வரைபடம்: tuput
தமிழ்
கூகுளின் ஆவணங்கள் ஒவ்வொரு அயர்ன்வுட் சில்லையும் 8-பிட் கணிதத்தில் உச்சமாக 4,614 டெராஃப்ளாப், 192 GiB நினைவகம், விநாடிக்கு 7,380 GBps நினைவக அலைவரிசை கொண்டதாகப் பட்டியலிடுகின்றன. கூகுளின் வெளியீட்டுக் குறிப்புகள் முன்னோட்டம் 2025 நவம்பர் 24 அன்றும் பொதுப் பயன்பாடு 2026 மார்ச் 31 அன்றும் தொடங்கியதாகப் பதிவு செய்கின்றன.
கூகுளின் ஆவணங்கள் ஒவ்வொரு அயர்ன்வுட் சில்லையும் 8-பிட் கணிதத்தில் உச்சமாக 4,614 டெராஃப்ளாப்களாக (விநாடிக்குப் பல லட்சம் கோடி கணித இயக்கங்கள்) மதிப்பிடுகின்றன. அதன் அருகில் 192 GiB உயர்-அலைவரிசை நினைவகம் உள்ளது; இத்தகைய 9,216 சில்லுகள் வரை ஒரே பாடாக இணைக்கலாம். அயர்ன்வுட் என்பது டென்சர் பிராசசிங் யூனிட் எனப்படும் TPU இன் ஏழாம் தலைமுறை; AI மாதிரிகள் இயங்கும் அணிக் கணிதத்துக்காகக் கூகுள் உருவாக்கிய சில்லு இது. கூகுளின் வெளியீட்டுக் குறிப்புகளின்படி இது 2026 மார்ச் 31 முதல் கூகுள் கிளவுடில் பொதுப் பயன்பாட்டுக்குக் கிடைக்கிறது.
இங்குள்ள ஒவ்வொரு எண்ணும் கூகுளின் சொந்த விவரக்குறிப்பு அல்லது உச்ச மதிப்பீடு; 2026 நவம்பர் 12 நிலவரப்படி அதன் பக்கங்களிலிருந்து எடுக்கப்பட்டது. அயர்ன்வுட்டின் எந்தச் சுயாதீன அளவுகோல் சோதனையும் இதில் மேற்கோள் காட்டப்படவில்லை; கூகுள் தேர்ந்தெடுத்த சோதனையைச் சார்ந்த ஒப்பீடுகளை முடிவுக்கு அருகிலுள்ள ஒரு பகுதி தனியாகப் பிரித்துக் காட்டுகிறது.
கூகுளின் விவரக்குறிப்புப் பக்கத்தில் உள்ள எண்கள்
கூகுளின் TPU7x பக்கம் (TPU7x என்பது அயர்ன்வுட்டின் முதல் வெளியீட்டுக்கான கிளவுட் பெயர்) இந்தச் சில்லை அதற்கு முந்தைய இரண்டு தலைமுறைகளுடன் அருகருகே வைக்கிறது.
| ஒரு சில்லுக்கு, வேறுவிதமாகக் குறிப்பிடாவிட்டால் | TPU v5p | TPU v6e (ட்ரில்லியம்) | TPU7x (அயர்ன்வுட்) |
|---|---|---|---|
| ஒரு பாடுக்குச் சில்லுகள் | 8,960 | 256 | 9,216 |
| உச்ச கணிப்புத் திறன், BF16 (டெராஃப்ளாப்) | 459 | 918 | 2,307 |
| உச்ச கணிப்புத் திறன், FP8 (டெராஃப்ளாப்) | 459 | 918 | 4,614 |
| நினைவகம் (GiB) | 95 | 32 | 192 |
| நினைவக அலைவரிசை (GBps) | 2,765 | 1,638 | 7,380 |
| சில்லுக்கும் சில்லுக்கும் இடையிலான அலைவரிசை, இரு திசைகளிலும் (GBps) | 1,200 | 800 | 1,200 |
கூகுளின் 2025 ஏப்ரல் அறிவிப்பின்படி, FP8 எண்கள் v4 மற்றும் v5p இல் மென்பொருள் மூலம் பின்பற்றப்படுபவை (எமுலேட்டட்), அயர்ன்வுட்டில் இயல்பானவை (நேட்டிவ்). அதனால்தான் v5p நெடுவரிசை அதன் BF16 எண்ணையே மீண்டும் காட்டுகிறது; v6e க்கும் பக்கம் இதையே செய்கிறது. ஒவ்வொரு அயர்ன்வுட் சில்லிலும் இரண்டு டென்சர்கோர்கள் உள்ளன (அணிப் பெருக்கல் செய்யும் அலகுகள்), நான்கு ஸ்பார்ஸ்கோர்களும் உள்ளன; ஏப்ரல் பதிவு இவற்றை, தரவரிசைப்படுத்தல் மற்றும் பரிந்துரைகளில் பயன்படும் மிகப் பெரிய எம்பெடிங்குகளுக்கான (தேடல் அட்டவணைகள்) முடுக்கிகள் என்று விவரிக்கிறது. ஒவ்வொரு ஹோஸ்ட் கணினியிலும் நான்கு சில்லுகள் உள்ளன; அந்த நான்கு-சில்லு இயந்திரத்துக்குப் பக்கம் 224 மெய்நிகர் CPU களையும் 960 GB RAM ஐயும் பட்டியலிடுகிறது.
டெராஃப்ளாப் என்றால் என்ன, எண் வடிவம் ஏன் முக்கியம்
FLOP என்பது ஒரு மிதவைப்புள்ளிச் செயல்பாடு: தசமப் பகுதி இருக்கக்கூடிய ஓர் எண்ணின் மீது நடக்கும் ஒரு கூட்டல் அல்லது பெருக்கல். டெராஃப்ளாப் என்பது விநாடிக்கு ஒரு டிரில்லியன் அவை; எக்ஸாஃப்ளாப் என்பது ஒரு பில்லியன் பில்லியன். 4,614 என்பது உச்ச மதிப்பு, அதாவது ஒவ்வொரு கணிப்பு அலகும் ஒவ்வொரு கணமும் வேலை செய்தால் கிடைக்கும் வேகம்; ஆவணங்களும் அதை அவ்வாறே குறிக்கின்றன.
அந்தக் குறிப்பு ஓர் எண் வடிவத்தையும் பெயரிடுகிறது. FP8 ஒவ்வொரு எண்ணையும் 8 பிட்டிலும், BF16 (bfloat16) 16 பிட்டிலும் சேமிக்கிறது. BF16 க்கு 2,307 டெராஃப்ளாப்களையும் FP8 க்கு அதன் இரு மடங்கையும் ஆவணங்கள் பட்டியலிடுகின்றன; கீழே சுட்டப்படும் கூகுள் டீப்மைண்ட் பாடநூலும், இந்தச் சில்லு FP8 அணிப் பெருக்கலை BF16 இன் இரு மடங்கு வேகத்தில் செய்யும் என்று கூறுகிறது. குறைவான பிட்டுகள் என்றால் கரடுமுரடான எண்கள், விநாடிக்கு அதிகச் செயல்பாடுகள்.
பாடுக்கான எண்ணைப் பெருக்கிப் பார்த்தால்: 4,614 டெராஃப்ளாப்கள் கொண்ட 9,216 சில்லுகள் 42.5 எக்ஸாஃப்ளாப்; இதுவே கூகுளின் 2025 ஏப்ரல் பதிவிலும், FP8 என்று குறிக்கப்பட்ட அதன் Hot Chips 2025 ஸ்லைடிலும் உள்ள எண். BF16 மதிப்பீட்டில் அதே கூட்டல் சுமார் 21 எக்ஸாஃப்ளாப் தரும்; பாடநூல் ஒரு பாடுக்குக் கூறும் எண் இதுவே.
கணிதத்தைப் போலவே நினைவகமும் ஏன் முக்கியம்
கூகுள் டீப்மைண்ட் பொறியாளர்கள் எழுதிய அந்தப் பாடநூல், TPU ஐ அணிப் பெருக்கலில் நிபுணத்துவம் பெற்ற ஒரு கோர் என்றும், அதனுடன் இணைந்த HBM எனப்படும் வேகமான நினைவக அடுக்கு (உயர்-அலைவரிசை நினைவகம்) என்றும் விவரிக்கிறது. அலைவரிசை என்பது அந்த நினைவகத்திலிருந்து கணிப்பு அலகுகளுக்கு விநாடிக்கு எத்தனை பைட்டுகள் நகர முடியும் என்பது. இரண்டுக்கும் இடையே சில்லுக்குள்ளேயே ஒரு சிறிய கீறல்-பலகை நினைவகம் உள்ளது; TPU7x இல் இது 128 MiB என்று பாடநூல் தருகிறது. இது HBM ஐ விடப் பல மடங்கு வேகமானது, ஆனால் அதன் 192 GiB ஐ விட மிகவும் சிறியது.
ஓர் அரட்டைப் பயன்பாடு தன் பதிலை ஒரு டோக்கனாக (ஒரு சொல் அல்லது சொல்லின் ஒரு துண்டு), ஒவ்வொரு முறையும் ஒன்றாக எழுதுகிறது; அரட்டைப் பயன்பாடு அடுத்த சொல்லை எப்படி ஊகிக்கிறது என்ற tuput கட்டுரை இதை விளக்குகிறது. ஒவ்வொரு படியிலும் மாதிரியின் அனைத்து அளவுருக்களும் HBM இலிருந்து ஏற்றப்பட வேண்டும் என்று பாடநூல் குறிப்பிடுகிறது. எனவே அவற்றை ஏற்றும் நேரம் ஒரு படிக்கான நேரத்தின் அடித்தள வரம்பாகிறது. அதன் எடுத்துக்காட்டு, BF16 இல் 200 பில்லியன் அளவுருக்கள் கொண்ட மாதிரியை எடுக்கிறது; அது 400 GB, 32 v6e சில்லுகளில் பரப்பப்படுகிறது: ஒரு சில்லுக்கு 12.5 GB, விநாடிக்குச் சுமார் 1.6 TB வேகத்தில் படிக்கப்படுகிறது; சிறந்த நிலையிலும் ஒரு படிக்குச் சுமார் 7.8 மில்லிவிநாடிகள்.
அயர்ன்வுட்டின் ஆவணப்படுத்தப்பட்ட 7,380 GBps உடன் அதே கணக்கைப் போட்டால் 12.5 GB க்குச் சுமார் 1.7 மில்லிவிநாடிகள் ஆகும். இது ஆவணப்படுத்தப்பட்ட ஒரு எண்ணின் மீது tuput செய்த கணக்கு; 32 சில்லுகளில் ஒரு மாதிரி அளவுக்கு மட்டும் பொருந்துவது, குறைந்தபட்ச வரம்பு மட்டுமே, எந்தச் சேவையும் எவ்வளவு வேகமாகப் பதிலளிக்கும் என்பதன் முன்னறிவிப்பு அல்ல. அளவு இருந்தாலும் சில செயல்பாடுகளுக்கு HBM இன்னும் ஒரு தடையாக இருக்கலாம் என்று கூகுளின் ஆவணங்களே கூறுகின்றன. அலைவரிசையைக் கூகுளின் பக்கங்கள் மூன்று விதமாகச் சுற்றி எழுதுகின்றன: ஏப்ரல் பதிவில் 7.37 TB/s, ஆவணங்களில் 7,380 GBps, Hot Chips ஸ்லைடில் 7.3 TB/s.
ஒரு பாட், அதன் சில்லுகள் டோரஸாக ஏன் இணைக்கப்படுகின்றன
கூகுளின் 2025 நவம்பர் பதிவு, ஒரு பாடை ஒன்றோடொன்று இணைக்கப்பட்ட சில்லுகளாக விவரிக்கிறது; அவை ஓர் அலகாகச் செயல்படுகின்றன. அயர்ன்வுட்டுக்கு அந்தப் பதிவு 9,216 சில்லுகள் வரை தருகிறது; அவற்றை விநாடிக்கு 9.6 டெராபிட் என்று அது மதிப்பிடும் வலையமைப்பு இணைக்கிறது, அவை 1.77 பெட்டாபைட் HBM ஐப் பகிர்ந்துகொள்கின்றன. ஆவணங்கள் இதை 4x4x4 சில்லுகள் கொண்ட 144 கனசதுரங்களாக (ஒரு கனசதுரத்துக்கு 64 சில்லுகள்) உருவாக்குகின்றன; அது பட்டியலிடும் மிகச் சிறிய அமைப்பு நான்கு-சில்லுத் துண்டு. 2,048 சில்லுகளுக்கு மேற்பட்ட துண்டுகளுக்குக் கூகுளின் கணக்குக் குழுவைத் தொடர்புகொள்ளுமாறு பக்கம் கூறுகிறது.
ஒரு கனசதுரத்துக்குள் ஒவ்வொரு சில்லுக்கும் மூன்று திசைகளிலும் அருகிலுள்ள சில்லுகளுடன் நேரடி இணைப்புகள் உள்ளன. பக்கம் ஒரு சில்லுக்கு ஆறு இணைப்புகளைத் தருகிறது; ஒவ்வொன்றும் 200 GBps இருவழி அலைவரிசை, ஒவ்வொரு அச்சிலும் 400 GBps, மொத்தம் 1,200 GBps. 64 அல்லது அதற்கு மேற்பட்ட சில்லுகள் கொண்ட துண்டுகளுக்கு, கனசதுரங்கள் ஒரு 3D டோரஸில் இணைக்கப்படுகின்றன; இது விளிம்புகள் சுற்றி வந்து எதிர் விளிம்பைச் சந்திக்கும் ஒரு கட்டம். ஒரு வரிசைச் சில்லுகளை நினைத்துப் பாருங்கள்: கடைசியை முதலுடன் இணைத்தால் அது ஒரு வளையமாகிறது; இந்தச் சுற்றிணைப்பு இரு சில்லுகளுக்கு இடையிலான அதிகபட்சத் தூரத்தை N இலிருந்து N/2 ஆகக் குறைக்கிறது என்று பாடநூல் கூறுகிறது. முழுக் கனசதுரத்தை விடச் சிறிய துண்டுகளுக்குச் சுற்றிணைப்பு கிடைக்காது என்றும், அது பெரும்பாலான தகவல் தொடர்பின் நேரத்தை வழக்கமாக இரட்டிப்பாக்குகிறது என்றும் பாடநூல் சேர்க்கிறது. சில்லுகளை ஸ்விட்சுகளின் படிநிலை வழியாக இணைக்கும் GPU கொத்துகளுடன் இந்த வடிவமைப்பை அது ஒப்பிடுகிறது.
ஒளியியல் சுற்று ஸ்விட்சுகள் கனசதுரங்களை இணைக்கின்றன, அவற்றை மறுஅமைக்கவும் முடியும்; எனவே ஒரு கனசதுரத் தொகுப்பை வெவ்வேறு வடிவ துண்டுகளாக வெட்டலாம். Hot Chips உரை பற்றிய ServeTheHome அறிக்கையின்படி, செயலிழந்த ஒரு முனையை நீக்கிவிட்டு, சேமிக்கப்பட்ட சோதனைச்சாவடியிலிருந்து (செக்பாயிண்ட்) வேறு ரேக்குகளில் துண்டை மீண்டும் உருவாக்கலாம்; 9,216 என்பது இரண்டின் அடுக்கை விடச் சற்று அதிகம், அதனால் உதிரி ரேக்குகள் மிஞ்சுகின்றன (8,192 இருந்தால் எதுவும் மிஞ்சாது). முழு பாடுக்கு ஏறக்குறைய 10 MW என்றும், சில்லுகள் திரவத்தால் குளிர்விக்கப்படுகின்றன என்றும் ஏப்ரல் பதிவு கூறுகிறது. AI தரவு மையங்கள் மொத்தமாக எவ்வளவு மின்சாரம் பயன்படுத்துகின்றன என்பதை IEA மற்றும் பெர்க்கலி ஆய்வகக் கணிப்புகள் குறித்த tuput கட்டுரை விளக்குகிறது.
ஒரே மூடியின் கீழ் இரண்டு சிப்லெட்டுகள்
கூகுளின் Hot Chips ஸ்லைடுகள் அயர்ன்வுட்டை முதல் இரட்டைக் கணிப்பு டை TPU என்று அழைக்கின்றன; இந்த வடிவமைப்பு கூகுளை ஒற்றை டைக்கு அப்பால் உருவாக்க அனுமதிக்கிறது என்று ServeTheHome தெரிவிக்கிறது. ஆவணங்களின்படி, ஒவ்வொரு சிப்லெட்டிலும் ஒரு டென்சர்கோர், இரண்டு ஸ்பார்ஸ்கோர்கள், 96 GiB HBM உள்ளன; சில்லுகளுக்கு இடையிலான ஒரு இணைப்பை விட ஆறு மடங்கு வேகமான டை-டு-டை இணைப்பு அவற்றை இணைக்கிறது. மென்பொருளுக்கு ஒவ்வொரு சில்லும் இரண்டு சாதனங்களாகத் தெரிகிறது: நான்கு-சில்லு இயந்திரத்தில் JAX நூலகம் எட்டைப் பட்டியலிடுகிறது.
TPU7x, JAX மற்றும் PyTorch கட்டமைப்புகளை இயக்குகிறது, TensorFlow ஐ ஆதரிக்காது என்று பக்கம் கூறுகிறது. மாதிரிகளைச் சேவையாக வழங்க vLLM மற்றும் SGLang அனுமான இயந்திரங்களை அது பட்டியலிடுகிறது. PyTorch குறியீடும் Hugging Face மாதிரிகளும் மீண்டும் எழுதாமல் TPU களில் ஓடுமாறு, முந்தைய மாதம் TorchTPU ஐத் திறந்த மூலமாக வெளியிட்டதாகக் கூகுளின் 2026 நவம்பர் 9 பதிவு கூறுகிறது.
தேதிகள், மண்டலங்கள், வாடிக்கையாளர்கள்
கூகுள் 2025 ஏப்ரல் 9 அன்று Cloud Next 25 இல் அயர்ன்வுட்டை அறிவித்து, அதை “அனுமானத்துக்காகவே வடிவமைக்கப்பட்ட முதலாவது” என்று அழைத்தது. அதன் ஆவணங்களும் 2025 நவம்பர் பதிவும் இதைப் பயிற்சிக்கும் அனுமானத்துக்கும் ஆகிய இரண்டுக்குமாக உருவாக்கப்பட்டதாக விவரிக்கின்றன. 2025 ஆகஸ்ட் 26 அன்று நடந்த Hot Chips மாநாட்டுக்கான கூகுளின் ஸ்லைடுகள் நார்மன் ஜூப்பி மற்றும் ஸ்ரீதர் லட்சுமணமூர்த்தியை (Sridhar Lakshmanamurthy) முன்னிலையாளர்களாகக் குறிப்பிட்டு, மிகப் பெரிய அளவிலான நிறுவல் நடந்துகொண்டிருப்பதாகக் கூறுகின்றன.
2025 அக்டோபர் 23 அன்று ஆந்த்ரோபிக் “ஒரு மில்லியன் TPU கள் வரை” பயன்படுத்தும் திட்டத்தை அறிவித்தது; இந்த விரிவாக்கம் பல பத்து பில்லியன் டாலர் மதிப்புடையது என்றும், 2026 இல் ஒரு கிகாவாட்டுக்கும் மேலான திறனை இணைக்கும் என்றும் அது எதிர்பார்த்தது. அந்தப் பதிவு எந்த TPU தலைமுறையையும் பெயரிடவில்லை. கூகுளின் 2025 நவம்பர் 6 பதிவு அதே திட்டத்தைத் தனது அயர்ன்வுட் பகுதியில் வைத்து, அயர்ன்வுட்டின் அனுமான மற்றும் பயிற்சி மேம்பாடுகள் குறித்து ஆந்த்ரோபிக்கின் கணிப்புத் தலைவர் ஜேம்ஸ் பிராட்பரியை மேற்கோள் காட்டுகிறது. லைட்ரிக்ஸ் மற்றும் எசென்ஷியல் AI ஐயும் ஆரம்பகாலப் பயனர்களாக அது மேற்கோள் காட்டுகிறது.
அயர்ன்வுட் “வரும் வாரங்களில்” பொதுப் பயன்பாட்டுக்கு வரும் என்று நவம்பர் பதிவின் உரை கூறியது. கூகுளின் வெளியீட்டுக் குறிப்புகள் தேதிகளைத் தருகின்றன: முன்னோட்டம் 2025 நவம்பர் 24, பொதுப் பயன்பாடு 2026 மார்ச் 31. TPU7x பக்கம் இடங்களைப் பட்டியலிடவில்லை. தனியான மண்டலங்கள் பக்கம், 2026 நவம்பர் 12 நிலவரப்படி TPU7x க்கு இரண்டு மண்டலங்களைப் பட்டியலிடுகிறது: us-central1-ai1a மற்றும் us-central1-c; இரண்டும் கூகுளின் us-central1 பிராந்தியத்தில் உள்ளன.
