Google coraz bardziej upodabnia się do Apple, szczególnie w obszarze modeli Generative AI (GenAI). Ostatnia konferencja Google Cloud Next ukazała ambitną wizję Google. Obejmuje ona innowacje od chipu TPU v7 Ironwood, mającego konkurować z Nvidia GB200, po protokół Agent2Agent (A2A), którego celem jest przewyższenie Anthropic MCP, i środowisko uruchomieniowe Pathways do wdrażania GenAI.
Google aktywnie rozwija również narzędzia takie jak ADK i Agentspace, aby umożliwić programistom tworzenie Agentów AI. Centralnym punktem tych wysiłków jest Vertex AI, platforma Google do natywnego tworzenia i wdrażania AI w chmurze. Vertex AI oferuje teraz różnorodny zestaw usług generowania treści, obejmujący Veo 2 do wideo, Imagen 3 do obrazów, Chirp 3 do audio i Lyria do muzyki. Jest jasne, że Google Cloud pozycjonuje się jako dostawca kompleksowego pakietu aplikacji do rozwoju dużych modeli GenAI dla programistów i użytkowników.
Chociaż faktyczna użyteczność tych usług i doświadczeń pozostaje do zobaczenia, Google stworzył kompletny, multimodalny ekosystem sprzętu i oprogramowania AI, który jest samodzielnie opracowywany, ma zamknięty kod źródłowy i jest łatwo dostępny.
To kompleksowe podejście przedstawia Google jako Apple ery AI.
Potężny konkurent: Ironwood TPU
Ujawnienie chipu TPU siódmej generacji, Ironwood, jest szczególnie godne uwagi.
- Każdy TPU jest wyposażony w 192 GB pamięci HBM o przepustowości od 7,2 do 7,4 TB/s, prawdopodobnie wykorzystując technologię HBM3E. Można to porównać do chipu Nvidia B200, który oferuje przepustowość 8 TB/s.
- Każdy chłodzony cieczą TPU v7 może osiągnąć moc obliczeniową 4,6 Petaflops przy gęstym FP8. Jest to nieco mniej niż 20 Petaflops B200.
- Jednak sieć centrów danych Jupiter firmy Google umożliwia skalowanie do obsługi do 400 000 chipów lub 43 klastrów TPU v7x. Ekspertyza Google w zakresie technologii serwerowych pozwala mu umniejszać znaczenie metryk wydajności pojedynczego chipu.
- Co najważniejsze, Google wprowadził Pathways, dedykowane środowisko uruchomieniowe AI, które zwiększa elastyczność wdrażania modeli GenAI, co dodatkowo umacnia jego przewagę w domenie klastrów usług.
- Ironwood jest dostępny w dwóch konfiguracjach klastrów: 256 chipów lub 9216 chipów, dostosowanych do konkretnych obciążeń. Pojedynczy klaster może osiągnąć moc obliczeniową 42,5 Exaflops. Google twierdzi, że ta wydajność przewyższa największy na świecie superkomputer, El Capitan, o współczynnik 24. Jednak ta wartość jest mierzona z precyzją FP8, a AMD El Capitan jeszcze nie dostarczyło danych dotyczących precyzji FP8. Google to przyznało, co utrudnia bezpośrednie porównanie.
Zamknięty ekosystem GenAI
Google realizuje kompleksowy ekosystem o zamkniętym kodzie źródłowym w dziedzinie GenAI. Chociaż open-source Gemma ma swoje zalety, Google kieruje zasoby na swoje rozwiązania o zamkniętym kodzie źródłowym.
Wraz z rosnącym zainteresowaniem agentami AI, Google ogłosił na konferencji protokół A2A, pozyskując 50 głównych dostawców, aby konkurować z Anthropic MCP.
Podczas gdy OpenAI udostępnił swój Agents SDK, integrując możliwości dużego modelu, Google rozszerza Vertex AI o ADK, Agentspace, AutoML, AIPlatform i Kubeflow, wprowadzając różne możliwości modelu.
Jednak porównując generowanie obrazu GPT-4o z równoważnymi funkcjami Gemini 2.0 Flash, oferty Google, choć ambitne, mogą być niedopracowane. Integracja wielu modeli, usług i narzędzi, choć korzystna dla konkurencji, może wydawać się przedwczesna. Rynek potrzebuje dojrzałych, dobrze zintegrowanych multimodalnych dużych modeli i usług w modelu.
Powielanie modelu Gmail, Chrome i Google w AI
Sukces Google z Gmail, Chrome i podejściem ‘trzyetapowej rakiety’ pozwolił mu zdominować globalny rynek technologiczny. Ta strategia jest szybko wdrażana w dziedzinie GenAI. Jednak w przeciwieństwie do wcześniejszego poparcia dla open source, Google coraz częściej wspiera rozwój o zamkniętym kodzie źródłowym.
Google skutecznie przekształca open source w formę zamkniętego kodu źródłowego, konsolidując swoje zasoby w celu ustanowienia dominującego ekosystemu w określonym obszarze, a następnie pobierając opłaty. Takie podejście spotyka się z coraz większą krytyką ze strony programistów.
