Virgo Network ma łączyć ponad 134 tys. TPU 8t w jednej fabryce sieciowej, a Google deklaruje logiczne skalowanie do ponad miliona TPU przy użyciu JAX i Pathways [2]. To deklaracja architektoniczna, nie wynik benchmarku — przy takich liczbach warto pytać o realną przepustowość sieci między podami, bo ona zwykle ogranicza trening szybciej niż same układy.

Dla porównania: poprzednie generacje opisywano przez liczbę chipów w podsystemie i przepustowość pamięci. Ósma generacja przenosi akcent na sieć i współdzieloną pamięć, bo modele o rozmiarach z rodziny Gemini nie mieszczą się już w pamięci pojedynczego węzła [2][4].

Co TPU 8i zmienia w inferencji modeli MoE?

TPU 8i ma 288 GB pamięci HBM i 384 MB SRAM na układ [2]. Architektura Boardfly oraz układy CAE mają ograniczać opóźnienia w inferencji i komunikacji modeli MoE [2]. Google deklaruje do 80% lepszej wydajności na dolara względem poprzedniej generacji, ale wyłącznie dla określonych obciążeń inferencyjnych [2].

Dla agenta AI opóźnienie pojedynczego kroku decyduje o tym, czy pętla „model – narzędzie – wynik” mieści się w akceptowalnym czasie. Model MoE, który przy każdym zapytaniu aktywuje tylko część ekspertów, jest wrażliwy na koszt komunikacji między układami. Właśnie tam Google lokuje swoje deklaracje: mniej czasu na przesyłanie aktywacji, więcej na obliczenia [2].

Zakres „określonych obciążeń” nie został w materiałach doprecyzowany. Bez publicznego benchmarku nie da się ustalić, o ile ta przewaga utrzyma się przy modelach i konfiguracjach spoza testów producenta [2][5].

Czy TPU 8 zagraża dominacji Nvidii?

Nie w takim sensie, jaki sugerują nagłówki. Google pozycjonuje TPU jako element AI Hypercomputer i nadal oferuje w tej samej chmurze akceleratory NVIDIA [2][4]. Nie opublikował też niezależnego, bezpośredniego benchmarku TPU 8 z aktualnymi systemami NVIDIA [2][5].

Porównanie musi uwzględniać oprogramowanie, nie tylko FLOPS. TPU pracuje z JAX, XLA, PyTorch i vLLM, a całość jest sprzedawana jako stos z AI Hypercomputer [2][5]. Ekosystem CUDA pozostaje po stronie Nvidii, a polskie media branżowe zadają pytanie „czy TPU może zagrozić Nvidii” przy każdej kolejnej generacji układów Google [8][9].

Analizy rynkowe opisują ósmą generację jako pierwszą, która konkuruje z Nvidią jednocześnie w treningu i inferencji [6], i wiążą zmianę pozycji Google z rosnącym udziałem inferencji w wydatkach na AI [7]. To teza analityczna, nie zmierzony fakt. Google nie ogłosił zakończenia dominacji Nvidii, a jego własna oferta chmurowa wciąż zawiera układy konkurenta [2][4].

Praktyczny wniosek: wybór między TPU a GPU to dziś decyzja o ekosystemie i dostępności, a nie o liczbie eksaflopów na slajdzie.

Kiedy TPU 8 będzie dostępne dla klientów?

Publiczna dokumentacja Compute Engine z 30 września 2026 roku wymienia jako obsługiwane wersje TPU7x, v6e i v5p — TPU 8 nie ma na tej liście [10]. Google nadal przyjmuje zgłoszenia zainteresowania produktem [3], a strona TPU była aktualizowana 28 września 2026 roku [5].

To typowy cykl: ogłoszenie na konferencji, potem ograniczony dostęp, potem publiczny cennik. Do momentu, gdy TPU 8 pojawi się w dokumentacji maszyn i w cenniku, planowanie budżetu na nim jest planowaniem na deklaracjach [10][3].

Co to znaczy dla firm, które budują agentów AI?

Dla większości firm zmiana generacji TPU nie zmienia dziś ani kodu, ani cennika, bo korzystają z modeli przez API. Zmienia się rachunek dla tych, którzy trenują własne modele lub utrzymują dużą inferencję — tam koszt jednostkowy i opóźnienie decydują o opłacalności produktu.

Jeśli prowadzisz agentów w produkcji, warto rozdzielić dwa pytania: ile kosztuje token, i ile kosztuje utrzymanie pętli agenta. Drugie pytanie omawiamy w tekście o architekturze multi-agent i rachunku za tokeny: /posts/twoja-architektura-multi-agent-kosztuje-5000-pln-miesiac-na-tokenach-jak-to-zmienic. Pierwsze wraca przy każdej zmianie infrastruktury, także przy decyzji o własnym control plane: /posts/agentic-workflow-w-produkcji-kiedy-gotowy-control-plane-wystarczy-a-kiedy-musisz-budowac-wlasny.

Zasada, która nie zależy od generacji układów: nową infrastrukturę testuje się na własnym obciążeniu, zanim przeniesie się na nią produkcję. Deklaracje producenta opisują szczytowe parametry, a nie koszt Twojego zadania [2][5].

Najczęstsze pytania

Kiedy Google ogłosił TPU 8?

Ósmą generację TPU Google ogłosił 22 kwietnia 2026 roku podczas konferencji Google Cloud Next ’26. Komunikat objął dwa układy: TPU 8t do treningu oraz TPU 8i do inferencji, post-trainingu i uczenia ze wzmocnieniem [1][2]. Data ma znaczenie, bo w obiegu krążą informacje przypisujące ogłoszenie innym terminom — oficjalne materiały Google wskazują właśnie 22 kwietnia 2026 roku [1].

Czym różni się TPU 8t od TPU 8i?

TPU 8t jest przeznaczony do wielkoskalowego treningu i skaluje się w superpodach do 9600 chipów z około 2 PB współdzielonej pamięci HBM. TPU 8i obsługuje inferencję, post-training i uczenie ze wzmocnieniem, ma 288 GB HBM i 384 MB SRAM na układ oraz architekturę Boardfly [2][4]. Podział na dwa produkty to najważniejsza zmiana organizacyjna w ósmej generacji.

Czy TPU 8 jest już dostępne?

W dniu ogłoszenia nie. Google zapowiedział dostępność dla klientów Cloud „później w 2026 roku” i uruchomił stronę zgłaszania zainteresowania [3]. Publiczna dokumentacja Compute Engine z 30 września 2026 roku nadal wymienia TPU7x, v6e i v5p jako obsługiwane wersje, bez TPU 8 [10]. Do czasu pojawienia się układów w dokumentacji i cenniku dostępność pozostaje zapowiedzią.

Czy TPU 8 zastąpi karty NVIDIA?

Nie ma na to dowodów. Google sprzedaje TPU jako część AI Hypercomputer i równolegle oferuje akceleratory NVIDIA w tej samej chmurze [2][4]. Firma nie opublikowała niezależnego benchmarku TPU 8 przeciwko aktualnym systemom NVIDIA [5]. Wybór zależy od frameworka, dostępności w regionie i kosztu konkretnego obciążenia, a nie od samej liczby eksaflopów.

Czy polskie firmy mogą korzystać z TPU 8?

Mogą zgłosić zainteresowanie produktem przez stronę Google Cloud [3]. Region i termin udostępnienia nie zostały wskazane w materiałach, a dokumentacja maszyn nie wymienia jeszcze tych układów [10]. Do czasu publikacji cennika planowanie kosztów opiera się na deklaracjach producenta, nie na własnych pomiarach.

Źródła

  1. Our eighth generation TPUs: two chips for the agentic era (Google, 2026)
  2. TPU 8t and TPU 8i technical deep dive (Google Cloud, 2026)
  3. 8th gen Tensor Processing Unit (TPU) (Google Cloud, 2026)
  4. AI infrastructure at Next ’26 (Google Cloud, 2026)
  5. Tensor Processing Units (TPUs) (Google Cloud, 2026)
  6. Google TPU 8 Is Here. It Is Not Replacing NVIDIA (Remio, 2026)
  7. Google TPU v8 vs Nvidia: How Inference Is Rewriting the AI Market (I/O Fund, 2026)
  8. Czy TPU od Google może zagrozić Nvidii? (ITReseller)
  9. Google może zagrozić NVIDII (Telepolis)
  10. TPU machines in accelerator-optimized machine family (Google Cloud Documentation, 2026)
  11. Welcome to Google Cloud Next ’26 (Google Cloud, 2026)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji