Googles plan för att bryta Nvidias grepp om AI-chipmarknaden

TeraWulf, som tidigare främst ägnade sig åt bitcoinutvinning, har tecknat tioåriga avtal om datacenterkapacitet med Fluidstack. Avtalen motsvarar omkring 3,7 miljarder dollar i kontrakterade intäkter och kan, om förlängningsoptionerna utnyttjas, uppgå till 8,7 miljarder dollar .

TPU-prognosen på 35 miljoner enheter är omstridd

Google behöver också skala upp produktionen kraftigt om TPU:erna ska få en större roll på AI-marknaden. En kanalanalys från Mizuho i juni 2026 uppskattade att Google kan leverera omkring 4,3 miljoner TPU-enheter under 2026 och mer än 35 miljoner enheter 2028 – en ökning på ungefär åtta gånger .

Men prognosen är långt ifrån oomstridd. Morgan Stanley räknar med cirka 5 miljoner enheter 2027 och 7 miljoner 2028, medan Wolfe Research ser omkring 7 miljoner enheter per år i slutet av 2028 . TrendForce gjorde i januari 2026 en mer försiktig bedömning på 5 miljoner TPU:er 2027 och 7 miljoner 2028 .

Mizuho-siffran har dessutom ifrågasatts av branschbedömare. Den uppges vara 2,3 gånger större än den samlade prognosen för hela branschen och har beskrivits som kraftigt frikopplad från verkligheten i leveranskedjan .

Det gör den faktiska produktionstakten till en viktig temperaturmätare för Googles AI-chipstrategi. Efterfrågan är bara en del av ekvationen – tillgången på avancerad paketering, tillverkningskapacitet och minne kan avgöra hur snabbt planerna kan genomföras.

Specialdesignade AI-chip växer snabbare än standard-GPU:er

Googles satsning sker samtidigt som marknaden för specialdesignat kisel förändras. TrendForce-data visar att leveranserna av specialdesignade AI-ASIC:er väntas öka med 44,6 procent på årsbasis under 2026, jämfört med en prognostiserad tillväxt på 16,1 procent för så kallade merchant GPU:er – alltså mer generella grafikprocessorer som säljs till flera kunder .

Det beskrivs som den första tydliga omsvängningen under AI-eran, där specialiserade chip växer snabbare än generella GPU:er. Den bredare marknaden för specialdesignade AI-acceleratorer väntas växa omkring 45 procent under 2026 och kan nå 118 miljarder dollar 2033 .

Utvecklingen gynnar Googles TPU-modell. TPU:er är byggda för Googles specifika AI-arbetslaster och kan därför bli ett sätt för stora molnbolag att optimera kostnader och energianvändning – förutsatt att programvaran och tillgången är tillräckligt bra.

Broadcom, som länge har samarbetat med Google kring TPU-designen, väntas enligt en prognos ta omkring 60 procent av marknaden för specialdesignade AI-acceleratorer 2027 .

Intel och Marvell ska minska sårbarheten i leveranskedjan

Google försöker samtidigt undvika att bli beroende av en enda tillverkare eller designpartner. Enligt uppgifter som The Information rapporterat och som återgetts av Reuters och TrendForce ska Intel tillverka mer än 3 miljoner TPU:er åt Google under 2028 .

Det skulle innebära en strategisk breddning bort från ett ensidigt beroende av TSMC för tillverkning och Broadcom för ASIC-design. I en marknad där avancerad paketering och produktionskapacitet är flaskhalsar kan flera partners ge Google större handlingsutrymme.

Google har också fört samtal med Marvell Technology om gemensamt utvecklade AI-chip, särskilt för inferens – alltså när färdigtränade AI-modeller används för att svara på frågor och producera resultat . Om planerna blir verklighet kan Marvell bli ytterligare en designpartner vid sidan av Broadcom och MediaTek och bidra till en leveranskedja med fyra aktörer .

TorchTPU går efter Nvidias viktigaste vallgrav

Hårdvara räcker dock inte för att rubba Nvidia. En av företagets största konkurrensfördelar är CUDA, en programvaruplattform och programmeringsmodell som gör det möjligt för utvecklare att utnyttja Nvidias GPU:er effektivt. Eftersom så mycket AI-kod redan är anpassad för CUDA blir ett byte till annan hårdvara både tekniskt och ekonomiskt besvärligt.

På Cloud Next 2026, den 24 april, presenterade Google TorchTPU – ett programvarulager som ska låta arbetslaster i det öppna ramverket PyTorch köras direkt på TPU:er utan den äldre PyTorch/XLA-bryggan . Google samarbetar med Meta, som står bakom PyTorch, i projektet .

Målet är att minska byteskostnaden för utvecklare. Om AI-modeller som redan skrivits i PyTorch kan köras på Googles chip med färre anpassningar blir TPU:er ett mer realistiskt alternativ till Nvidia-hårdvara. PyTorch används brett inom AI-forskning, och en mer komplett TPU-kompatibilitet skulle därför kunna påverka konkurrensen på programvarunivå .

Det är också här Googles strategi blir mer långsiktig. Bolaget försöker inte bara bygga fler chip, utan även påverka det ekosystem som avgör vilka chip utvecklare faktiskt väljer.

Det omtalade avtalet på 35 miljarder dollar är inte bekräftat

Påståendet om ett avtal på 35 miljarder dollar mellan Google, Broadcom och Anthropic, finansierat av Apollo och Blackstone, har inte kunnat verifieras i det tillgängliga källmaterialet.

Det finns belägg för Googles finansiella åtagande på 3,2 miljarder dollar kopplat till TeraWulf och Lake Mariner samt för Broadcoms roll som designpartner för Googles TPU:er. Däremot har den specifika siffran på 35 miljarder dollar inte återfunnits i de granskade källorna. Uppgiften bör därför betraktas som obekräftad tills en tillförlitlig primärkälla publiceras.

En flerfrontsstrategi – men genomförandet avgör

Google angriper Nvidia från flera håll samtidigt: genom att finansiera infrastrukturen där de egna chipen ska användas, skala TPU-produktionen, sprida leveranskedjan och göra PyTorch mer lättillgängligt på TPU-plattformen.

Strategin kan ge Google en starkare position i den växande marknaden för specialiserade AI-acceleratorer. Men den största osäkerheten kvarstår: om Google verkligen kan leverera de volymer som de mest optimistiska prognoserna förutsätter – och om utvecklare och molnkunder faktiskt är beredda att välja TPU framför Nvidias väl etablerade hårdvara och CUDA-ekosystem.