Google onthult TPU 8t en TPU 8i: nieuwe AI-chips voor het agentic tijdperk
Google heeft tijdens Cloud Next ’26 zijn achtste generatie TPU’s aangekondigd: de TPU 8t voor training en de TPU 8i voor inference en reasoning. Dat klinkt technisch, maar het nieuws is relevant voor vrijwel iedereen die AI-producten bouwt of gebruikt. De boodschap van Google is helder: de volgende golf van AI draait niet alleen om chatbots, maar om ‘agentic’ systemen die zelfstandig taken uitvoeren, meer context verwerken en sneller moeten reageren.
Waarom dit nieuws ertoe doet
Volgens Google zijn de nieuwe chips speciaal ontworpen voor een tijdperk waarin AI niet één antwoord geeft, maar een keten van acties uitvoert. Denk aan agents die informatie ophalen, tools aanroepen, workflows starten en meerdere stappen achter elkaar afhandelen. Juist dat soort taken vraagt andere infrastructuur dan klassieke modeltraining.
Daarom splitst Google zijn nieuwe TPU-generatie op in twee varianten. De TPU 8t is bedoeld voor grootschalige training van modellen, terwijl de TPU 8i is geoptimaliseerd voor inference, sampling en reasoning. Dat onderscheid is belangrijk, omdat AI-workloads steeds minder uniform worden. Voor bedrijven die kijken naar AI agents en computer use, laat deze stap zien waar de markt naartoe beweegt.
Wat Google precies aankondigde
De opvallendste claim is dat TPU 8i tot 80% betere performance-per-dollar voor inference levert dan de vorige generatie. Voor organisaties die AI op schaal willen aanbieden, kan dat direct doorwerken in kosten en responstijd. Google zegt daarnaast dat TPU 8t bijna drie keer meer compute levert dan eerdere generaties voor training, met superpods van 9.600 chips en 121 exaflops aan rekenkracht.
Ook de netwerklaag krijgt veel aandacht. Met het nieuwe Virgo Network kan Google volgens eigen zeggen 134.000 TPU’s in één fabric koppelen en zelfs meer dan 1 miljoen TPU’s over meerdere datacenters als één trainingscluster inzetten. Voor inference introduceert Google bij TPU 8i bovendien een nieuwe Boardfly-topologie, die de netwerkdiameter terugbrengt van 16 naar 7 hops in een 1024-chip configuratie. Dat is relevant voor reasoning-modellen en Mixture-of-Experts-systemen, waar latency snel een knelpunt wordt.
Wat dit betekent voor de AI-markt
Dit nieuws is meer dan een chipupdate. Google positioneert zich nadrukkelijk als infrastructuurspeler voor de volgende AI-fase: niet alleen modellen bouwen, maar ze ook betrouwbaar, goedkoop en op enorme schaal draaien. Dat past bij de bredere verschuiving van losse chatinterfaces naar complete AI-platforms, iets wat ook zichtbaar is op de Gemini-pagina, de opmars van ChatGPT en andere AI-assistenten en in discussies over open-source versus gesloten AI-modellen.
Voor developers en bedrijven betekent dit waarschijnlijk dat de strijd in AI steeds minder alleen over modelkwaliteit gaat. Infrastructuur, latency, energieverbruik en prijs per inference worden minstens zo belangrijk. Zeker nu bedrijven meer agentic workflows willen bouwen, wordt de onderliggende hardware een concurrentievoordeel.
Wat betekent dit concreet?
Als Google deze beloofde prestaties waarmaakt, kan dat de drempel verlagen om complexere AI-diensten live te zetten. Denk aan snellere enterprise agents, betaalbaardere reasoning-toepassingen en krachtigere multimodale workflows. Voor eindgebruikers zie je dat niet direct als ‘TPU 8i’ in beeld, maar wel als AI-tools die sneller reageren en minder duur worden om te gebruiken. En voor de concurrentie – van cloudproviders tot modelbouwers – is dit weer een signaal dat de AI-race steeds meer een infrastructuurrace wordt.
Bronnen: