Googles nukleare Option: Verkauf von TPUs zur Brechung von Nvidias Dominanz

Der „Walled Garden“ ist offiziell gefallen. Ein Jahrzehnt lang waren die Tensor Processing Units (TPUs) von Google die verbotene Frucht der KI-Welt. Sie könnten sie in Google Cloud mieten und ihre Kraft aus der Ferne beobachten, während sie AlphaGo und Gemini trainierten, aber Sie könnten sie niemals besitzen. Sie könnten sie sicherlich nicht in Ihrem eigenen Rechenzentrum installieren.

Diese Regel ist einfach gebrochen.

In einem Schritt, der einen strukturellen Wandel im Billionen-Dollar-KI-Markt signalisiert, deuten neue Berichte darauf hin, dass Google Verträge abschließt, um TPUs zu vermieten und schließlich direkt an Meta und möglicherweise Apple zu verkaufen. Hierbei handelt es sich nicht nur um eine Lieferantenvereinbarung; Es ist der erste echte Riss in Nvidias Rüstung und ein verzweifelter, brillanter Schachzug von Google, um sein eigenes Software-Ökosystem zu retten.

Wenn Sie Nvidia-Aktien halten oder eine KI-Infrastrukturstrategie entwickeln, müssen Sie die Physik, die Wirtschaftlichkeit und die Softwarekriege verstehen, die zu dieser Entscheidung geführt haben.

Die Nachrichten: Seltsame Bettgenossen

Die strategische Ausrichtung ist klar. Meta (Facebook) ist mit über 600.000 Exemplaren der weltweit größte Nvidia H100-Kunde. Aber Mark Zuckerberg äußerte offen seinen Wunsch, sich von der „Nvidia-Steuer“ zu befreien: der Prämie, die für CUDA-Lock-in und margenstarke Hardware gezahlt wird.

Nach tiefen Gerüchten und Berichten der Branche:

• Der Deal: Meta erhält Zugriff auf „Bare-Metal“-TPU-Instanzen (wahrscheinlich Trillium v6), die ursprünglich von Google gehostet, aber vollständig von Googles öffentlicher Cloud getrennt wurden.
• Die Roadmap: Bis 2027 ermöglicht das Framework Meta den direkten Kauf von TPU-Pods zur Installation in ihren eigenen Rechenzentren, die nicht von Google stammen.
• Der Apple-Faktor: Ähnliche Diskussionen finden mit Apple statt, das enorme Rechenleistung für „Apple Intelligence“ benötigt, aber bekanntermaßen allergisch dagegen ist, sich auf Konkurrenten wie Microsoft zu verlassen oder die Margen von Nvidia zu zahlen.

Dadurch ändert sich die Angebots-/Nachfragegleichung über Nacht. Wenn Meta aufhört, 20 % des Angebots von Nvidia zu kaufen, weil sie auf TPUs umgestiegen sind, verschwindet die Knappheit, die Nvidias Preismacht unterstützt.

Technischer Deep Dive: Die Physik von Licht vs. Kupfer

Warum sollte Meta eine TPU wollen, wenn der Nvidia Blackwell B200 der „leistungsstärkste Chip der Welt“ ist? Die Antwort liegt nicht im Chip selbst, sondern in den Drähten. Oder besser gesagt, das Fehlen davon.

Der OCS-Vorteil (Optical Circuit Switching)

Die SuperPODs von Nvidia basieren auf InfiniBand, einem äußerst schnellen, aber traditionellen elektrischen Vermittlungsnetzwerk. Um 100.000 GPUs zu verbinden, braucht man kilometerlange Kupferkabel und aktive elektrische Schalter, die ständig Elektronen in Photonen und zurück umwandeln.

Googles Geheimwaffe, die seit TPU v4 eingesetzt wird, ist Palomar (und jetzt Jupiter), basierend auf Optical Circuit Switches (OCS).