Ramki uczenia maszynowego Google o otwartym kodzie źródłowym, TensorFlow i Jax, osiągnęły globalny sukces. Jednak nowe środowisko uruchomieniowe Pathways ma zamknięty kod źródłowy, a nawet izoluje narzędzia programistyczne CUDA firmy Nvidia.
Google kontra Nvidia: walka o dominację w AI
Ponieważ Nvidia promuje Physical AI i wprowadza model ogólny humanoidalnego robota o otwartym kodzie źródłowym Isaac GR00T N1, Google DeepMind wkracza na rynek z Gemini Robotics i Gemini Robotics-ER, opartymi na Gemini 2.0.
Obecnie obecność Google jest ograniczona tylko na rynku komputerów AI dla komputerów stacjonarnych. Jak DGX Spark firmy Nvidia (wcześniej Project DIGITS) i DGX Station, wraz z Apple Mac Studio, będą konkurować z usługami chmurowymi Google? To pytanie stało się centralnym punktem w branży po konferencji.
Zależność Apple od Google Cloud i chipu M3 Ultra
Apple podobno wykorzystuje klastry TPU Google Cloud do trenowania swoich dużych modeli, a nawet porzuca rozwiązania szkoleniowe chipów Nvidia z powodu kosztów! Borykając się ze słabościami oprogramowania, Apple koncentruje się na swoich chipach z serii M. Najnowszy Mac Studio, wyposażony w chip M3 Ultra, oferuje teraz do 512 GB ujednoliconej pamięci. Potencjalne wczesne przyjęcie przez Apple technologii Pathways Google Cloud mogło doprowadzić do jego dostosowania do Google.
Czynnik antymonopolowy
Podstawowy problem dotyczy obaw antymonopolowych. Obecnie model biznesowy Apple jest w wyjątkowej pozycji, aby poruszać się po globalnych procesach antymonopolowych, w przeciwieństwie do Microsoftu i Google, którym grozi potencjalny rozpad. Rozmiar Google naraża go na ryzyko wymuszonego zbycia podstawowego systemu operacyjnego Android i przeglądarki Chrome.
Google niedawno zaprzestał konserwacji projektu Android Open Source Project (AOSP), co sprawia, że przejście w kierunku modelu Apple jest nieuniknione w erze AI. Wraz z pojawianiem się przełomów w AI, strategiczna zmiana Google staje się coraz bardziej widoczna.
Rozszerzenie na Google TPU v7 Ironwood
Dogłębne analizowanie specyfikacji TPU v7 Ironwood ujawnia skrupulatnie zaprojektowany sprzęt. 192 GB pamięci High Bandwidth Memory (HBM) to kluczowy element, umożliwiający szybki dostęp do danych, który jest niezbędny do trenowania i uruchamiania złożonych modeli AI. Prognozowane wykorzystanie technologii HBM3E podkreśla zaangażowanie Google w wykorzystywanie najnowocześniejszych osiągnięć w technologii pamięci. Przepustowość 7,2-7,4 TB/s to nie tylko imponująca liczba; przekłada się bezpośrednio na szybsze czasy przetwarzania i możliwość obsługi większych, bardziej skomplikowanych zestawów danych.
Porównanie z Nvidia B200 jest nieuniknione, biorąc pod uwagę dominację Nvidii na rynku GPU. Chociaż B200 oferuje nieco wyższą przepustowość 8 TB/s, ogólna architektura systemu i integracja w ekosystemie Google to miejsca, w których Ironwood ma się wyróżniać.
Moc obliczeniowa 4,6 Petaflops gęstego FP8 to miara zdolności chipu do wykonywania operacji zmiennoprzecinkowych, które są fundamentalne dla obliczeń AI. Różnica w porównaniu z 20 Petaflops B200 uwydatnia odmienne filozofie projektowania. Google podkreśla skalowalność i integrację swoich TPU w infrastrukturze centrum danych, podczas gdy Nvidia koncentruje się na surowej mocy obliczeniowej na poziomie chipu.
Znaczenie sieci centrum danych Jupiter firmy Google
Sieć centrum danych Jupiter firmy Google jest znaczącym atutem, umożliwiającym bezproblemowe połączenie ogromnej liczby chipów TPU. Możliwość obsługi do 400 000 chipów lub 43 klastrów TPU v7x podkreśla skalę, w jakiej działa Google. Ta skalowalność jest kluczowym wyróżnikiem, ponieważ pozwala Google rozdzielać obciążenia na ogromną infrastrukturę, optymalizując wydajność i efektywność.
Ekspertyza Google w zakresie technologii serwerowych jest kluczowym czynnikiem w jego strategii AI. Priorytetyzując wydajność na poziomie systemu nad specyfikacjami poszczególnych chipów, Google może wykorzystać swoją infrastrukturę do osiągnięcia lepszych wyników. Takie podejście jest szczególnie istotne w kontekście uczenia modeli AI na dużą skalę, gdzie zdolność do rozdzielania obliczeń w sieci połączonych procesorów jest niezbędna.
