تحلیلگران Fubon Research پیش‌بینی می‌کنند گوگل تا سال ۲۰۲۸، بین ۱۲ تا ۱۵ میلیون واحد از پردازنده‌های شتاب‌دهنده هوش مصنوعی نسل نهم (TPU v9) را سفارش دهد یا استقرار دهد. این حجم إنتاج می‌تواند تولید انویدیا را در همین بازه زمانی بپیچد و گوگل را به بزرگ‌ترین قدرتمند‌ساز سخت‌افزاری هوش مصنوعی تبدیل کند.

رقم‌ها و پیش‌بینی‌ها: گوگل در حال فرسودن فاصله است

بر اساس یادداشتی که Fubon برای مشتریانش منتشر کرده، معماری TPU v9 بر پایه چهار دای محاسباتی (Chiplet) بنا شده است. این طراحی ماژولار، موتور اصلی جهش ظرفيتی گوگل در ۲۰۲۸ است که انتظار می‌رود بیش از دو برابر سال ۲۰۲۷ باشد.

در سوی دیگر، پیش‌بینی‌ها نشان می‌دهد انویدیا در سال ۲۰۲۶ حدود ۸.۲ میلیون پردازنده گرافیکی مرکز داده (Data Center GPU) تحویل خواهد داد و این رقم تا ۲۰۲۸ به حدود ۱۲.۴ میلیون واحد می‌رسد. با این حال، سقف برنامه‌ریزی گوگل (۱۵ میلیون) همچنان از پیش‌بینی انویدیا پیشی می‌گیرد.

بن velho تولید: چرا TSMC تنها نمی‌تواند و اینتل در بازی است

پیچیدگی بسته‌بندی چهار چیپلت بزرگ برای هر تراشه TPU، فشار بی‌سابقه‌ای بر زنجیره تامین می‌آورد. Fubon بر این باور است که ظرفیت‌های تولید و بسته‌بندی پیشرفته TSMC (به‌ویژه CoWoS) به‌تنهایی قادر به پاسخگویی به تقاضای ۱۲ تا ۱۵ میلیونی گوگل نخواهد بود.

این موضوع دروازه ورود اینتل فاندری (Intel Foundry) به عنوان تأمین‌کننده دوم را باز می‌کند. گزارش‌های ماه‌های اخیر از امضای قراردادی حدود ۳ میلیون واحد TPU بین گوگل و اینتل حکایت دارد. همکاری با اینتل به گوگل انعطاف‌پذیری جغرافیایی و تنوع در تکنولوژی بسته‌بندی می‌بخشد.

معماری چیپلت‌محور TPU v9 و فناوری بسته‌بندی پیشرفته
شماتیک معماری چیپلت‌محور TPU v9؛ چهار دای محاسباتی که با 인터کنت‌های سریع به هم متصل شده‌اند.

چالش فنی: ناسازگاری فناوری‌های بسته‌بندی

مهم‌ترین مانع فنی در تقسیم سفارش بین دو فاندری، ناسازگاری بنیادین تکنولوژی‌های بسته‌بندی است:

  • TSMC: از فناوری CoWoS-L (Chip-on-Wafer-on-Substrate) برای اتصال چیپلت‌ها استفاده می‌کند.
  • اینتل: بر پایه معماری EMIB / EMIB-T (Embedded Multi-die Interconnect Bridge) استوار است.

این دو روش از نظر فیزیکی و رویه‌های طراحی (Design Rules) با هم سازگار نیستند. در نتیجه، گوگل نمی‌تواند یک طراحی واحد را به دو فاندری بسپارد؛ بلکه باید از مرحله معماری، دو مسیر طراحی جداگانه (یا یک طراحی قابل انطباق با هر دو) را پیش ببرد. این یعنی هزینه و پیچیدگی طراحی دو برابر شده، اما ریسک تامین حذف می‌گردد.

پیامدهای استراتژیک برای اکوسیستم هوش مصنوعی

اگر گوگل به هدف ۱۵ میلیون واحد برسد، دو تحولات بنیادین در بازار رخ می‌دهد:

قدرت محاسباتی داخلی بی‌نظیر

گوگل عملاً به بزرگ‌ترین مصرف‌کننده و مالک ناوگان شتاب‌دهنده هوش مصنوعی جهان تبدیل می‌شود، مستقیماً برای آموزش و استدلال مدل‌های جيمینی (Gemini) و خدمات ابری خود.

استحکام استراتژی یکپارچه‌سازی عمودی

طراحی تراشه اختصاصی (Custom Silicon) متناسب با پشته نرم‌افزاری (XLA, JAX) و معماری مراکز داده (Jupiter Network)، مزیت operaciónی را فراهم می‌کند که خریداران عمومی GPU نمی‌توانند به آن برسند.

انویدیا هنوز در کورسو است: نرم‌افزار، مانع ورود واقعی

برتری انویدیا تنها در سیلیکون خلاصه نمی‌شود. اکوسیستم نرم‌افزاری CUDA، کتابخانه‌های بهینه‌سازی شده (cuDNN, TensorRT) و جامعه گسترده توسعه‌دهنده،حفاظتی قوی (Moat) ایجاد کرده که گوگل با TPU و نرم‌افزار PJRT/XLA هنوز در مقیاس جهانی قادر به شکسته کردن آن نبوده است. علاوه بر این، انویدیا با معماری‌های آتی Feynman و Feynman Ultra در هоризон ۲۰۲۹–۲۰۳۰، respuesta سخت‌افزاری خود را برای حفظ سهم بازار آماده می‌کند.

نوید جدید: زنجیره تامین و بسته‌بندی، ساحة نبرد جدید

این رویداد نشان می‌دهد رقابت در’era شتاب‌دهنده‌های هوش مصنوعی، از فاز «طراحی معماری» به فاز «ظرفیت تولید و تکنولوژی بسته‌بندی (Advanced Packaging)» منتقل شده است. دسترسی به سوخت‌های CoWoS و EMIB، هم‌اکنون استراتژیک‌تر از دسترسی به معماری ISA است. شراکت‌های عمیق بین ابرارائه‌دهندگان (Hyperscalers) و فاندری‌ها (Foundries)، ساختار قدرت صنعت را به نفع بازیگرانی بازتعریف می‌کند که زنجیره تامین خود را کنترل می‌کنند؛ و اینتل، با ورود به بازی فاندری، خود را به عنوان بازیگر کلیدی سوم در مثلث TSMC - Samsung - Intel مستقر می‌سازد.

چشم‌انداز: از انحصار внутрен به خدمات ابری عمومی؟

پرسش کلیدی باقی‌مانده، مدل کسب‌وکار این ناوگان ۱۵ میلیونی است:

  • آیا گوگل این ظرفیت را اختصاصاً برای consumo داخلی (جستجو، یوتیوب، جيمینی،Workspace) نگه می‌دارد؟
  • یا بخشی از آن را به صورت TPU VMs در Google Cloud برای مشتریان سازمانی و استارتاپ‌ها عرضه می‌کند تا سهم بازار ابری خود را بالا ببرد؟

پاسخ به این سوال، شکل آینده رقابت در لایه زیرساختی هوش مصنوعی را تعیین خواهد کرد. در حال حاضر، اکثریت TPUها برای کارهای داخلی مصرف می‌شوند، اما روند رو به افزایش عرضه به مشتریان ابری (Cloud TPU v5e, v5p) نشان‌دهنده تغییر تدریجی استراتژی است.

منابع و مطالعه بیشتر: بررسی معماری Tensor Processing Unit در ویکی‌پدیا و تحلیل‌های بازاری TSMC.