Google ha annunciato le sue nuove unità di elaborazione tensoriale (TPU) di ottava generazione, la TPU 8i e la TPU 8t. Progettate rispettivamente per l'inference e il training di modelli di intelligenza artificiale, queste soluzioni proprietarie mirano a ottimizzare i carichi di lavoro AI all'interno dell'ecosistema Google, offrendo capacità dedicate per le diverse fasi del ciclo di vita dei Large Language Models.
BMW ha presentato il restyling della i7 per il 2027, introducendo batterie cilindriche Gen6 di Rimac e motori privi di terre rare con inverter SiC. Il nuovo modello supporta la ricarica a 250 kW e mira a un'autonomia estesa, pur abbandonando la guida autonoma di Livello 3. Le innovazioni mirano a migliorare efficienza e sostenibilità nel segmento delle berline di lusso elettriche.
Google Cloud ha introdotto due nuovi chip AI, le Tensor Processing Unit (TPU), che promettono prestazioni superiori e costi inferiori rispetto alle generazioni precedenti. Questa mossa intensifica la competizione nel mercato degli acceleratori AI, tradizionalmente dominato da Nvidia, sebbene Google continui a integrare le GPU Nvidia nella propria infrastruttura cloud.
Google ha svelato la sua ottava generazione di Tensor Processing Units (TPU), distaccandosi dall'adozione prevalente di acceleratori Nvidia. Questi nuovi chip, denominati TPU 8t per il training e TPU 8i per l'inference, sono progettati per l'emergente "era degli agenti" nell'intelligenza artificiale. Google afferma che le nuove unità offrono maggiore velocità ed efficienza, con la TPU 8t capace di ridurre i tempi di addestramento dei modelli AI più avanzati da mesi a settimane.
Google ha annunciato la disponibilità generale della sua settima generazione di TPU, Ironwood, e ha svelato l'ottava, composta da TPU 8t (per il training) e TPU 8i (per l'inference). Questa nuova strategia prevede chip dedicati, progettati rispettivamente da Broadcom e MediaTek, e mira al processo TSMC a 2nm per un rilascio a fine 2027. Ironwood offre 4.6 petaFLOPS per chip e 42.5 exaFLOPS in configurazioni superpod.
Google ha svelato due nuovi acceleratori AI proprietari alla conferenza Cloud Next: uno per il training e uno per l'inference, con l'introduzione di core Axion basati su Arm. Questa mossa strategica evidenzia l'impegno di Google nello sviluppo di silicio personalizzato per ottimizzare le performance e ridurre i costi operativi dei carichi di lavoro AI.
Google ha presentato l'ottava generazione delle sue Tensor Processing Units (TPU), introducendo due chip specializzati progettati per supportare l'evoluzione dell'intelligenza artificiale verso l'era agentica. Questa mossa evidenzia la crescente necessità di hardware dedicato per carichi di lavoro AI complessi, un aspetto cruciale per le organizzazioni che valutano strategie di deployment on-premise o ibride, focalizzandosi su performance, TCO e sovranità dei dati.
Il kit di sviluppo (SDK) di AMD suggerisce l'introduzione di nuovi moltiplicatori 4x e 6x per la generazione di frame basata su intelligenza artificiale (AI). Questa ottimizzazione a livello di driver evidenzia la crescente tendenza a sfruttare la potenza di calcolo locale delle GPU per carichi di lavoro complessi, un aspetto cruciale per le strategie di deployment AI on-premise che mirano a massimizzare il controllo e l'efficienza.
Vexlum, azienda finlandese nata da decenni di ricerca, sta affrontando un collo di bottiglia critico per il computing quantistico e gli orologi atomici: la disponibilità di laser compatti, potenti ed economici con lunghezze d'onda precise. La sua tecnicia VECSEL, basata su semiconduttori III-V, offre prestazioni elevate e basso rumore, essenziali per il deployment industriale di questi sistemi. L'azienda sta espandendo la propria capacità produttiva con una nuova fabbrica.
TXC e Taitien, fornitori di componenti al quarzo, prevedono un aumento delle vendite nel primo trimestre 2026. La crescita è trainata dalla crescente domanda nel settore della comunicazione ottica per l'intelligenza artificiale e dal comparto automotive. Questo evidenzia l'importanza di componenti di base per l'infrastruttura AI e i sistemi veicolari avanzati, con implicazioni per i deployment on-premise.
