Designpartner: MediaTeks voksende rolle

MediaTek har sikret sig en eksklusiv ordre på Triggerfish-chippen . Ordren har en ~30 % højere enhedspris end den basale Humufish-chip , hvilket signalerer et tættere samarbejde, der går ud over simpel komponentforsyning. Kuo bemærker, at dette yderligere bekræfter MediaTek som Googles førsteprioritetspartner for hele TPU v9-generationen, hvilket indikerer, at MediaTek håndterer mere arkitektur- og integrationsarbejde – et skift hen imod systemniveaudesignsamarbejde .

Vigtigste tekniske opgraderinger

Triggerfish foretager tre primære arkitektoniske ændringer sammenlignet med den nuværende Humufish TPU v9:

• On-chip SRAM: Øget med 2–3 gange. Dette gør det muligt for en større del af en AI-agents eller RL-models aktive arbejdssæt at forblive på chippen lokalt, hvilket reducerer behovet for at hente data fra langsommere hukommelse uden for chippen. Resultatet er lavere dataflytningsomkostninger og forbedret effektivitet under ultralav-latency-dekodning .
• Off-chip DRAM: Opgraderet fra HBM4 til næste generations HBM4E. Dette giver højere hukommelsesbåndbredde til inferens i stor skala .
• Ny simuleringsdie: En dedikeret analog/simuleringsdie er tilføjet specifikt til RL- og agent-arbejdsbelastninger. Mulige funktioner inkluderer lokal TPU-styring, skift mellem trænings-/inferenstilstand og reinforcement learning med AI-agent-samarbejde .

Disse ændringer sigter direkte mod de såkaldte "CPU-wall" og "memory wall" flaskehalse, der er almindelige i AI ASIC'er .

Målrettet mod AI-agenter og reinforcement learning

Triggerfish er eksplicit designet til den næste bølge af AI-arbejdsbelastninger: AI-agenter og reinforcement learning .

• Større SRAM betyder, at mere af en agents aktive tilstand – den arbejdshukommelse, der er nødvendig for flertrinsræsonnement – kan forblive på chippen, hvilket dramatisk reducerer latency.
• Den nye simuleringsdie er en hardwareaccelerator optimeret til de trial-and-error-læringsløkker, der definerer RL- og agentbaserede systemer.
• HBM4E-hukommelse sikrer, at når data skal forlade chippen, kan det bevæge sig med den højest mulige båndbredde.

Dette fokus er i tråd med Googles bredere AI-strategi. Som det fremgår af Googles egen dokumentation: "Skiftet til Agentic AI kræver infrastruktur, der er i stand til flertrinsræsonnement og kontinuerlig reinforcement learning." TPU'er er designet til at "bryde inferensens 'memory wall' ved at være vært for massive KV-caches helt på silicium, ved hjælp af udvidet on-chip SRAM" .

Produktionstidslinje og -mængder

Ifølge Kuos forsyningskædeanalyse:

Disse mængder er relativt beskedne sammenlignet med den basale TPU v9, hvilket afspejler Triggerfishs position som en målrettet opgradering til specifikke, højværdi-inferensarbejdsbelastninger snarere end en masse-markedserstatning.

Hvordan Triggerfish passer ind i Googles strategi vs. Nvidia

Triggerfish er en del af Googles langvarige strategi om at udvikle interne specialfremstillede chips (TPU'er) for at reducere afhængigheden af Nvidia GPU'er til AI-arbejdsbelastninger .

Ved at opgradere TPU v9 i stedet for at vente på en fuld v10, kan Google hurtigere iterere på inferensspecifikke forbedringer til nye arbejdsbelastninger som AI-agenter og RL – områder, hvor Nvidias generelle GPU'er kan være overkonstruerede til ren inferens .

Chippen er designet til "effektiv compute-maksimering" – at holde aktive data på chippen for at sænke omkostninger og latency, og dermed direkte konkurrere på totale inferensomkostninger mod Nvidias H100/B200-klasse hardware .

Vigtige forbehold

Alle detaljer stammer fra en enkelt analytikeranalyse (Ming-Chi Kuo, TF International Securities, 22. juni 2026). Google har ikke bekræftet Triggerfish-kodenavnet, specifikationerne eller tidslinjen. Priser, mængder og partner-eksklusivitet er ikke blevet bekræftet af de involverede virksomheder. Indtil Google kommer med en officiel meddelelse, bør disse oplysninger behandles som en troværdig, men ubekræftet industrirapport.

