Designpartner: MediaTek utvider sin rolle

MediaTek har sikret seg en eksklusiv ordre på Triggerfish-brikken . Ordren har en enhetspris som er omtrent 30 prosent høyere enn basisbrikken Humufish . Dette signaliserer et dypere samarbeid som går utover enkel komponentforsyning. Kuo påpeker at dette ytterligere bekrefter MediaTek som Googles førstepartsvalg for hele TPU v9-generasjonen, noe som indikerer at MediaTek håndterer mer arkitektur- og integrasjonsarbeid – et skifte mot systemnivådesignsamarbeid .

Viktige tekniske oppgraderinger

Triggerfish har tre primære arkitektoniske endringer sammenlignet med dagens Humufish TPU v9:

• På-brikke SRAM: Økt med 2–3 ganger. Dette gjør at mer av en AI-agents eller RL-modells aktive arbeidssett kan forbli på brikken lokalt, noe som reduserer behovet for å hente data fra tregere minne utenfor brikken. Resultatet er lavere databevegelseskostnader og forbedret effektivitet under dekoding med ekstremt lav latens .
• Utenfor-brikke DRAM: Oppgradert fra HBM4 til neste generasjons HBM4E. Dette gir høyere minnebåndbredde for inferens i stor skala .
• Ny simuleringsbrikke: En dedikert analog/simuleringsbrikke legges til spesifikt for RL- og agentarbeidsmengder. Mulige funksjoner inkluderer lokal TPU-styring, veksling mellom trening/inferens og forsterkende læring med AI-agent-samarbeid .

Disse endringene adresserer direkte flaskehalsene kjent som «CPU-veggen» og «minneveggen», som er vanlige i AI-ASIC-er .

Målrettet mot AI-agenter og forsterkende læring

Triggerfish er eksplisitt designet for den neste bølgen av AI-arbeidsmengder: AI-agenter og forsterkende læring .

• Større SRAM betyr at mer av en agents aktive tilstand – arbeidsminnet som trengs for flertrinns resonnering – kan bli værende på brikken, noe som dramatisk reduserer latens.
• Den nye simuleringsbrikken er en maskinvareakselerator optimalisert for prøv-og-feil-læringssløyfene som definerer RL og agentbaserte systemer.
• HBM4E-minne sikrer at når data må forlate brikken, kan det bevege seg med høyest mulig båndbredde.

Dette fokuset er i tråd med Googles bredere AI-strategi. Som det fremgår av Googles egen dokumentasjon: «Skiftet til Agentic AI krever infrastruktur som er i stand til flertrinns resonnering og kontinuerlig forsterkende læring.» TPU-er er designet for å «bryte inferensens 'minnevegg' ved å være vert for massive KV-buffer fullstendig på silisium, ved hjelp av utvidet på-brikke SRAM» .

Produksjonstidslinje og volumer

Ifølge Kuos bransjerapport:

Disse volumene er relativt beskjedne sammenlignet med basis-TPU v9, noe som gjenspeiler Triggerfishs posisjon som en målrettet oppgradering for spesifikke, høyverdige inferensarbeidsmengder snarere enn en massemarkedserstatning.

Hvordan Triggerfish passer inn i Googles strategi mot Nvidia

Triggerfish er en del av Googles langvarige strategi for å utvikle egne tilpassede brikker (TPU-er) for å redusere avhengigheten av Nvidia-GPU-er for AI-arbeidsmengder .

Ved å oppgradere TPU v9 i stedet for å vente på en full v10, kan Google iterere raskere på inferensspesifikke forbedringer for nye arbeidsmengder som AI-agenter og RL – områder der Nvidias generelle GPU-er kan være overkonstruert for ren inferens .

Brikken er designet for «maksimering av effektiv datakraft» – å holde aktive data på brikken for å senke kostnad og latens, og konkurrere direkte på total inferenskostnad mot Nvidias H100/B200-klasse maskinvare .

Viktige forbehold

Alle detaljer stammer fra en enkelt analytikerrapport (Ming-Chi Kuo, TF International Securities, 22. juni 2026). Google har ikke bekreftet Triggerfish-kodenavnet, spesifikasjonene eller tidslinjen. Priser, volumer og eksklusivitet for partnere er ikke verifisert av de involverte selskapene. Inntil Google kommer med en offisiell kunngjøring, bør denne informasjonen behandles som en troverdig, men ubekreftet bransjerapport.

