Google skal ha bedt AMD bygge CPU-kjerner inn i neste TPU – et varselsignal for agentisk KI

Det har lenge vært vanlig å tenke på KI-maskinvare som et kappløp om stadig kraftigere GPU-er og matriseakseleratorer. Men når KI-modeller skal opptre som agenter – hente data, bruke verktøy, kjøre kode og ta mange små beslutninger etter hverandre – blir bildet mer sammensatt.

Nettopp derfor vekker nye rykter om Googles neste Tensor Processing Unit, TPU v10, oppsikt. SemiAnalysis har meldt om «markedsprat» om at Google samarbeider med AMD om et TPU-prosjekt i v10-generasjonen . Dersom opplysningene stemmer, kan AMD for første gang få en større rolle i et spesialutviklet KI-ASIC-prosjekt – og Google kan være på vei mot en brikke som kombinerer Googles egen KI-akselerator med CPU-kjerner på samme pakke .

Hva skal Google og AMD angivelig utvikle?

Ifølge rapportene undersøker Google en hybrid KI-ASIC der AMDs CPU-kjerner kan plasseres på samme brikkepakke som Googles proprietære akseleratorteknologi . AMDs avanserte kapslingsteknologi og 3D-integrasjon, blant annet SoIC, skal også være en mulig del av selskapets bidrag .

Det er imidlertid viktig å skille mellom det som er rapportert, og det som er bekreftet. Google og AMD har ikke offentlig bekreftet samarbeidet. Prosjektet kan være en bestemt variant av TPU v10, et eksperimentelt utviklingsspor eller et forsøk på å spre leverandørrisiko – ikke nødvendigvis en fullstendig endring av Googles eksisterende TPU-strategi .

Broadcom er fortsatt Googles langsiktige partner for samutvikling av TPU-er. Selskapene inngikk i mars 2026 en offentlig kjent femårig samarbeidsavtale som dekker generasjonene v8 til v11 . For Ironwood-generasjonen, også omtalt som TPU v7x, skal MediaTek håndtere I/O og koordinering mot produksjonen .

Google skal dessuten vurdere Samsung Foundry som produksjonspartner for enkelte komponenter i v10-generasjonen, med kodenavnet «Ice Fish», for å redusere avhengigheten av TSMC . Selskapet har også vært i sluttfasen av samtaler med Marvell om andre spesialutviklede KI-brikker . Broadcoms CoWoS-produksjon for Ironwood skal samtidig ha blitt justert ned med rundt 32 000 wafere .

Hvorfor trenger agentisk KI mer CPU-kraft?

For tradisjonell, batchbasert inferens er GPU-en vanligvis hovedmotoren: En forespørsel sendes inn, GPU-en kjører modellen, og svaret kommer ut . En KI-agent arbeider annerledes.

En agent kan måtte:

• planlegge neste steg
• kalle et eksternt verktøy eller API
• hente og tolke resultatet
• kjøre kode i en sandkasse
• samhandle med et miljø
• sende ny informasjon tilbake til modellen
• vurdere om oppgaven faktisk er løst

Mye av dette er kontrollflyt, koordinering og generell databehandling – oppgaver som i stor grad utføres av CPU-en, ikke GPU-en . En akademisk studie fant at verktøydominerte agentiske KI-arbeidslaster kan bli kraftig begrenset av CPU-basert verktøybehandling, som sto for opptil 88 prosent av den totale ende-til-ende-forsinkelsen . En separat analyse anslår andelen til så mye som 90,6 prosent i enkelte oppsett .

Det betyr ikke at GPU-en blir overflødig. Selve modellkjøringen og den tunge matriseberegningen kan fortsatt være GPU-dominert. Poenget er at systemet rundt modellen vokser i betydning – og at en svak eller fjern CPU kan bli flaskehalsen mellom hvert steg.

CPU–GPU-forholdet er i ferd med å endre seg

I treningsklynger er forholdet mellom CPU-er og GPU-er omtrent én CPU per sju eller åtte GPU-er . Når arbeidslastene går over til inferens, beveger forholdet seg mot én til tre eller én til fire . Intel opplyste i forbindelse med resultatene for første kvartal 2026 at enkelte kunder allerede kjører fire CPU-er per GPU i agentiske distribusjoner – i praksis et forhold på 1:1 i bestemte klynger .