Anstelle der digitalen Paketvermittlung: wo ein Router ein Paket liest, es puffert, entscheidet, wohin es geht, und es erneut überträgt: Google verwendet MEMS (Micro-Electro-Mechanical Systems). Hierbei handelt es sich um winzige, mikroskopisch kleine Spiegel, die sich physisch drehen, um einen Lichtstrahl von einem Server zum anderen zu reflektieren.

Die Physik gewinnt:

1. Lichtgeschwindigkeit: Es gibt keine Umwandlung von optisch in elektrisch. Das Licht springt einfach.
2. Power Zero: Ein Spiegel benötigt null Strom, um seine Position zu halten. Es verbraucht nur Strom, wenn es sich bewegt (rekonfiguriert). Ein elektrischer Schalter verbraucht rund um die Uhr enorme Wattleistung, nur um die Ports aktiv zu halten.
3. Topologieunabhängig: Google kann das Netzwerk in Millisekunden physisch neu verkabeln. Wenn eine „Torus“-Form für Trainingsjob A besser ist und eine „Libellenform“ besser für Inferenzjob B, neigen sich die Spiegel einfach und der Supercomputer wird physisch neu verkabelt.

Die Effizienzmathematik

Während Nvidia nach rohen FLOPs strebt, strebt Google nach Leistung/TCO. Die Trillium (v6) TPU behauptet eine 67 % Energieeffizienzverbesserung gegenüber der v5e, was größtenteils auf diese Verbindungseffizienz zurückzuführen ist.

Schauen wir uns die theoretische Kühlungsberechnung an. Elektrische Schalter erzeugen Wärme. Diese Wärme muss gekühlt werden. OCS-Schalter erzeugen nahezu keine Wärme.

$$\text{Total Power} = \text{Compute Power} + \text{Cooling Power} + \text{Networking Power}$$

In einem Nvidia-Cluster kann die Netzwerkleistung 15–20 % der gesamten Clusterleistung ausmachen. In einem TPU-Pod reduziert OCS den Stromverbrauch des Netzwerks um fast 95 %. In einem 100-MW-Rechenzentrum bedeutet dieses Effizienzdelta, dass Sie 30 % mehr Rechenleistung in den gleichen Leistungsumfang unterbringen können. Für Meta ist das Training von Lama 5 Milliarden wert.

Der Software-Krieg: JAX vs. CUDA

Das ist der Teil, den die Wall Street übersieht. Google verkauft Chips nicht nur, weil es Hardware-Einnahmen will. Es werden Chips verkauft, um JAX zu sparen.

Der CUDA-Graben

Das Monopol von Nvidia liegt nicht in der Hardware; Es ist Software. Jeder codiert in CUDA (über PyTorch). Weil jeder CUDA nutzt, kauft jeder Nvidia. Es ist eine sich selbst verstärkende Schleife.

Googles JAX

Die interne Sprache von Google, JAX, ist für fortgeschrittene Physik und schwere Mathematik wohl überlegen. Es optimiert automatisch für den XLA-Compiler (Accelerated Linear Algebra). Aber außerhalb von DeepMind und spezialisierten Forschern ist die Akzeptanz gering.

Indem Google TPUs in die Hände von Meta legt, zwingt Google die Ingenieure von Meta, die besten der Welt außerhalb von Google, dazu, PyTorch für XLA zu optimieren.

• Wenn PyTorch perfekt auf TPUs läuft (über XLA), füllt sich der „CUDA Moat“ mit Sand.
• Plötzlich werden AMD-Chips (auf denen auch XLA/ROCm läuft) brauchbar.
• Intel Gaudi wird rentabel.
• Das gesamte Ökosystem entkoppelt sich von Nvidia.

Kontextgeschichte: Ein Jahrzehnt voller Geheimnisse

Google hat die Transformer-Architektur (das „T“ in GPT) im Jahr 2017 erfunden. Sie haben die erste TPU im Jahr 2015 gebaut. Sie waren ihnen um Jahre voraus. Warum haben sie verloren?

