Kan Google blive Nvidias største konkurrent?

GPU’er vs. TPU’er: samme matematik, forskellige strategier

I bund og grund er AI en stor bunke lineær algebra. Modeller jonglerer med matricer af tal. For at gøre det hurtigt kræves specialiseret hardware. 

GPU’er blev oprindeligt bygget til at tegne computergrafik. Deres styrke ligger i at håndtere mange små opgaver parallelt, hvilket viste sig at være perfekt til moderne AI. Nvidia pakkede disse chips ind i en softwareplatform kaldet CUDA og byggede et enormt økosystem omkring dem. Den kombination gjorde Nvidia til standardvalget for AI-laboratorier, cloud-udbydere og start-ups.

TPU’er er en anden størrelse. En tensor processing unit er en specialdesignet AI-acceleratorchip (en ASIC – application specific integrated circuit), som Google udviklede specifikt til neurale netværk. I stedet for at gøre lidt af det hele fokuserer TPU’er på de kernematrixoperationer, der dominerer AI-træning og inferens. Det giver høj gennemstrømning og bedre energieffektivitet for de rette arbejdsbelastninger.

Der er to praktiske forskelle, som investorer bør holde øje med.

For det første fleksibilitet. Nvidias GPU’er er general-purpose-acceleratorer. Man kan købe dem fra mange leverandører, installere dem i mange systemer og bruge dem med mange forskellige rammeværk. TPU’er er derimod tæt integreret med Googles egne softwareværktøjer som TensorFlow og JAX – og de eksisterer næsten udelukkende inden for Google Cloud.

For det andet kontrol. Nvidia sælger chips. Alphabet ejer hele stakken: chips, datacentre og cloud-tjenester. Når en kunde vælger TPU’er frem for tredjeparts-GPU’er i Google Cloud, forbliver en større del af hver AI-dollar hos Alphabet. Det er mindre synligt end en overskrift om GPU-salg, men meget synligt i marginerne.

Hvordan Alphabet udnytter Nvidias forspring

Alphabet er nu flere generationer inde i sit TPU-program. TPU v5p udgør grundlaget for selskabets AI-”hypercomputer”, der bruges til modeltræning. Nyere generationer – herunder Ironwood-TPU’en, der er målrettet inferens – fokuserer på hurtigt og billigt at håndtere enorme mængder AI-forespørgsler, både for kunder og for Googles egne produkter.

Sideløbende har Google udviklet Axion, selskabets første specialdesignede Arm-baserede datacenter-CPU. Google hævder, at Axion kan overgå traditionelle x86-serverchips markant både i ydeevne og energieffektivitet. Kombinationen af Axion og TPU’er gør det muligt for Alphabet at optimere hele datacentre omkring eget silicium i stedet for at være afhængig af Nvidia, Intel eller AMD.

Økonomien fortæller dog den virkelige historie. Google Cloud rapporterer, at de tidligere TPU v5e-instanser leverer op til omkring fire gange bedre AI-performance per dollar end sammenlignelige inferensløsninger. Partner-case-studier på den nyere TPU v6e – herunder Introls analyse – viser, at flytning af egnede arbejdsbelastninger fra Nvidia-GPU-opsætninger til TPU’er i nogle tilfælde har reduceret inferensomkostningerne med omkring 50–65 %.

Det betyder ikke, at Nvidia er færdig. Selskabets chips er fortsat den mest udbredte løsning på tværs af cloud-platforme og on-premise systemer. For mange virksomheder – især dem, der vægter fleksibilitet højt eller bruger software-stakke, der endnu ikke er optimeret til TPU’er – fremstår Nvidia stadig som det sikre standardvalg.

Det, der ændrer sig, er forhandlingsstyrken. Når hyperscalere som Alphabet, Amazon og Microsoft designer deres egne acceleratorer, behøver de ikke længere acceptere den pris eller leveringsevne, Nvidia tilbyder. De kan flytte arbejdsbelastninger mellem internt udviklede chips og tredjeparts-GPU’er, spille leverandører ud mod hinanden og sende en del af besparelserne videre til kunderne for at vinde markedsandele i cloud-segmentet.

Alphabets fordel er, at deres chips allerede indgår i produkter, som hundredvis af millioner mennesker bruger dagligt – fra Search og Maps til YouTube og Photos – og nu også i Gemini 3-AI-pakken. Det gør deres silicium til et værktøj til at styrke en eksisterende voldgrav, ikke en ny forretning de skal bygge fra bunden og forsøge at sælge.

Buffetts sats på Alphabet

Berkshire Hathaways seneste 13F-indberetning viste noget usædvanligt. Efter måneder med nettosalg fremgik det, at selskabet har opbygget en ny position i Alphabet til en værdi af omkring 4,3 mia. dollar og nu ejer næsten 18 millioner aktier – samtidig med at Berkshire har reduceret sin langvarige eksponering i Apple. Alphabet er dermed rykket op blandt Berkshires større aktieposter.

I stedet for at satse på én enkelt chipdesign, støtter Berkshire en platform, der:

• tjener penge på søgning og annoncering,

• udlejer cloud-kapacitet til andre AI-aktører, og

• i stigende grad driver det hele på sine egne chips.

Hvordan bør investorer forholde sig?

• Tænk på Nvidia som referencepunktet for generelle AI-acceleratorer og på Alphabet som en bred AI-platform med en intern chip-fordel.

• Hold øje med nøgletal som væksten i Google Cloud-omsætningen, kapitalomkostninger (capex) og eventuelle oplysninger om udbredelsen af TPU’er og Axion-chips – ikke kun overskrifter om Gemini-lanceringer.

• Tag dristige påstande som “4x billigere” eller “hurtigst nogensinde” hardware med et gran salt. Fokuser i stedet på kundecases fra den virkelige verden og på udvkilingen i indtjeningen.

• Diversificer porteføljen, så den ikke afhænger af én enkelt chipvinder.

Dette materiale er markedsføringsindhold og må ikke betragtes som investeringsrådgivning. Handel med finansielle instrumenter indebærer risiko, og historisk afkast er ingen garanti for fremtidige resultater. De nævnte instrumenter i dette indhold kan være udstedt af en samarbejdspartner, som Saxo modtager markedsføringshonorar, betaling eller provision fra. Selvom Saxo kan modtage kompensation gennem sådanne partnerskaber, er alt indhold udarbejdet med det formål at give kunderne værdifuld information og muligheder.