Morgan Stanley anslår at denne utviklingen kan gi 32,5–60 milliarder dollar i ekstra vekst i CPU-markedet innen 2030 . AMD har på sin side argumentert for at agentisk KI ikke er én enkelt, GPU-sentrert inferensjobb, men en heterogen arbeidsflyt med ulike behov i ulike faser .

Orkestrering, planlegging, verktøykall og sandkassekjøring trenger mange CPU-kjerner og høy trådtetthet. Modellens resonnering kan fortsatt trenge en akselerator med høy minnebåndbredde. En effektiv KI-server må derfor fordele arbeidet mellom flere typer databehandling.

Forsterkende læring gjør koblingen enda tettere

Forsterkende læring, særlig når den brukes til å trene agentiske modeller, består av gjentatte løkker:

1. Modellen utfører en handling.
2. Et miljø eller en sandkasse simulerer konsekvensen.
3. Systemet beregner en belønning.
4. Politikken oppdateres.
5. Prosessen gjentas.

Simulering, kontroll av regler, belønningsberegning og koordinering legger betydelig arbeid på CPU-siden. Disse oppgavene passer ikke alltid effektivt inn i en rendyrket matriseakselerator.

Nvidias Vera-plattform, med et 88-kjerners Olympus-design, og Intels Xeon 6+ blir begge posisjonert mot mønstre med tette forsterkende læringssløyfer og høy grad av orkestrering . Utviklingen peker mot en bredere bransjeerkjennelse: Fremtidens KI-akseleratorer blir neppe bare store motorer for matriseberegning.

Hva kan en hybrid TPU faktisk endre?

Dersom CPU-kjernene integreres direkte i TPU-pakken, kan Google redusere behovet for at agentiske kontrollsløyfer må gå via en separat CPU-forbindelse som PCIe. Det kan gi lavere forsinkelse og bedre samspill mellom stegene «verktøykall → miljøsteg → oppdatering av politikk».

Det er likevel ikke det samme som at all databehandling skjer på én fysisk silisiumbrikke. «På pakken» kan innebære flere brikker eller chiplets som er tett koblet i samme kapsling. Hovedideen er den korte avstanden og den høye båndbredden mellom beregningstypene – ikke nødvendigvis én monolittisk brikke.

En slik konstruksjon vil være et eksempel på det som ofte kalles et heterogent system-i-pakke-design: CPU, KI-akselerator, minne og I/O kombineres etter hva arbeidslasten faktisk trenger.

De større konsekvensene

Område	Hva utviklingen kan bety
Brikkearkitektur	KI-ASIC-er beveger seg fra rendyrkede matriseakseleratorer mot hybride CPU- og akseleratorbaserte chiplet-design.
Arbeidslaster	Agentisk KI og forsterkende læring har mer forgrening, verktøybruk og koordinering enn tett modelltrening. De trenger derfor CPU-kjerner – ikke bare flere GPU-operasjoner.
Leverandørkjede	Google ser ut til å spre TPU- og KI-brikkesamarbeid mellom Broadcom, MediaTek, Marvell og muligvis AMD, samtidig som selskapet får tilgang til mer spesialisert teknologi.
Konkurranse	En AMD-inngang i spesialtilpassede KI-ASIC-er vil gi selskapet et nytt fotfeste. Nvidia møter samtidig press både fra GPU-konkurrenter og fra en mulig dreining mot hybride akseleratorer.

Konklusjonen: KI-brikken må følge arbeidsflyten

Ryktene om CPU-kjerner i Googles TPU v10 handler derfor om mer enn en enkelt leverandøravtale. De peker mot en endring i hva en KI-brikke skal optimaliseres for.

En tradisjonell akselerator er svært god på én stor matriseoperasjon. En agentisk KI-tjeneste må derimot håndtere tusenvis av små beslutninger, kall, miljøsteg og kontrolloperasjoner. Brikken som skal kjøre denne løkken mange ganger i sekundet, må bygges annerledes enn brikken som bare skal utføre én massiv beregning.

Hvis markedsryktene fra SemiAnalysis viser seg å stemme, kan Google og AMD være i ferd med å bygge nettopp en slik hybrid. Men inntil selskapene sier mer, er TPU v10-samarbeidet fortsatt ubekreftet.