Designpartner: MediaTeks växande roll

MediaTek har säkrat en exklusiv order för Triggerfish-kretsen . Ordern har ett cirka 30% högre enhetspris än baskretsen Humufish , vilket signalerar ett djupare samarbete som går utöver enkel komponentleverans. Kuo noterar att detta ytterligare bekräftar MediaTek som Googles förstahandsval för hela TPU v9-generationen, vilket indikerar att MediaTek hanterar mer arkitektur- och integrationsarbete – en förändring mot samarbete på systemnivå .

Viktiga tekniska uppgraderingar

Triggerfish gör tre primära arkitektoniska förändringar jämfört med den nuvarande Humufish TPU v9:

• Inbyggt SRAM: Ökat med 2–3 gånger. Detta gör att mer av en AI-agents eller RL-modells aktiva arbetsuppsättning kan stanna kvar på kretsen lokalt, vilket minskar behovet av att hämta data från långsammare minne utanför kretsen. Resultatet är lägre datarörelsekostnader och förbättrad effektivitet under ultra-låg latens-avkodning .
• Externt DRAM: Uppgraderat från HBM4 till nästa generations HBM4E. Detta ger högre minnesbandbredd för inferens i stor skala .
• Ny simuleringskrets: En dedikerad analog/simuleringskrets läggs till specifikt för RL- och agentarbetsbelastningar. Möjliga funktioner inkluderar lokal TPU-hantering, växling mellan träning/inferens och förstärkningsinlärning med AI-agentsamarbete .

Dessa förändringar riktar sig direkt mot flaskhalsarna "CPU-vägg" och "minnesvägg" som är vanliga i AI-ASIC:ar .

Fokus på AI-agenter och förstärkningsinlärning

Triggerfish är explicit designad för nästa våg av AI-arbetsbelastningar: AI-agenter och förstärkningsinlärning .

• Större SRAM innebär att mer av en agents aktiva tillstånd – arbetsminnet som behövs för flerstegsresonemang – kan stanna kvar på kretsen, vilket dramatiskt minskar latensen.
• Den nya simuleringskretsen är en hårdvaruaccelerator optimerad för de trial-and-error-inlärningsslingor som definierar RL och agentbaserade system.
• HBM4E-minne säkerställer att när data måste lämna kretsen kan den röra sig med högsta möjliga bandbredd.

Detta fokus överensstämmer med Googles bredare AI-strategi. Som noteras i Googles egen dokumentation: "Skiftet till Agentic AI kräver infrastruktur som kan hantera flerstegsresonemang och kontinuerlig förstärkningsinlärning." TPU:er är designade för att "bryta inferensens 'minnesvägg' genom att vara värd för massiva KV-cacher helt på kisel, med hjälp av utökat inbyggt SRAM" .

Produktionstidslinje och volymer

Enligt Kuos leveranskedjeenkät:

Dessa volymer är relativt blygsamma jämfört med bas-TPU v9, vilket speglar Triggerfishs position som en riktad uppgradering för specifika, högvärdiga inferensarbetsbelastningar snarare än en ersättning för massmarknaden.

Hur Triggerfish passar Googles strategi vs. Nvidia

Triggerfish är en del av Googles långvariga strategi att utveckla egen skräddarsydd kisel (TPU:er) för att minska beroendet av Nvidia-GPU:er för AI-arbetsbelastningar .

Genom att uppgradera TPU v9 snarare än att vänta på en fullständig v10 kan Google snabbare iterera på inferensspecifika förbättringar för framväxande arbetsbelastningar som AI-agenter och RL – områden där Nvidias allmänna GPU:er kan vara överkonstruerade för ren inferens .

Kretsen är designad för "effektiv beräkningsmaximering" – att hålla aktiv data på kretsen för att sänka kostnad och latens, och direkt konkurrera med Nvidias H100/B200-klassade hårdvara på total inferenskostnad .

Viktiga varningar

Alla detaljer kommer från en enda analytikerundersökning (Ming-Chi Kuo, TF International Securities, 22 juni 2026). Google har inte bekräftat Triggerfish-kodnamnet, specifikationerna eller tidslinjen. Priser, volymer och partner exklusivitet är fortfarande overifierade av de inblandade företagen. Fram till dess att Google gör ett officiellt tillkännagivande bör denna information behandlas som en trovärdig men obekräftad branschrapport.