• 2016 (TPU v1): Nur für Rückschlüsse entwickelt (mit AlphaGo).
• 2018 (TPU v2/v3): Die Trainingsbestien. Flüssigkeitsgekühlt. Aber Google hat sie in der Cloud eingesperrt. „Wer den Chip will, muss die Cloud nutzen.“
• 2020-2023 (The Hybris): Google ging davon aus, dass ihr Hardwarevorteil unendlich sei. Sie haben die Chips nicht verkauft.
• 2024 (The Panic): Microsoft und OpenAI übernahmen mit Nvidia-GPUs die Führung. AWS hat Trainium entwickelt.
• 2025 (The Pivot): Google erkennt, dass „Cloud-Exklusivität“ ein Todesurteil ist. Entwickler gehen dorthin, wo die Chips sind. Wenn die Chips nicht überall sind, gehen die Entwickler.

Dieser Verkauf ist ein Eingeständnis eines strategischen Scheiterns, aber ein Geniestreich bei der Erholung.

Finanzanalyse: Die „Nvidia-Steuer“-Berechnung

Lassen Sie uns die Zahlen nennen, warum Meta diesen Deal annimmt.

Das Nvidia-Markup:

• H100-Herstellungskosten (TSMC + CoWoS + HBM): ~$3.000 - $4.000
• H100-Verkaufspreis: ~$25.000 - $30.000
• Marge: ~85 %

Die TPU-Ökonomie: Google entwirft die TPU selbst und nutzt Broadcom für das Backend-Design. Sie müssen keine Marge von 85 % auf Meta erzielen. Sie können die TPU für $15.000 verkaufen, einen satten Gewinn von 50 % erzielen und Meta trotzdem einen 50 % Rabatt im Vergleich zu Nvidia anbieten.

Für eine Gruppe von 100.000 Chips:

• Nvidia-Kosten: 3 Milliarden US-Dollar
• TPU-Kosten: 1,5 Milliarden US-Dollar

Einsparungen: 1,5 Milliarden US-Dollar. Damit ist die gesamte Kühlinfrastruktur des Rechenzentrums bezahlt.

Zukunftsorientierte Analyse: Die Chip Alliance

Dieser Schritt schafft faktisch eine „Anti-Nvidia-Allianz“.

1. Google: Führt zu Hardware-Umsätzen + spart JAX-Relevanz + schadet dem größten Konkurrenten (Nvidia).
2. Meta/Apple: Verhandelt niedrigere Preise mit Nvidia und diversifiziert die Effizienz ihrer Lieferkette.
3. Amazon: Hat Trainium bereits, sieht jetzt die Validierung des Nicht-Nvidia-Pfads.

Die Auswirkungen auf den Markt: Die Branche entwickelt sich von einem Monopol (Nvidia hat 90 % Anteil) zu einem Oligopol (Nvidia, Google, AWS, AMD).

• Kurzfristig (1-2 Jahre): Nvidia bleibt König. Der Lieferrückstand ist zu lang und die Software-Portierung dauert lange.
• Mittelfristig (3–5 Jahre): Die Margen werden kleiner. Diese konkrete Nachricht ist das Signal dafür, dass die Bruttomarge von 80 %, die Nvidia genießt, wahrscheinlich ihren Höhepunkt erreicht.

Urteil: Die Hardware ist echt. Die Physik (OCS) ist für bestimmte Arbeitslasten überlegen. Wenn Google das Angebot liefern kann, ist der „Code Red“ nicht mehr nur für Google, sondern für Jensen Huang.

Quellen (4)

• datacenterdynamics.com Google Offers TPUs to AI Cloud Providers
• cloud.google.com Google Trillium Architecture
• cloud.google.com TPU v4 Enables Performance, Energy, and CO2e Efficiency Gains
• newsletter.semianalysis.com Analysis: The Nvidia Tax and Custom Silicon