Designpartner: MediaTek utvider sin rolle

MediaTek har sikret seg en eksklusiv ordre på Triggerfish-brikken . Ordren har en enhetspris som er omtrent 30 prosent høyere enn basisbrikken Humufish . Dette signaliserer et dypere samarbeid som går utover enkel komponentforsyning. Kuo påpeker at dette ytterligere bekrefter MediaTek som Googles førstepartsvalg for hele TPU v9-generasjonen, noe som indikerer at MediaTek håndterer mer arkitektur- og integrasjonsarbeid – et skifte mot systemnivådesignsamarbeid .

Viktige tekniske oppgraderinger

Triggerfish har tre primære arkitektoniske endringer sammenlignet med dagens Humufish TPU v9:

• På-brikke SRAM: Økt med 2–3 ganger. Dette gjør at mer av en AI-agents eller RL-modells aktive arbeidssett kan forbli på brikken lokalt, noe som reduserer behovet for å hente data fra tregere minne utenfor brikken. Resultatet er lavere databevegelseskostnader og forbedret effektivitet under dekoding med ekstremt lav latens .
• Utenfor-brikke DRAM: Oppgradert fra HBM4 til neste generasjons HBM4E. Dette gir høyere minnebåndbredde for inferens i stor skala .
• Ny simuleringsbrikke: En dedikert analog/simuleringsbrikke legges til spesifikt for RL- og agentarbeidsmengder. Mulige funksjoner inkluderer lokal TPU-styring, veksling mellom trening/inferens og forsterkende læring med AI-agent-samarbeid .

Disse endringene adresserer direkte flaskehalsene kjent som «CPU-veggen» og «minneveggen», som er vanlige i AI-ASIC-er .

Målrettet mot AI-agenter og forsterkende læring

Triggerfish er eksplisitt designet for den neste bølgen av AI-arbeidsmengder: AI-agenter og forsterkende læring .

• Større SRAM betyr at mer av en agents aktive tilstand – arbeidsminnet som trengs for flertrinns resonnering – kan bli værende på brikken, noe som dramatisk reduserer latens.
• Den nye simuleringsbrikken er en maskinvareakselerator optimalisert for prøv-og-feil-læringssløyfene som definerer RL og agentbaserte systemer.
• HBM4E-minne sikrer at når data må forlate brikken, kan det bevege seg med høyest mulig båndbredde.

Dette fokuset er i tråd med Googles bredere AI-strategi. Som det fremgår av Googles egen dokumentasjon: «Skiftet til Agentic AI krever infrastruktur som er i stand til flertrinns resonnering og kontinuerlig forsterkende læring.» TPU-er er designet for å «bryte inferensens 'minnevegg' ved å være vert for massive KV-buffer fullstendig på silisium, ved hjelp av utvidet på-brikke SRAM» .

Produksjonstidslinje og volumer

Ifølge Kuos bransjerapport:

Disse volumene er relativt beskjedne sammenlignet med basis-TPU v9, noe som gjenspeiler Triggerfishs posisjon som en målrettet oppgradering for spesifikke, høyverdige inferensarbeidsmengder snarere enn en massemarkedserstatning.

Hvordan Triggerfish passer inn i Googles strategi mot Nvidia

Triggerfish er en del av Googles langvarige strategi for å utvikle egne tilpassede brikker (TPU-er) for å redusere avhengigheten av Nvidia-GPU-er for AI-arbeidsmengder .

Ved å oppgradere TPU v9 i stedet for å vente på en full v10, kan Google iterere raskere på inferensspesifikke forbedringer for nye arbeidsmengder som AI-agenter og RL – områder der Nvidias generelle GPU-er kan være overkonstruert for ren inferens .

Brikken er designet for «maksimering av effektiv datakraft» – å holde aktive data på brikken for å senke kostnad og latens, og konkurrere direkte på total inferenskostnad mot Nvidias H100/B200-klasse maskinvare .

Viktige forbehold

Alle detaljer stammer fra en enkelt analytikerrapport (Ming-Chi Kuo, TF International Securities, 22. juni 2026). Google har ikke bekreftet Triggerfish-kodenavnet, spesifikasjonene eller tidslinjen. Priser, volumer og eksklusivitet for partnere er ikke verifisert av de involverte selskapene. Inntil Google kommer med en offisiell kunngjøring, bør denne informasjonen behandles som en troverdig, men ubekreftet bransjerapport.