Designpartner: MediaTeks voksende rolle

MediaTek har sikret sig en eksklusiv ordre på Triggerfish-chippen . Ordren har en ~30 % højere enhedspris end den basale Humufish-chip , hvilket signalerer et tættere samarbejde, der går ud over simpel komponentforsyning. Kuo bemærker, at dette yderligere bekræfter MediaTek som Googles førsteprioritetspartner for hele TPU v9-generationen, hvilket indikerer, at MediaTek håndterer mere arkitektur- og integrationsarbejde – et skift hen imod systemniveaudesignsamarbejde .

Vigtigste tekniske opgraderinger

Triggerfish foretager tre primære arkitektoniske ændringer sammenlignet med den nuværende Humufish TPU v9:

• On-chip SRAM: Øget med 2–3 gange. Dette gør det muligt for en større del af en AI-agents eller RL-models aktive arbejdssæt at forblive på chippen lokalt, hvilket reducerer behovet for at hente data fra langsommere hukommelse uden for chippen. Resultatet er lavere dataflytningsomkostninger og forbedret effektivitet under ultralav-latency-dekodning .
• Off-chip DRAM: Opgraderet fra HBM4 til næste generations HBM4E. Dette giver højere hukommelsesbåndbredde til inferens i stor skala .
• Ny simuleringsdie: En dedikeret analog/simuleringsdie er tilføjet specifikt til RL- og agent-arbejdsbelastninger. Mulige funktioner inkluderer lokal TPU-styring, skift mellem trænings-/inferenstilstand og reinforcement learning med AI-agent-samarbejde .

Disse ændringer sigter direkte mod de såkaldte "CPU-wall" og "memory wall" flaskehalse, der er almindelige i AI ASIC'er .

Målrettet mod AI-agenter og reinforcement learning

Triggerfish er eksplicit designet til den næste bølge af AI-arbejdsbelastninger: AI-agenter og reinforcement learning .

• Større SRAM betyder, at mere af en agents aktive tilstand – den arbejdshukommelse, der er nødvendig for flertrinsræsonnement – kan forblive på chippen, hvilket dramatisk reducerer latency.
• Den nye simuleringsdie er en hardwareaccelerator optimeret til de trial-and-error-læringsløkker, der definerer RL- og agentbaserede systemer.
• HBM4E-hukommelse sikrer, at når data skal forlade chippen, kan det bevæge sig med den højest mulige båndbredde.

Dette fokus er i tråd med Googles bredere AI-strategi. Som det fremgår af Googles egen dokumentation: "Skiftet til Agentic AI kræver infrastruktur, der er i stand til flertrinsræsonnement og kontinuerlig reinforcement learning." TPU'er er designet til at "bryde inferensens 'memory wall' ved at være vært for massive KV-caches helt på silicium, ved hjælp af udvidet on-chip SRAM" .

Produktionstidslinje og -mængder

Ifølge Kuos forsyningskædeanalyse:

Disse mængder er relativt beskedne sammenlignet med den basale TPU v9, hvilket afspejler Triggerfishs position som en målrettet opgradering til specifikke, højværdi-inferensarbejdsbelastninger snarere end en masse-markedserstatning.

Hvordan Triggerfish passer ind i Googles strategi vs. Nvidia

Triggerfish er en del af Googles langvarige strategi om at udvikle interne specialfremstillede chips (TPU'er) for at reducere afhængigheden af Nvidia GPU'er til AI-arbejdsbelastninger .

Ved at opgradere TPU v9 i stedet for at vente på en fuld v10, kan Google hurtigere iterere på inferensspecifikke forbedringer til nye arbejdsbelastninger som AI-agenter og RL – områder, hvor Nvidias generelle GPU'er kan være overkonstruerede til ren inferens .

Chippen er designet til "effektiv compute-maksimering" – at holde aktive data på chippen for at sænke omkostninger og latency, og dermed direkte konkurrere på totale inferensomkostninger mod Nvidias H100/B200-klasse hardware .

Vigtige forbehold

Alle detaljer stammer fra en enkelt analytikeranalyse (Ming-Chi Kuo, TF International Securities, 22. juni 2026). Google har ikke bekræftet Triggerfish-kodenavnet, specifikationerne eller tidslinjen. Priser, mængder og partner-eksklusivitet er ikke blevet bekræftet af de involverede virksomheder. Indtil Google kommer med en officiel meddelelse, bør disse oplysninger behandles som en troværdig, men ubekræftet industrirapport.