LAS VEGAS – Google erweitert seine Strategie für kundenspezifische Rechenzentrumschips über KI-Beschleuniger hinaus und präsentiert seine erste intern entwickelte, auf Arm basierende CPU für allgemeines Cloud-Computing. Der neue Chip namens Axion wurde am Dienstag auf der Google Cloud Next vorgestellt. Google will damit die Abhängigkeit von herkömmlichen x86-Prozessoren reduzieren und die Leistung sowie Energieeffizienz für Workloads in seiner Cloud verbessern. Laut Google bieten Axion-Instanzen eine bis zu 30 % höhere Leistung als die schnellsten derzeit verfügbaren Arm-basierten Cloud-Instanzen für allgemeine Anwendungen und eine bis zu 50 % höhere Leistung bei bis zu 60 % besserer Energieeffizienz als vergleichbare x86-Instanzen der aktuellen Generation. Die Axion- Prozessoren basieren auf der Neoverse-V2-Architektur von Arm und unterstützen Dienste wie Google Compute Engine, Google Kubernetes Engine und Dataproc.
Mit diesem Schritt rückt Google näher an Amazon Web Services heran, das seit Jahren seine Graviton-Arm-Prozessoren ausbaut, und an Microsoft, das 2023 seine eigene Cobalt-CPU ankündigte. Reuters berichtete, dass Googles Markteinführung ein umfassenderes Bestreben der größten Cloud-Anbieter widerspiegelt, Chips zu entwickeln, die auf ihre eigene Infrastruktur zugeschnitten sind, um die Wirtschaftlichkeit zu verbessern und gleichzeitig die Abhängigkeit von einer kleinen Anzahl von Halbleiterherstellern zu verringern.
Kundenspezifische CPUs entwickeln sich von einer Nischenoption hin zu einer Cloud-Strategie
Jahrzehntelang wurde der Markt für Allzweck-Server von x86-Prozessoren von Intel und AMD dominiert. Arm-Architekturen setzten sich zunächst aufgrund ihrer Energieeffizienz in Mobilgeräten durch und finden zunehmend auch in Rechenzentren Anwendung. Cloud-Anbieter sind besonders gut positioniert, um diesen Wandel zu beschleunigen, da sie sowohl die Hardware als auch die Softwareebene für ihre Kunden kontrollieren. Ein Cloud-Kunde muss keinen physischen Arm-Server erwerben; er kann einen Instanztyp wählen und die Verwaltung der zugrundeliegenden Maschine dem Anbieter überlassen.
Google zufolge wird Axion Workloads ausführen, die bereits intern von Diensten wie YouTube-Werbung, BigTable und Teilen der Google Earth Engine genutzt werden. Das Unternehmen plant, Axion noch in diesem Jahr breiter für Kunden verfügbar zu machen. Mit dem Infrastruktur-Update auf der Next 2024 positioniert sich Axion als Teil einer umfassenderen Initiative, Kunden mehr Prozessoroptionen für Webdienste, containerisierte Anwendungen, Datenbanken und Datenanalysen zu bieten.
Die Nachfrage nach KI verändert die gesamte Rechenzentrumsarchitektur
Axion wurde zusammen mit bedeutenden Erweiterungen der KI-Infrastruktur von Google eingeführt. Google Cloud gab bekannt, dass die TPU v5p, die leistungsstärkste Generation von Tensor Processing Units (TPUs), allgemein verfügbar ist. Laut Googles AI Hypercomputer-Update. Das Unternehmen integriert außerdem Nvidia-GPUs in dieselbe Architektur und trägt damit der Kundennachfrage nach Googles proprietären Beschleunigern und der branchenüblichen Nvidia-Hardware Rechnung.
Google stellte TPU v5p erstmals im Dezember 2023 detailliert vor undpräsentierte den Chip als Infrastruktur für das Training sehr großer generativer Modelle. Die allgemeine Verfügbarkeit ist ein wichtiger Meilenstein, da Cloud-Anbieter um ausreichend Rechenkapazität für Kunden konkurrieren, deren KI-Workloads Tausende parallel laufender Beschleuniger erfordern.
