Google Triggerfish AI-chip: Alles wat we weten over de TPU v9-upgrade met MediaTek

Belangrijkste technische upgrades

Triggerfish kent drie primaire architectuurwijzigingen ten opzichte van de huidige Humufish TPU v9:

• On-chip SRAM: 2 tot 3 keer groter. Hierdoor kan een groter deel van de actieve werklast van een AI-agent of RL-model lokaal op de chip blijven, waardoor er minder data van langzamer off-chip geheugen hoeft te worden gehaald. Dit leidt tot lagere datatransportkosten en een hogere efficiëntie tijdens het decoderen met extreem lage latentie .
• Off-chip DRAM: Opgewaardeerd van HBM4 naar de nieuwste HBM4E-norm. Dit zorgt voor een hogere geheugenbandbreedte voor inferentie op grote schaal .
• Nieuwe simulatie-die: Er wordt een speciale analoge/simulatie-die toegevoegd, specifiek voor RL- en agent-werkbelastingen. Mogelijke functies zijn lokaal TPU-beheer, het schakelen tussen trainen en inferentie, en reinforcement learning in samenwerking met AI-agents .

Deze veranderingen zijn een directe reactie op de "CPU-wall"- en "memory-wall"-knelpunten die veel voorkomen bij AI ASICs .

Gericht op AI-agents en reinforcement learning

Triggerfish is expliciet ontworpen voor de volgende golf van AI-werkbelastingen: AI-agents en reinforcement learning .

• Grotere SRAM betekent dat een groter deel van de actieve status van een agent (het werkgeheugen dat nodig is voor meerstapsredeneringen) op de chip kan blijven, wat de latentie drastisch verkort.
• De nieuwe simulatie-die is een hardwareversneller die is geoptimaliseerd voor de trial-and-error-leerlussen die kenmerkend zijn voor RL en agentgebaseerde systemen.
• HBM4E-geheugen zorgt ervoor dat wanneer data de chip toch moeten verlaten, dit met de hoogst mogelijke bandbreedte kan.

Deze focus sluit aan bij Google's bredere AI-strategie. Zoals Google Cloud in eigen documentatie stelt: "De verschuiving naar Agentic AI vereist infrastructuur die in staat is tot meerstapsredeneringen en continue reinforcement learning." TPU's zijn ontworpen "om de inferentie-'memory wall' te doorbreken door enorme KV-caches volledig op de chip te plaatsen, gebruikmakend van uitgebreide on-chip SRAM" .

Productietijdlijn en volumes

Volgens Kuo's supply-chain-onderzoek:

Deze volumes zijn relatief bescheiden in vergelijking met de basis-TPU v9. Dit weerspiegelt de positie van Triggerfish als een gerichte upgrade voor specifieke, hoogwaardige inferentie-werkbelastingen, en niet als een massamarktvervanger.

Hoe Triggerfish past in Google's strategie vs. Nvidia

Triggerfish is onderdeel van Google's langlopende strategie om eigen custom silicon (TPU's) te ontwikkelen en zo de afhankelijkheid van Nvidia GPU's voor AI-werkbelastingen te verminderen .

Door TPU v9 te upgraden in plaats van te wachten op een volledige v10, kan Google sneller itereren op inferentie-specifieke verbeteringen voor opkomende werkbelastingen zoals AI-agents en RL. Dit zijn gebieden waar Nvidia's general-purpose GPU's mogelijk overontworpen zijn voor pure inferentie .

De chip is ontworpen voor "effective compute maximization" – het actief houden van data op de chip om kosten en latentie te verlagen. Hiermee concurreert Google direct op de totale kosten van inferentie met Nvidia's H100/B200-klasse hardware .

Belangrijke kanttekeningen

Alle details zijn afkomstig uit één enkel analistenonderzoek (Ming-Chi Kuo, TF International Securities, 22 juni 2026). Google heeft de codenaam Triggerfish, de specificaties of de tijdlijn niet bevestigd. Prijzen, volumes en partner-exclusiviteit zijn niet geverifieerd door de betrokken bedrijven. Tot Google een officiële aankondiging doet, moet deze informatie worden beschouwd als een geloofwaardig maar onbevestigd industriebericht.