இந்தியாவைப் பொறுத்தவரை, 2026 பிப்ரவரி 10 தேதியிட்ட PIB பின்னணி ஆவணம், இந்தியாAI திட்டம் மணிக்கு 65 ரூபாய் விலையில் 38,000 க்கும் மேற்பட்ட GPU களையும், AI பணிகளுக்கென்றே கட்டப்பட்ட சில்லுகள் என்று அது வரையறுக்கும் 1,050 TPU களையும் இணைத்துள்ளது என்று கூறுகிறது. அது எந்த TPU தலைமுறையையும் பெயரிடவில்லை; எனவே அவற்றில் ஏதேனும் அயர்ன்வுட்டா என்பதை அதிலிருந்து அறிய முடியாது. இந்தத் திட்டம் tuput இன் இந்தியாAI திட்டம் கட்டுரையிலும், தேசிய பெட்டாஃப்ளாப் இயந்திரங்கள் பரம் சூப்பர் கம்ப்யூட்டர்கள் குறித்த கட்டுரையிலும் இடம்பெறுகின்றன.
கூகுளே செய்த ஒப்பீடுகள் எவை
TPU v5p ஐ விட அயர்ன்வுட் 10 மடங்கு உச்சத் திறன் மேம்பாட்டையும், பயிற்சி மற்றும் அனுமானத்தில் v6e ஐ விட ஒரு சில்லுக்கு 4 மடங்குக்கும் மேலான செயல்திறனையும் தருகிறது என்று கூகுளின் 2025 நவம்பர் பதிவு கூறுகிறது. v5p ஐ விட 10 மடங்குக்கும் மேலான கணிப்புத் திறன் என்று Hot Chips ஸ்லைடும் கூறுகிறது. எண் வடிவத்தின் மீது எவ்வளவு சார்ந்திருக்கிறது என்பதை அட்டவணை காட்டுகிறது. FP8 இல், v5p இன் 459 க்கு எதிராக 4,614 என்பது 10 மடங்கு; ஆனால் v5p நெடுவரிசை பின்பற்றப்பட்ட FP8; BF16 இல் விகிதம் 5 மடங்கு (459 க்கு எதிராக 2,307). v6e க்கு எதிராக, பக்கத்தின் எண்களின்படி, FP8 இல் 5 மடங்கு, BF16 இல் 2.5 மடங்கு. அந்தப் பதிவின் “4 மடங்குக்கும் மேல்” என்பதன் பின்னால் எந்தப் பணிச்சுமைகள் அல்லது எந்த எண் வடிவம் உள்ளது என்பதை அது கூறவில்லை.
ஏப்ரல் பதிவில் உள்ள நினைவக விகிதங்கள் அட்டவணையிலிருந்தே வருகின்றன; அவை விவரக்குறிப்புகள், சோதனை முடிவுகள் அல்ல: 192 GiB க்கு எதிராக 32 என்பது 6 மடங்கு, 7,380 க்கு எதிராக 1,638 GBps என்பது 4.5 மடங்கு. அதே பதிவு, ட்ரில்லியத்தை விட வாட்டுக்கு இரு மடங்கு செயல்திறனையும், கூகுளின் 2018 முதல் கிளவுட் TPU வை விட ஏறக்குறைய 30 மடங்கு திறனையும் கூறுகிறது; அளவீடு என்பது வெப்ப வடிவமைப்பு மின்திறனின் ஒரு வாட்டுக்கான உச்ச FP8 ஃப்ளாப்கள் என்று ஒரு வரைபடக் குறிப்பு சொல்கிறது. Hot Chips இல் கூறப்பட்ட அதே 2 மடங்கு கூற்று, அதே எண் வடிவத்தில் அளக்கப்பட்டதா என்பது தெளிவாக இல்லை என்று ServeTheHome எழுதியது.
42.5 எக்ஸாஃப்ளாப் பாடை, 1.7 எக்ஸாஃப்ளாப் என்று அது பட்டியலிடும் எல் கேபிடனுடனும் ஏப்ரல் பதிவு ஒப்பிடுகிறது. 2025 ஜூன் TOP500 பட்டியலில் அந்த இயந்திரத்தை High-Performance Linpack சோதனையில் 1.742 எக்ஸாஃப்ளாப் என்றும், தனியான கலப்புத் துல்லியச் சோதனையில் 16.7 எக்ஸாஃப்ளாப் என்றும் லாரன்ஸ் லிவர்மோர் தேசிய ஆய்வகம் தெரிவிக்கிறது. ஒன்று FP8 இல் கோட்பாட்டு உச்சம், மற்றொன்று அளக்கப்பட்ட அளவுகோல்; எனவே அவை வெவ்வேறு கேள்விகளுக்குப் பதில் அளிக்கின்றன.