Gemini dringt tiefer in den Bereich der Enterprise-Cloud-Dienste vor
Google nutzte die Konferenz außerdem, um seine Gemini-Modelle stärker in Vertex AI, seiner Plattform für verwaltetes maschinelles Lernen, zu integrieren. Gemini 1.5 Pro geht in die öffentliche Vorschauphase mit einem Kontextfenster von bis zu einer Million Tokens. Dadurch kann das Modell ungewöhnlich große Mengen an Text, Video, Audio und Code in einer einzigen Anfrage verarbeiten. Googles KI-Produktupdate hob zudem neue Bildgenerierungsfunktionen, Modellverwaltungstools und Unternehmenssteuerung hervor.
Das Kontextfenster von einer Million Token ist von strategischer Bedeutung, da KI-Anwendungen in Unternehmen häufig lange Dokumente, Software-Repositories, Gesprächsprotokolle oder Multimedia-Archive analysieren müssen. Ein größerer Kontext garantiert zwar keine besseren Ergebnisse, reduziert aber die Notwendigkeit, Informationen in viele kleinere Abrufschritte zu unterteilen. Google positioniert diese Fähigkeit als Alleinstellungsmerkmal gegenüber Konkurrenzmodellen von OpenAI, Anthropic und anderen.
Eine vertikal integrierte Cloud kann Kosten und Leistung optimieren
Googles Strategie ähnelt zunehmend einem mehrschichtigen Computing-Stack, den das Unternehmen vom Chip bis zum Modell kontrolliert. Axion übernimmt allgemeine Rechenaufgaben, TPUs beschleunigen maschinelles Lernen, Nvidia-GPUs bleiben aus Kompatibilitätsgründen verfügbar, und Gemini liefert die Flaggschiff-KI-Modelle des Unternehmens. Die Zusammenfassung der Google Cloud Next-Keynote präsentiert diese Komponenten als eine Plattform und nicht als isolierte Produkte.
Die wirtschaftliche Logik ist einfach. Cloud-Anbieter betreiben riesige Rechenzentren, daher können selbst geringfügige Verbesserungen der Leistung pro Watt zu erheblichen Einsparungen bei Strom-, Kühl- und Gerätekosten führen. Proprietäre Chips verschaffen Anbietern zudem eine stärkere Verhandlungsposition bei der Beschaffung und ermöglichen die Anpassung der Hardware an ihre Software. Der Nachteil liegt in der Kompatibilität mit dem Ökosystem: Kunden verfügen über jahrzehntelang für x86 optimierte Software, und die Migration von Workloads auf Arm kann Tests oder eine Neukompilierung erfordern.
Der Chip-Wettlauf entwickelt sich zu einem Cloud-Plattform-Wettlauf
Amazons Graviton, Microsofts Cobalt und Googles Axion zeigen, dass das CPU-Design im Cloud-Wettbewerb immer wichtiger wird. Gleichzeitig stellen AWS Trainium und Inferentia, Googles TPUs und Microsofts Maia-Beschleuniger die Annahme infrage, dass Nvidia oder traditionelle CPU-Hersteller künftig alle wichtigen Chips für Rechenzentren liefern werden. Keiner dieser proprietären Prozessoren macht externe Zulieferer überflüssig, aber jeder bietet Cloud-Betreibern eine weitere Möglichkeit, Kosten, Kapazität und Produktdifferenzierung zu steuern.
Für Kunden bedeutet dies unmittelbar eine größere Auswahl bei gleichzeitig höherer Komplexität. Unternehmen können Workloads zwar über x86, Arm, GPUs und spezialisierte Beschleuniger optimieren, doch Architekturentscheidungen beeinflussen zunehmend die Portabilität zwischen verschiedenen Cloud-Umgebungen. Ein auf einen proprietären Beschleuniger abgestimmter Workload kann auf einer Plattform kostengünstiger oder schneller sein, lässt sich aber schwieriger auf andere Plattformen übertragen.
Stand Samstag nähert sich Axion noch der breiten Kundenverfügbarkeit und wird etablierte Serverprozessoren nicht über Nacht ersetzen. Googles Ankündigung markiert jedoch einen Strukturwandel: Die weltweit größten Cloud-Anbieter betrachten Halbleiterdesign zunehmend als Kernkompetenz ihrer Softwareplattformen. Im Zeitalter der KI geht es im Wettbewerb nicht mehr nur darum, welches Modell das beste ist oder welche Cloud die meisten Dienste bietet. Es geht auch darum, wer die effizienteste Rechenarchitektur darunter aufbauen kann.