Designpartner: MediaTeks växande roll

MediaTek har säkrat en exklusiv order för Triggerfish-kretsen . Ordern har ett cirka 30% högre enhetspris än baskretsen Humufish , vilket signalerar ett djupare samarbete som går utöver enkel komponentleverans. Kuo noterar att detta ytterligare bekräftar MediaTek som Googles förstahandsval för hela TPU v9-generationen, vilket indikerar att MediaTek hanterar mer arkitektur- och integrationsarbete – en förändring mot samarbete på systemnivå .

Viktiga tekniska uppgraderingar

Triggerfish gör tre primära arkitektoniska förändringar jämfört med den nuvarande Humufish TPU v9:

• Inbyggt SRAM: Ökat med 2–3 gånger. Detta gör att mer av en AI-agents eller RL-modells aktiva arbetsuppsättning kan stanna kvar på kretsen lokalt, vilket minskar behovet av att hämta data från långsammare minne utanför kretsen. Resultatet är lägre datarörelsekostnader och förbättrad effektivitet under ultra-låg latens-avkodning .
• Externt DRAM: Uppgraderat från HBM4 till nästa generations HBM4E. Detta ger högre minnesbandbredd för inferens i stor skala .
• Ny simuleringskrets: En dedikerad analog/simuleringskrets läggs till specifikt för RL- och agentarbetsbelastningar. Möjliga funktioner inkluderar lokal TPU-hantering, växling mellan träning/inferens och förstärkningsinlärning med AI-agentsamarbete .

Dessa förändringar riktar sig direkt mot flaskhalsarna "CPU-vägg" och "minnesvägg" som är vanliga i AI-ASIC:ar .

Fokus på AI-agenter och förstärkningsinlärning

Triggerfish är explicit designad för nästa våg av AI-arbetsbelastningar: AI-agenter och förstärkningsinlärning .

• Större SRAM innebär att mer av en agents aktiva tillstånd – arbetsminnet som behövs för flerstegsresonemang – kan stanna kvar på kretsen, vilket dramatiskt minskar latensen.
• Den nya simuleringskretsen är en hårdvaruaccelerator optimerad för de trial-and-error-inlärningsslingor som definierar RL och agentbaserade system.
• HBM4E-minne säkerställer att när data måste lämna kretsen kan den röra sig med högsta möjliga bandbredd.

Detta fokus överensstämmer med Googles bredare AI-strategi. Som noteras i Googles egen dokumentation: "Skiftet till Agentic AI kräver infrastruktur som kan hantera flerstegsresonemang och kontinuerlig förstärkningsinlärning." TPU:er är designade för att "bryta inferensens 'minnesvägg' genom att vara värd för massiva KV-cacher helt på kisel, med hjälp av utökat inbyggt SRAM" .

Produktionstidslinje och volymer

Enligt Kuos leveranskedjeenkät:

Dessa volymer är relativt blygsamma jämfört med bas-TPU v9, vilket speglar Triggerfishs position som en riktad uppgradering för specifika, högvärdiga inferensarbetsbelastningar snarare än en ersättning för massmarknaden.

Hur Triggerfish passar Googles strategi vs. Nvidia

Triggerfish är en del av Googles långvariga strategi att utveckla egen skräddarsydd kisel (TPU:er) för att minska beroendet av Nvidia-GPU:er för AI-arbetsbelastningar .

Genom att uppgradera TPU v9 snarare än att vänta på en fullständig v10 kan Google snabbare iterera på inferensspecifika förbättringar för framväxande arbetsbelastningar som AI-agenter och RL – områden där Nvidias allmänna GPU:er kan vara överkonstruerade för ren inferens .

Kretsen är designad för "effektiv beräkningsmaximering" – att hålla aktiv data på kretsen för att sänka kostnad och latens, och direkt konkurrera med Nvidias H100/B200-klassade hårdvara på total inferenskostnad .

Viktiga varningar

Alla detaljer kommer från en enda analytikerundersökning (Ming-Chi Kuo, TF International Securities, 22 juni 2026). Google har inte bekräftat Triggerfish-kodnamnet, specifikationerna eller tidslinjen. Priser, volymer och partner exklusivitet är fortfarande overifierade av de inblandade företagen. Fram till dess att Google gör ett officiellt tillkännagivande bör denna information behandlas som en trovärdig men obekräftad branschrapport.