Google กำลังใส่ CPU Cores ไว้ใน TPU v10 จริงหรือ? — การเปลี่ยนแปลงครั้งสำคัญของวงการชิป AI เพื่อรองรับ Agentic Workloads

ต้องเข้าใจบริบทก่อน Broadcom ยังคงเป็นพาร์ทเนอร์ร่วมออกแบบ TPU ระยะยาวของ Google โดยมีข้อตกลงความร่วมมือ 5 ปีที่เปิดเผยในเดือนมีนาคม 2026 ซึ่งครอบคลุม TPU ตั้งแต่รุ่น v8 ถึง v11 MediaTek รับหน้าที่จัดการ I/O และประสานงานการผลิตสำหรับ Ironwood (TPU v7x) รุ่นปัจจุบัน การเข้ามาของ AMD ดูเหมือนจะเป็นโปรเจกต์หนึ่งในรุ่น v10 — ซึ่งไม่จำเป็นต้องมาแทนที่ Broadcom ทั้งหมด ถึงแม้ว่าผลผลิต CoWoS ของ Broadcom สำหรับ Ironwood จะถูกรายงานว่าถูกปรับลดลงประมาณ 32,000 เวเฟอร์

นอกจากนี้ Google ยังมีรายงานว่ากำลังพิจารณา Samsung Foundry เพื่อผลิตชิ้นส่วนของ v10 (ชื่อรหัส "Ice Fish") เพื่อกระจายความเสี่ยงจากการพึ่งพา TSMC เพียงรายเดียว และได้มีการเจรจาขั้นสูงกับ Marvell สำหรับชิป AI แบบกำหนดเองอื่นๆ

ข้อควรระวัง: ยังไม่มีการยืนยันจาก Google หรือ AMD รายงานของ SemiAnalysis ยังเป็นเพียง 'เสียงลือในตลาด' ไม่ใช่ประกาศอย่างเป็นทางการ และโปรเจกต์ของ AMD อาจเป็นเพียง SKU เฉพาะ, เส้นทางการทดลอง หรือการป้องกันความเสี่ยงจากการกระจายซัพพลายเออร์

ทำไมชิปไฮบริดถึงเหมาะสมกับ Agentic AI และ Reinforcement Learning

การย้ายจาก 'ASIC คำนวณเมทริกซ์ล้วนๆ' ไปสู่ชิปไฮบริดที่มี CPU cores ในตัว คือการตอบสนองทางสถาปัตยกรรมโดยตรงต่อลักษณะงาน AI ที่เปลี่ยนแปลงไป โดยเฉพาะ Reinforcement Learning (RL) และ Agentic AI

Agentic AI 'คอขวด' ที่ CPU ไม่ใช่ GPU

การประมวลผลแบบ batch inference แบบดั้งเดิมนั้นขึ้นอยู่กับ GPU เกือบทั้งหมด: ใส่อินพุตไป, GPU ประมวลผลไปข้างหน้า, แล้วได้เอาต์พุตกลับมา แต่งานของ Agentic AI นั้นแตกต่างกันโดยสิ้นเชิง การจัดลำดับงาน (Orchestration), การวางแผน (Planning), การเรียกใช้เครื่องมือ (Tool calling), การรันใน Sandbox และการโต้ตอบกับสภาพแวดล้อม ล้วนทำงานบน CPU ทั้งหมด ไม่ใช่ GPU

งานวิจัยทางวิชาการชิ้นหนึ่งพบว่างาน Agentic AI ที่เน้นการใช้เครื่องมือเป็นหลัก (tool-dominated) นั้นมี 'คอขวด' อย่างมากจากการประมวลผลเครื่องมือบน CPU ซึ่งกินเวลา latency ตั้งแต่ต้นจนจบมากถึง 88% ขณะที่อีกบทวิเคราะห์หนึ่งโดย Akash Borate พบว่าตัวเลขดังกล่าวสูงถึง 90.6%

สัดส่วน CPU:GPU กำลังเปลี่ยนไปอย่างรุนแรง

ในคลัสเตอร์สำหรับฝึกฝน AI (Training) สัดส่วน CPU ต่อ GPU อยู่ที่ประมาณ 1:7 หรือ 1:8 เมื่องานเปลี่ยนมาเป็น Inference สัดส่วนจะลดลงเหลือ 1:3 หรือ 1:4 สำหรับการติดตั้งระบบ Agentic นั้น Intel เปิดเผยในการประชุมผลประกอบการไตรมาส 1 ปี 2026 ว่าลูกค้าบางรายกำลังใช้งาน CPU สี่ตัวต่อ GPU หนึ่งตัว ซึ่งในบางคลัสเตอร์ สัดส่วนกลายเป็น 1:1 แทน

