Google lanceert TPU 8t en TPU 8i: nieuwe AI-chips moeten training en inference goedkoper maken
Google zet opnieuw druk op de AI-infrastructuurmarkt met twee nieuwe TPU’s: de TPU 8t voor training en de TPU 8i voor inference. Dat maakte het bedrijf bekend via zijn eigen blog en technische documentatie, waarna ook techmedia de stap duidden als een duidelijke aanval op de dominantie van Nvidia in AI-datacenters. De timing is logisch: nu AI-agents, reasoning-modellen en Mixture-of-Experts-systemen zwaardere eisen stellen aan rekenkracht, worden gespecialiseerde chips steeds belangrijker.
Twee chips, twee taken
Waar veel chipplatformen vooral één generieke route volgen, kiest Google nu expliciet voor specialisatie. Volgens Google is de TPU 8t gebouwd voor grootschalige training van frontier-modellen. De chip moet modelontwikkeling versnellen met meer schaal, hogere interconnect-bandbreedte en betere benutting van compute in grote clusters.
De TPU 8i is juist ontworpen voor inference: het snel en efficiënt draaien van modellen in productie. Dat is vooral relevant voor AI-agents, waarbij meerdere modellen of subprocessen achter elkaar taken uitvoeren. Juist dan tellen lage latency, geheugenbandbreedte en kosten per request extra zwaar mee.
Waarom dit meer is dan een chipupdate
De stap past in een bredere verschuiving in de AI-markt. Niet alleen de modellen worden slimmer, ook de infrastructuur eronder wordt steeds meer een concurrentiewapen. In plaats van alleen meer brute rekenkracht te bieden, probeert Google workloads beter te verdelen over hardware die geoptimaliseerd is voor training of serving.
Dat sluit aan op eerdere signalen die we op AI Feiten al zagen in onze artikelen over Google’s aangescherpte TPU-strategie en de bredere verschuiving in de cloudmarkt, zoals in de strijd rond OpenAI, AWS en Microsoft. Ook in onze recente marktupdate over OpenAI en Google werd al duidelijk dat infrastructuur en modeldistributie steeds dichter naar elkaar toe groeien.
De aanval op Nvidia is subtiel, maar serieus
TechCrunch benadrukt dat Google hiermee nog niet frontaal breekt met Nvidia: de cloudgigant blijft ook Nvidia-systemen aanbieden. Toch is de richting duidelijk. Met claims over fors betere performance-per-dollar en clusters die op enorme schaal samenwerken, bouwt Google verder aan een alternatief voor bedrijven die AI-training en inference in de cloud willen opschalen.
Dat is relevant voor ondernemingen die niet alleen een model willen trainen, maar complete AI-producten willen draaien. Denk aan copilots, zoeksystemen, agent-platforms en verticale toepassingen in zorg, finance en overheid. In dat licht past het ook bij bredere bewegingen zoals Google’s groeiende AI-positie richting overheidsprojecten en de strategische waarde van eigen infrastructuur.
Wat betekent dit?
Voor gebruikers verandert er vandaag nog weinig zichtbaar. Voor de markt is dit wel degelijk belangrijk nieuws. Google laat zien dat de volgende AI-fase niet alleen draait om het beste model, maar ook om de beste keten van chip, netwerk, software en cloudcapaciteit. Wie die stack controleert, kan sneller schalen en scherper prijzen.
Als Google zijn beloften rond kosten, schaal en efficiëntie waarmaakt, kan dat de druk op Nvidia opvoeren én de concurrentie in AI-clouds verder verscherpen. Voor bedrijven die AI serieus willen uitrollen, wordt de vraag dus steeds minder: “welk model kiezen we?” en steeds meer: “op welke infrastructuur bouwen we?”