அயர்ன்வுட்டுக்குப் பிறகு
தலைமைத் தொழில்நுட்ப அலுவலர் அமின் வஹ்டாட் எழுதிய கூகுளின் 2026 நவம்பர் 9 பதிவு, இப்போது எட்டு தலைமுறை TPU கள் உள்ளன என்றும், பயிற்சிக்கான 8t, பகுத்தறிவுக்கான 8i ஆகிய இரண்டு எட்டாம் தலைமுறைச் சில்லுகள் 2026 ஏப்ரலில் Cloud Next இல் அறிமுகமாயின என்றும் கூறுகிறது. முந்தைய தலைமுறையை விட 2.7 மடங்கு வரை சிறந்த பயிற்சித் திறனையும், 80 சதவீதம் சிறந்த அனுமான விலை-செயல்திறனையும் அது மேற்கோள் காட்டுகிறது; இரண்டும் கூகுளின் எண்கள். அதே பதிவு, ரகசிய அனுமானத்துக்கான TPU 8tx ஐயும், 8i இன் கணிப்பு, SRAM, நினைவக அலைவரிசை ஆகியவற்றை இரட்டிப்பாகக் கொண்டு இரண்டு 8i சில்லுகளை ஒரே தொகுப்பில் வைக்கும் TPU 8i Max ஐயும் சேர்க்கிறது; ஓராண்டில் நான்கு TPU அமைப்புகளை அறிமுகப்படுத்தியுள்ளதாகவும் கூறுகிறது. TPU வணிகத்துக்கு ஏறக்குறைய 100 வாடிக்கையாளர்கள் இருப்பதாக அது விவரிக்கிறது. அந்த நான்கில் எதற்கும் சில்லு அளவிலான விவரக்குறிப்பை அது தரவில்லை; எனவே இங்கே அவை அயர்ன்வுட்டுடன் ஒப்பிடப்படவில்லை.
ஆதாரங்களும் மேலும் வாசிக்கவும்
- Google Cloud documentation: TPU7x (Ironwood), last updated 11 November 2026
- Google Cloud documentation: TPU regions and zones
- Google Cloud documentation: Cloud TPU release notes
- Google: Ironwood, the first Google TPU for the age of inference (9 April 2025)
- Google Cloud blog: Ironwood TPUs and new Axion-based VMs for your AI workloads (6 November 2025)
- Google Cloud blog: Our newest TPUs, 8tx and 8i Max, built for the agentic era (9 November 2026)
- Hot Chips 2025: Ironwood, Delivering Best in Class perf, perf/TCO and perf/Watt for Reasoning Model Training and Serving (Google slides, 26 August 2025)
- Anthropic: Expanding our use of Google Cloud TPUs and Services (23 October 2025)
- Google DeepMind authors: How to Scale Your Model, Part 2, How to Think About TPUs
- ServeTheHome: Google Ironwood TPU Swings for Reasoning Model Leadership at Hot Chips 2025 (26 August 2025)
- Lawrence Livermore National Laboratory: El Capitan reigns supreme across three major supercomputing benchmarks (16 June 2025)
- PIB Backgrounder: Democratising AI in India (10 February 2026)
இந்தக் கட்டுரை AI கருவிகளின் உதவியுடன் ஆராயப்பட்டு எழுதப்பட்டு, துல்லியத்திற்காகத் திருத்தப்பட்டது. இது பொதுத் தகவலுக்கும் விவாதத்திற்கும் மட்டுமே, தொழில்முறை ஆலோசனை அல்ல. எங்கள் ஆசிரியர் தரநிலைகள் மற்றும் பொறுப்புத் துறப்பு ஐப் பார்க்கவும். பிழை கண்டீர்களா? எங்களிடம் சொல்லுங்கள்.
பிடித்ததா? அடுத்ததைப் பெறுங்கள்.
ஒரு நேரத்தில் ஒரு நல்ல கட்டுரை, நேரடியாக உங்கள் இன்பாக்ஸுக்கு. ஸ்பேம் இல்லை, எப்போது வேண்டுமானாலும் நிறுத்தலாம்.