Google „Triggerfish“: Das TPU-v9-Upgrade für KI-Agenten und Reinforcement Learning

Google treibt seine Strategie für eigene KI-Hardware weiter voran: Einem Branchenbericht zufolge plant der Konzern ein Upgrade seines TPU-v9-Chips. Die überarbeitete Version trägt den Codenamen „Triggerfish“ – eine Anspielung auf die Fisch-Namenskonvention von Googles TPU-Familie – und zielt gezielt auf die wachsenden Anforderungen von KI-Agenten und Reinforcement Learning (RL) ab.

Wichtiger Hinweis: Die gesamte hier zusammengefasste Information stammt aus einer einzigen Lieferkettenanalyse des TF-International-Securities-Analysten Ming-Chi Kuo, veröffentlicht am 22. Juni 2026 . Google hat den Codenamen „Triggerfish“, die technischen Daten oder den Zeitplan bisher weder bestätigt noch dementiert. Es handelt sich um einen glaubwürdigen, aber offiziell unbestätigten Branchenbericht.

Was ist Triggerfish?

Triggerfish ist kein vollwertiger TPU-Nachfolger (v10), sondern eine gezielte Revision des bestehenden TPU v9 auf Basis der Humufish-Plattform. Die Positionierung ist die eines v9-Ablegers mit deutlich gesteigerter Inferenzleistung .

Designpartner MediaTek übernimmt System-Level-Rolle

MediaTek hat einem Bericht zufolge den Exklusivauftrag für den Triggerfish-Chip erhalten . Der Stückpreis liegt demnach rund 30 % über dem des Humufish-Basismodells . Das unterstreicht eine deutlich erweiterte Zusammenarbeit: Statt nur Komponenten zu liefern, übernimmt MediaTek offenbar mehr architektonische und Integrationsarbeit – ein Schritt hin zur systemnahen Design-Partnerschaft . Kuo sieht MediaTek damit als ersten Ansprechpartner für die gesamte TPU-v9-Generation bestätigt.

Drei zentrale technische Neuerungen

Triggerfish setzt auf drei primäre Architekturänderungen gegenüber dem aktuellen Humufish-TPU-v9:

• On-Chip-SRAM: Die Kapazität wird auf das 2- bis 3-Fache erhöht . Das ermöglicht es, den aktiven Arbeitszustand eines KI-Agenten oder RL-Modells direkt auf dem Chip zu behalten – Daten müssen seltener von langsamerem externen Speicher geholt werden. Die Folge: niedrigere Datenbewegungskosten und höhere Effizienz bei der extrem latenzarmen Dekodierung .
• Off-Chip-DRAM: Der Arbeitsspeicher wird von HBM4 auf HBM4E (die nächste Generation von Hochbandbreitenspeicher) aufgerüstet . Das bringt mehr Speicherbandbreite für Inference-Aufgaben im großen Stil.
• Neuer Simulation-Die: Ein eigener Analog- bzw. Simulations-Die wird speziell für Reinforcement Learning und KI-Agenten-Workloads eingeführt . Mögliche Funktionen: lokales TPU-Management, Umschalten zwischen Training und Inferenz und die Kollaboration von RL-Modellen mit KI-Agenten.

Diese Änderungen zielen direkt auf die typischen Engpässe von KI-ASICs ab: die sogenannte „CPU-Wall“ und die „Memory-Wall“ .

KI-Agenten und RL als treibende Kräfte

Triggerfish ist explizit für die nächste Welle von KI-Anwendungen konzipiert: KI-Agenten und Reinforcement Learning .

• Der größere SRAM sorgt dafür, dass der aktive Zustand eines Agenten – das Arbeitsgedächtnis für mehrschrittige logische Schlüsse – direkt auf dem Chip bleibt. Das reduziert Latenzen drastisch.
• Der neue Simulation-Die fungiert als Hardware-Beschleuniger für die Trial-and-Error-Lernprozesse, die RL und agentenbasierte Systeme ausmachen.
• HBM4E-Speicher stellt sicher, dass Daten, die den Chip verlassen müssen, mit maximal möglicher Bandbreite bewegt werden.

Diese Ausrichtung deckt sich mit Googles übergeordneter KI-Strategie. In der Google-Cloud-Dokumentation heißt es: „Der Wandel hin zu Agentic AI erfordert eine Infrastruktur, die mehrschrittige logische Schlüsse und kontinuierliches Reinforcement Learning ermöglicht. TPUs durchbrechen die Memory-Wall der Inferenz, indem sie massiv große KV-Caches vollständig auf dem Chip hosten und erweiterten On-Chip-SRAM nutzen“ .

Produktionszeitplan und Stückzahlen

Kuos Lieferkettenanalyse nennt folgende Meilensteine:

Meilenstein	Schätzung
Produktionsstart	Ende 2027 (2. Hälfte 2027)
Hochlauf der Stückzahlen	2028
Gesamtauslieferung (Triggerfish)	100–200 Millionen Einheiten (zusätzlich zu 400–500 Millionen Humufish-Einheiten)

Diese Volumina sind im Vergleich zum Basismodell TPU v9 relativ bescheiden. Das spiegelt Triggerfishs Rolle als gezieltes Upgrade für spezifische, hochwertige Inferenz-Workloads wider – kein Breitbandersatz für den Massenmarkt.

Googles Strategie: Eigene Chips gegen Nvidias Dominanz

Triggerfish ist Teil von Googles langjähriger Strategie, mit eigenen kundenspezifischen TPUs die Abhängigkeit von Nvidia-GPUs für KI-Workloads zu reduzieren .

Indem Google das TPU v9 aufrüstet, anstatt auf ein vollständiges v10 zu warten, kann es schneller auf Inferenz-spezifische Verbesserungen für neuartige Workloads wie KI-Agenten und RL reagieren – Bereiche, in denen Nvidias Universal-GPUs für reine Inferenzaufgaben möglicherweise überdimensioniert sind .

Der Chip ist auf Maximierung der effektiven Rechenleistung ausgelegt: Aktive Daten bleiben auf dem Chip, um Kosten und Latenz zu senken. Damit tritt Google direkt gegen die Gesamtkosten der Inferenz von Nvidias H100/B200-Klasse an .