La collaborazione tra MediaTek e Marvell per la fornitura di Tensor Processing Units (TPU) per le prossime tre generazioni segna un passo significativo nel panorama dell'hardware AI. Questa intesa strategica sottolinea l'importanza crescente del silicio specializzato per l'accelerazione dei carichi di lavoro di intelligenza artificiale, con potenziali implicazioni per le strategie di deployment on-premise e la sovranità dei dati.
Apple sta riorganizzando le sue risorse interne per affrontare le sfide dell'era dell'intelligenza artificiale. L'azienda ha affidato a due figure chiave, già responsabili del successo di Apple Silicio, il compito di bilanciare lo sviluppo software e hardware. Questa mossa sottolinea l'importanza di un'integrazione profonda tra i due ambiti per ottimizzare le performance dei carichi di lavoro AI, un aspetto cruciale anche per le strategie di deployment on-premise che richiedono un'attenta valutazione dell'infrastruttura.
Intel ha annunciato l'intenzione di estendere le capacità di overclocking a una gamma più ampia di processori per piattaforme future, inclusi i modelli Core Ultra 200K Plus. Questa mossa mira a democratizzare funzionalità tradizionalmente riservate agli appassionati di fascia alta, rendendole accessibili anche a chi assembla sistemi con budget più contenuti. La strategia potrebbe influenzare le scelte hardware per deployment on-premise, offrendo nuove opportunità per ottimizzare il TCO e la sovranità dei dati.
Il driver open source RADV abilita di default il supporto per l'estensione Vulkan `VK_EXT_host_image_copy` sulle GPU AMD RDNA2 e successive. Questa funzionalità, introdotta nel 2023, consente il trasferimento diretto dei dati tra la memoria host e le immagini sul processore, eliminando la necessità di buffer intermedi. Il risultato è una riduzione dell'utilizzo della memoria durante il caricamento degli asset e un miglioramento complessivo di efficienza e performance, cruciale per i deployment on-premise.
Cerebras, azienda specializzata in hardware per l'intelligenza artificiale, ha depositato la documentazione per la sua offerta pubblica iniziale. Nonostante una crescita dei ricavi venti volte superiore, l'azienda rimane non redditizia. Al centro della sua offerta tecnicica si trova il sistema Cerebras Andromeda, progettato per accelerare il training di Large Language Models e altre applicazioni AI su larga scala, posizionandosi come un'alternativa per i deployment on-premise.
La startup olandese OrangeQS ha raccolto 15 milioni di euro, inclusa un'estensione di 3 milioni dal Fondo del Consiglio Europeo per l'Innovazione. L'azienda si distingue come l'unica a offrire una soluzione commerciale dedicata per il testing di chip quantistici. Il suo programma MAX Partnership mira a coinvolgere i produttori di hardware nella definizione della prossima generazione di attrezzature di test ad alto throughput, cruciali per l'avanzamento dell'informatica quantistica.
John Ternus, prossimo CEO di Apple dal 1° settembre, è un ingegnere meccanico con una solida esperienza nella gestione hardware, inclusa la transizione ad Apple Silicio. Ora, con la responsabilità di prodotti che generano l'80% dei ricavi, si trova ad affrontare la complessa sfida di integrare e sviluppare l'intelligenza artificiale, un campo che richiede specifiche competenze in termini di silicio e infrastrutture.
OrangeQS ha esteso il suo round di finanziamento seed a 15 milioni di euro, con il supporto dell'EIC Fund. L'annuncio coincide con il lancio del MAX Partnership Program, un'iniziativa volta ad accelerare e migliorare il testing dei chip quantistici. Il programma, che vede la partecipazione di Rigetti Computing, QuantWare e Peak Quantum, mira a sviluppare soluzioni di testing scalabili e precise, affrontando una delle principali sfide per la commercializzazione del computing quantistico.
Google intensifica lo sviluppo dei propri chip AI, puntando a capitalizzare l'espansione dell'inference. Questa mossa segna una nuova fase nella competizione con Nvidia, evidenziando l'importanza di soluzioni hardware dedicate per i carichi di lavoro di intelligenza artificiale, sia in cloud che in ambienti self-hosted.
UALink 2.0, lo standard di interconnessione per l'intelligenza artificiale, mostra progressi significativi sul fronte tecnico. Nonostante i miglioramenti, il suo deployment sul mercato fatica a tenere il passo con NVLink, il concorrente consolidato. Questo scenario evidenzia le sfide nell'adozione di nuove architetture per i carichi di lavoro AI, specialmente in contesti on-premise dove l'integrazione e la compatibilità sono cruciali per CTO e architetti infrastrutturali.