Ujawnienie środowiska uruchomieniowego Pathways AI
Wprowadzenie Pathways to strategiczny ruch, który zwiększa elastyczność i wydajność wdrażania modeli GenAI. To dedykowane środowisko uruchomieniowe AI umożliwia programistom optymalizację swoich modeli pod kątem infrastruktury Google, wykorzystując w pełni dostępne zasoby sprzętowe i programowe.
Pathways stanowi znaczącą inwestycję w stos oprogramowania AI, zapewniając ujednoliconą platformę do wdrażania i zarządzania modelami AI. Usprawniając proces wdrażania, Google ma na celu obniżenie bariery wejścia dla programistów i zachęcenie do korzystania z jego usług AI. To z kolei napędzi innowacje i stworzy tętniący życiem ekosystem wokół platformy AI Google.
Dogłębny wgląd w strategię Google o zamkniętym kodzie źródłowym
Akceptacja przezGoogle strategii o zamkniętym kodzie źródłowym w dziedzinie GenAI to celowy wybór, który odzwierciedla jego długoterminową wizję dla AI. Chociaż open-source Gemma był cennym wkładem w społeczność AI, Google wyraźnie priorytetowo traktuje swoje rozwiązania o zamkniętym kodzie źródłowym, uznając, że oferują one większą kontrolę i możliwości dostosowywania.
Koncentrując się na rozwoju o zamkniętym kodzie źródłowym, Google może zoptymalizować swoje modele AI i infrastrukturę pod kątem konkretnych zadań, zapewniając maksymalną wydajność i efektywność. Takie podejście pozwala również Google chronić swoją własność intelektualną i utrzymać przewagę konkurencyjną w szybko zmieniającym się krajobrazie AI.
Podejście o zamkniętym kodzie źródłowym nie jest pozbawione krytyków, którzy twierdzą, że tłumi innowacje i ogranicza współpracę. Google utrzymuje jednak, że jest to konieczne, aby zapewnić jakość, bezpieczeństwo i niezawodność swoich usług AI.
Protokół A2A i walka o dominację agenta AI
Pojawienie się agentów AI stworzyło nowe pole bitwy w branży AI, a Google jest zdeterminowany, aby być liderem w tej przestrzeni. Ogłoszenie protokołu A2A na konferencji Google Cloud Next jest wyraźną oznaką ambicji Google.
Pozyskując 50 głównych dostawców do obsługi protokołu A2A, Google próbuje stworzyć ujednolicony standard komunikacji agentów AI. Pozwoliłoby to agentom AI z różnych platform bezproblemowo wchodzić w interakcje, tworząc bardziej połączony i oparty na współpracy ekosystem AI.
Konkurencja z Anthropic MCP jest kluczowym aspektem strategii agenta AI Google. Anthropic to szanowana firma badawcza AI, a jej protokół MCP zyskał popularność w branży. Protokół A2A firmy Google stanowi bezpośrednie wyzwanie dla MCP, a wynik tej konkurencji będzie miał znaczący wpływ na przyszłość agentów AI.
Vertex AI: Kompleksowa platforma rozwoju AI
Vertex AI firmy Google to kompleksowa platforma rozwoju AI, która zapewnia programistom szeroki zakres narzędzi i usług. Integrując ADK, Agentspace, AutoML, AIPlatform i Kubeflow, Google tworzy kompleksowe centrum rozwoju AI.
Vertex AI ma na celu uproszczenie procesu rozwoju AI, ułatwiając programistom budowanie, trenowanie i wdrażanie modeli AI. Platforma zapewnia również dostęp do obszernej biblioteki wstępnie przeszkolonych modeli, umożliwiając programistom szybkie włączenie możliwości AI do swoich aplikacji.
Integracja różnych możliwości modelu jest kluczową zaletą Vertex AI. Oferując różnorodną gamę modeli, Google zaspokaja szeroki zakres przypadków użycia, od rozpoznawania obrazów po przetwarzanie języka naturalnego. To kompleksowe podejście sprawia, że Vertex AI jest atrakcyjnym wyborem dla programistów poszukujących wszechstronnej i potężnej platformy rozwoju AI.
Integracja modelu Google: Ambicja a wykonanie
Chociaż ambicje Google dotyczące integracji wielu modeli, usług i narzędzi są godne pochwały, realizacja może wymagać dalszego udoskonalenia. Rynek domaga się dojrzałych, dobrze zintegrowanych multimodalnych dużych modeli i usług w modelu. Obecne oferty Google, choć obiecujące, mogą wymagać dalszego dopracowania, aby spełnić te oczekiwania.
Integracja różnych możliwości AI jest złożonym przedsięwzięciem, a Google stoi przed wyzwaniem zapewnienia, że jego różne modele i usługi będą bezproblemowo współpracować. Wymaga to dużej dbałości o szczegóły i zaangażowania w ciągłe doskonalenie.
Ostatecznie sukces wysiłków Google w zakresie integracji modeli będzie zależał od jego zdolności do zapewnienia użytkownikom doświadczenia, które jest zarówno potężne, jak i intuicyjne. Będzie to wymagało dogłębnego zrozumienia potrzeb użytkowników i nieustannego skupienia się na jakości.