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.
Spis treści
- Co Google ogłosił 22 kwietnia 2026 roku?
- Czym różni się TPU 8t od TPU 8i?
- Jakie parametry deklaruje Google dla TPU 8t?
- Co TPU 8i zmienia w inferencji modeli MoE?
- Czy TPU 8 zagraża dominacji Nvidii?
- Kiedy TPU 8 będzie dostępne dla klientów?
- Co to znaczy dla firm, które budują agentów AI?
- Najczęstsze pytania
- 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].
| Kryterium | TPU 8t | TPU 8i |
|---|---|---|
| Przeznaczenie | trening wielkoskalowy | inferencja, post-training, uczenie ze wzmocnieniem |
| Pamięć | około 2 PB współdzielonej pamięci HBM w superpodzie | 288 GB HBM i 384 MB SRAM na układ |
| Skalowanie | superpod do 9600 chipów, Virgo Network ponad 134 tys. układów | architektura Boardfly i układy CAE pod komunikację modeli MoE |
| Deklarowana przewaga | niemal 3x wydajność obliczeniowa względem Ironwood | do 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
- Our eighth generation TPUs: two chips for the agentic era (Google, 2026)
- TPU 8t and TPU 8i technical deep dive (Google Cloud, 2026)
- 8th gen Tensor Processing Unit (TPU) (Google Cloud, 2026)
- AI infrastructure at Next ’26 (Google Cloud, 2026)
- Tensor Processing Units (TPUs) (Google Cloud, 2026)
- Google TPU 8 Is Here. It Is Not Replacing NVIDIA (Remio, 2026)
- Google TPU v8 vs Nvidia: How Inference Is Rewriting the AI Market (I/O Fund, 2026)
- Czy TPU od Google może zagrozić Nvidii? (ITReseller)
- Google może zagrozić NVIDII (Telepolis)
- TPU machines in accelerator-optimized machine family (Google Cloud Documentation, 2026)
- Welcome to Google Cloud Next ’26 (Google Cloud, 2026)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji