Google tager kampen op mod Nvidia på AI-hardware

I over et årti har Nvidia været synonym med AI-hardware, men nu er der for alvor kommet konkurrence. Med lanceringen af TPUv7 – Googles nyeste Tensor Processing Unit – ser vi ikke bare en teknologisk opgradering, men et potentielt skifte i hele AI-økosystemet. Frontier-modeller som Gemini 3 og Claude 4.5 Opus er trænet på TPUv7, hvilket markerer et vendepunkt: For første gang er det ikke Nvidia, men Google, der leverer motoren bag de mest avancerede AI-modeller.

Det mest opsigtsvækkende er, at Google nu åbner for direkte salg af TPU-hardware til eksterne kunder. Hidtil har man kun kunnet leje adgang via Google Cloud, men nu kan virksomheder – i teorien – købe og drive deres egne TPU-løsninger. Det bryder med cloud-lock-in og åbner for nye forretningsmodeller.

Teknisk duel: TPUv7 versus Nvidia GB200 Blackwell

Men hvad er egentlig forskellen på Googles TPUv7 og Nvidias GB200 Blackwell GPU? Arkitektonisk er der tale om to vidt forskellige tilgange. Nvidia satser på general-purpose parallel processing, hvor deres GPU’er kan håndtere mange typer opgaver. Google har derimod designet TPUv7 som et specialiseret system, der næsten udelukkende optimerer matrix-multiplikation – hjertet i moderne deep learning.

En af de store nyheder i TPUv7 er integrationen af high-speed interconnects direkte i chippen. Det betyder, at man kan koble tusindvis af TPU’er sammen i såkaldte pods, der opfører sig som én stor supercomputer. Det reducerer både latenstid og omkostninger sammenlignet med traditionelle GPU-clustre.

Benchmarks og totaløkonomi: Hvor står vi?

Benchmarks fra SemiAnalysis og flere uafhængige kilder peger på, at TPUv7 leverer markant højere throughput per dollar sammenlignet med Nvidia GB200 Blackwell – især ved store, tensor-tunge workloads. For Google selv er TCO (total cost of ownership) for en Ironwood-baseret server ca. 44% lavere end for en tilsvarende Nvidia-server. Eksterne kunder som Anthropic oplever en besparelse på omkring 30% – og for hyperscalers kan TCO falde med 30-50% afhængigt af setup og volumen.

Det har allerede haft afsmittende effekt på markedet: OpenAI har forhandlet sig til en 30% rabat på Nvidia-hardware, netop fordi Google nu tilbyder et reelt alternativ. Meta er også i dialog om at købe TPU’er til egne datacentre.

Forretningsmæssige konsekvenser og adgang for flere

Den lavere TCO og muligheden for at købe hardware direkte gør det muligt for flere aktører at overveje TPU’er. Men spørgsmålet er, om det kun er de helt store spillere – hyperscalers og AI-labs – der får adgang, eller om mindre virksomheder og offentlige aktører også kan være med. Her er billedet stadig uklart: De første store handler, som den mellem Google og Anthropic (op til 1 million TPUv7-chips), peger på, at det primært er de største, der får adgang i første omgang.

Dog åbner Google for, at flere kan købe hardware direkte, hvilket på sigt kan demokratisere adgangen til avanceret AI-infrastruktur. Det kan især blive interessant for offentlige institutioner og europæiske virksomheder med særlige krav til datasuverænitet.

Barrierer for migration: CUDA-moat og økosystem

Selvom TPUv7 ser lovende ud, er der betydelige barrierer for at skifte fra Nvidia til Google. Nvidias CUDA-platform har i årevis været standarden, og mange AI-teams har bygget hele deres pipeline op omkring CUDA. At migrere til TPU kræver ikke bare ny hardware, men også omskrivning af kode, tilpasning af workflows og oplæring af medarbejdere.

Google forsøger at nedbryde denne barriere ved at tilbyde native PyTorch-integration på TPUv7. Det betyder, at man nu kan køre PyTorch – det mest udbredte open source deep learning-framework – direkte på TPU’er, inklusive support for distributed training og custom kernels. Google bidrager også til open source-projekter som vLLM og SGLang for at lette overgangen.

Kompetencer og rekruttering: En flaskehals?

En anden udfordring er kompetencer. Der er langt flere udviklere med erfaring i Nvidia/CUDA end i TPU-økosystemet. At udnytte TPU’ernes fulde potentiale kræver specialviden, især hvis man vil skrive egne kernels eller optimere compilers. For mange virksomheder kan det blive en flaskehals – og det kan give Nvidia en fortsat fordel på kort sigt.

Use cases: Erfaringer fra de store og muligheder for andre

Anthropic og OpenAI har allerede taget TPUv7 i brug til træning af frontier-modeller. For dem har det handlet om at få adgang til mere compute til lavere pris – og om at undgå at være låst til én leverandør. Meta undersøger også mulighederne, og flere eksperter peger på, at hybrid-setup, hvor man kombinerer TPU’er og GPU’er, kan give det bedste fra begge verdener: Specialisering til store tensor-workloads, fleksibilitet til bredere opgaver.

For enterprise- og public sector-brugere kan det især være relevant, hvis man har store, gentagne AI-workloads, der kan optimeres til TPU-arkitekturen. For mindre, mere eksperimenterende projekter kan Nvidia stadig være det mest praktiske valg.

Compliance, datasikkerhed og lokal drift

En af de store nyheder er, at man nu kan købe TPU-hardware og hoste den selv – ikke kun leje via cloud. Det åbner for lokal drift, hvilket er afgørende for mange offentlige og regulerede virksomheder, der ikke kan eller vil sende følsomme data ud af huset. For danske AI-virksomheder og offentlige aktører kan det være en gamechanger, hvis Google gør det muligt at købe og drifte TPU’er i egne datacentre.

Dog er der stadig mange ubesvarede spørgsmål om support, opdateringer og integration med eksisterende sikkerheds- og compliance-krav.

Perspektiv: Bliver fremtiden hybrid?

Så hvem vinder AI-hardware-kapløbet? Det korte svar er: Ingen ved det endnu. Nvidia har stadig den største markedsandel, det bredeste økosystem og flest udviklere. Google har nu vist, at de kan levere hardware, der matcher eller overgår Nvidia på pris og performance – i hvert fald til visse workloads.

Meget tyder på, at fremtiden bliver hybrid. De fleste store AI-labs og cloud-udbydere tilbyder allerede både GPU’er og TPU’er, og valget afhænger af den konkrete opgave. For danske AI-virksomheder og startups betyder det, at man får flere valgmuligheder – og måske bedre priser, fordi konkurrencen skærpes.

Hvad betyder det for danske virksomheder?

For Snillds målgruppe – danske virksomheder, offentlige organisationer og startups med ambitioner om at skalere AI – er udviklingen både en mulighed og en udfordring. Muligheden ligger i adgang til billigere og mere specialiseret hardware, der kan give et forspring på performance og pris. Udfordringen er at navigere i et mere komplekst hardware-landskab, hvor valg af platform får større betydning for både økonomi, kompetencebehov og fremtidig fleksibilitet.

Vores anbefaling er at følge udviklingen tæt, eksperimentere med hybrid-setup hvor det giver mening, og ikke mindst investere i kompetenceudvikling, så man kan udnytte de nye muligheder, når de opstår. For de fleste vil det være for tidligt at satse alt på én hest – men for dem, der tør, kan der være store gevinster at hente.

Kilder:

• https://venturebeat.com/ai/how-googles-tpus-are-reshaping-the-economics-of-large-scale-ai
• https://www.reddit.com/r/singularity/comments/1kevvfa/hardware_nerds_ironwood_vs_blackwellrubin/
• https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the
• https://cloud.google.com/blog/products/compute/ironwood-tpus-and-new-axion-based-vms-for-your-ai-workloads
• https://www.reddit.com/r/MachineLearning/comments/1g1okem/d_why_does_it_seem_like_googles_tpu_isnt_a_threat/
• https://www.reddit.com/r/singularity/comments/1kevvfa/hardware_nerds_ironwood_vs_blackwellrubin/

Målgruppens mening om artiklen

Anders Mikkelsen, CTO i mellemstor dansk AI-startup:
Jeg giver artiklen 92. Den er ekstremt relevant for os, fordi vi står midt i hardwarevalg til næste generations AI-modeller. Artiklen rammer plet på både tekniske og forretningsmæssige aspekter, og den forklarer tydeligt, hvordan Google nu reelt udfordrer Nvidia. Jeg savner dog lidt mere konkret om, hvordan mindre virksomheder kan få adgang til TPU’er, men ellers spot on.

Louise Jensen, IT-chef i offentlig myndighed:
Jeg giver den 85. Artiklen er super relevant, især fordi den adresserer mulighederne for lokal drift og datasuverænitet, som er afgørende for os. Jeg synes dog, at den kunne have uddybet compliance-udfordringerne mere, men det er stadig en af de bedste gennemgange, jeg har læst om emnet.

Jonas Friis, AI-udvikler i stor dansk virksomhed:
Jeg giver den 78. Den er teknisk velfunderet og forklarer forskellene mellem TPU og GPU godt. Jeg synes dog, at den er lidt for fokuseret på de store spillere og mangler lidt hands-on eksempler for virksomheder på vores størrelse. Men den er bestemt interessant og lærerig.

Camilla Sørensen, CEO i dansk AI-konsulenthus:
Jeg giver den 88. Artiklen er meget aktuel og rammer vores kunders spørgsmål om hardwarevalg og fremtidssikring. Jeg kunne godt have ønsket flere konkrete cases fra danske virksomheder, men overblikket over markedet og fremtidsperspektivet er stærkt.

Michael Holm, IT-arkitekt i dansk kommune:
Jeg giver den 80. Jeg synes, den er god til at forklare, hvorfor det her betyder noget for offentlige aktører, især med hensyn til datasikkerhed og lokal drift. Jeg savner dog flere detaljer om integration med eksisterende systemer og supportmuligheder.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af FLUX.1.1 Pro fra Black Forest Labs.