Morgan Stanley คาดการณ์ว่าตลาด CPU จะมีมูลค่าเพิ่มขึ้น 32,500-60,000 ล้านดอลลาร์สหรัฐ ภายในปี 2030 ซึ่งขับเคลื่อนโดยการเปลี่ยนแปลงนี้ทั้งหมด AMD เองก็ได้โต้แย้งว่า Agentic AI ไม่ใช่ workload inference ที่เน้น GPU เป็นศูนย์กลางเพียงอย่างเดียว แต่เป็น workflow แบบ end-to-end ที่มีความหลากหลาย ซึ่งต้องใช้ CPU ที่มีความหนาแน่นของคอร์สูงและจำนวนเธรดสูงสำหรับการจัดลำดับงานและการรัน Sandbox

Reinforcement Learning ต้องการวงจร Sandbox ที่รวดเร็ว

การฝึกฝน RL — โดยเฉพาะสำหรับโมเดล Agentic — ต้องใช้วงจรซ้ำๆ ของการรัน Sandbox, การจำลองสภาพแวดล้อม, การคำนวณรางวัล และการอัปเดตนโยบาย วงจรเหล่านี้เกี่ยวข้องกับการจัดลำดับงานบน CPU ในปริมาณมาก ซึ่งไม่สามารถทำงานได้อย่างมีประสิทธิภาพบนตัวเร่งความเร็วเมทริกซ์ล้วนๆ

ทั้ง Vera ของ Nvidia (สถาปัตยกรรม Olympus 88 คอร์) และ Xeon 6+ ของ Intel ต่างก็ถูกปรับให้เหมาะสมสำหรับรูปแบบ 'วงจร Sandbox ของ Reinforcement Learning' นี้ อุตสาหกรรมฮาร์ดแวร์กำลังมาบรรจบกันที่ความเข้าใจเดียวกัน: ตัวเร่งความเร็ว AI ในอนาคตจะไม่ใช่เครื่องจักรคำนวณเมทริกซ์ล้วนๆ อีกต่อไป

TPU v10 แบบไฮบริดของ Google: สัญญาณนำ

ด้วยการผสาน CPU cores ของ AMD เข้าไปบนแพ็กเกจ TPU โดยตรง Google สามารถกำจัดคอขวดของ PCIe สำหรับการทำงานของ Agentic AI ที่ต้องใช้ CPU หนักๆ เหล่านี้ ลด latency และจัดการวงจร 'เรียกใช้เครื่องมือ → ปฏิสัมพันธ์กับสภาพแวดล้อม → อัปเดตนโยบาย' บนไดย์ตัวเดียวที่เชื่อมต่อกันอย่างแน่นหนา นี่คือการทำให้แนวคิดที่ว่าระบบ AI ในอนาคตจะเป็น 'system-on-package' แบบ Heterogeneous ที่ผสมผสานประเภทของหน่วยประมวลผลตามเฟสของงานเป็นความจริง

ผลกระทบในวงกว้าง

สรุป

การที่ Google มีรายงานว่านำ CPU cores ใส่ไว้ใน TPU v10 ไม่ใช่การปรับแต่งเล็กๆ น้อยๆ — แต่เป็นการยอมรับว่าตัวเร่งความเร็ว AI ในปี 2028 จะดูแตกต่างจากในปี 2024 อย่างมาก Agentic AI และ Reinforcement Learning กำลังเขียนกฎของสถาปัตยกรรมการคำนวณขึ้นมาใหม่ และชิปที่ต้องจัดการกับลูปการเรียกใช้เครื่องมือนับพันครั้งต่อวินาทีนั้นจำเป็นต้องถูกสร้างขึ้นให้แตกต่างจากชิปที่ใช้คำนวณเมทริกซ์ขนาดใหญ่เพียงครั้งเดียว

หากเสียงลือจาก SemiAnalysis ถูกต้อง Google และ AMD กำลังสร้างชิปนั้นอยู่ในตอนนี้