Google sta trasformando i TPU da componente interna della propria infrastruttura AI a prodotto industriale per il mercato dell’AI compute. La partita non riguarda più soltanto la qualità del singolo chip: riguarda la capacità di mettere insieme silicio, software, data center, capitale e contratti di lungo periodo. È lo stesso terreno su cui Nvidia ha costruito il proprio vantaggio.
La spinta è visibile nelle mosse più recenti. Il Wall Street Journal ha ricostruito la strategia con cui Google sta usando garanzie finanziarie, partnership con operatori di data center e accordi con grandi clienti AI per allargare il mercato dei propri acceleratori, inclusi i casi Lake Mariner, Anthropic e la joint venture con Blackstone. La notizia conferma un cambio di fase: i Tpu Google non sono più solo una scelta tecnica per chi usa Google Cloud, ma diventano una piattaforma commerciale con più canali di accesso.
Indice degli argomenti:
TPU Google, la strategia oltre il cloud
Il passaggio più rilevante è la creazione di capacità esterna dedicata ai TPU. Blackstone ha annunciato il 18 maggio 2026 una joint venture con Google per una nuova società statunitense che offrirà data center, networking, operazioni e Tensor Processing Unit come servizio di compute. L’impegno iniziale è di 5 miliardi di dollari in equity, con l’obiettivo di portare online 500 megawatt di capacità nel 2027.
È una mossa che sposta Google vicino al modello dei “neocloud” specializzati in AI: non solo vendita di servizi cloud generici, ma offerta di capacità accelerata costruita attorno a un tipo specifico di chip. La differenza è che Google controlla sia una parte importante del software sia il disegno dell’acceleratore. Blackstone porta invece capitale, competenze infrastrutturali e capacità di finanziare data center su scala industriale.
Il secondo asse è Anthropic. Nell’ottobre 2025 la società ha annunciato l’espansione dell’uso dei servizi Google Cloud, includendo fino a un milione di Tpu, per un valore di decine di miliardi di dollari e oltre un gigawatt di capacità attesa nel 2026. Nell’aprile 2026 Anthropic ha poi comunicato un nuovo accordo con Google e Broadcom per diversi gigawatt di capacità TPU di nuova generazione, attesi dal 2027.
Il nodo Nvidia: dominio forte, ma mercato più largo
Nvidia resta il riferimento del mercato. Nei risultati del primo trimestre dell’anno fiscale 2027, chiuso il 26 aprile 2026, la società ha comunicato 81,6 miliardi di dollari di ricavi, in crescita dell’85% annuo, e 75,2 miliardi dal segmento data center, in aumento del 92%. Sono numeri che mostrano quanto l’infrastruttura AI continui a concentrarsi attorno alle Gpu Nvidia.
Il vantaggio non è solo hardware. Gartner, nel report “AI Vendor Race: NVIDIA Is the Company to Beat in AI Data Center Infrastructure” pubblicato l’8 dicembre 2025, attribuisce la forza di Nvidia all’integrazione verticale fra Gpu, sistemi completi e piattaforma software, indicando per i concorrenti tre fronti: espandere l’ecosistema, rafforzare l’inferenza e ridurre le barriere legate a Cuda.
Google sta lavorando proprio su questi tre punti. Con Ironwood, il TPU di settima generazione annunciato nel 2025, l’azienda ha dichiarato una configurazione fino a 9.216 chip collegati in un pod liquid-cooled da quasi 10 megawatt. A novembre 2025 Google Cloud ne ha annunciato la disponibilità generale, presentandolo come acceleratore per training, reinforcement learning, inferenza a bassa latenza e model serving su larga scala.
Il punto industriale è che l’inferenza sta diventando la parte più ripetitiva, costosa e continuativa dei carichi AI. Se il training dei modelli frontier resta concentrato in pochi grandi laboratori, l’esecuzione quotidiana di agenti, assistenti, motori di ricerca, strumenti enterprise e applicazioni multimodali richiede capacità stabile, prevedibile e meno esposta ai colli di bottiglia del mercato Gpu.
Questi numeri mostrano perché la competizione si sta spostando dalla disponibilità del chip alla disponibilità di capacità finanziata e contrattualizzata.
| Indicatore | Dato | Fonte |
|---|---|---|
| Ricavi Nvidia, primo trimestre fiscale 2027 | 81,6 miliardi di dollari | Nvidia |
| Ricavi Nvidia data center | 75,2 miliardi di dollari | Nvidia |
| Ricavi Google Cloud, primo trimestre 2026 | 20 miliardi di dollari | Alphabet |
| Backlog Google Cloud a fine primo trimestre 2026 | 462 miliardi di dollari | Alphabet |
| Joint venture Blackstone-Google | 5 miliardi di dollari e 500 megawatt nel 2027 | Blackstone |
| Espansione Anthropic su Google Cloud | fino a 1 milione di TPU e oltre 1 gigawatt nel 2026 | Anthropic |
Per Alphabet il chip AI diventa leva di bilancio
Nei conti di Alphabet il segnale è già visibile. Nel primo trimestre 2026 Google Cloud ha raggiunto 20 miliardi di dollari di ricavi, con crescita del 63% annuo, e un backlog di 462 miliardi. La società ha attribuito la crescita anche alla domanda di infrastruttura AI, inclusa la distribuzione di Tpu e Gpu.
La direttrice finanziaria Anat Ashkenazi indica che Google Cloud inizierà a consegnare hardware Tpu a un gruppo selezionato di clienti nei loro data center, con una piccola parte dei ricavi attesa già nel 2026 e la maggioranza nel 2027. È un passaggio importante perché separa, almeno in parte, il Tpu dalla fruizione esclusiva dentro Google Cloud.
L’investimento necessario resta enorme. Alphabet ha aggiornato la guidance 2026 sugli investimenti in conto capitale a 180-190 miliardi di dollari, includendo anche l’acquisizione di Intersect, e ha collegato la spesa alla domanda interna ed esterna di risorse AI. In questa cornice, i Tpu diventano un modo per trasformare una parte dell’investimento infrastrutturale in ricavi cloud, hardware e contratti pluriennali.
Il mercato AI accelera, ma cerca alternative alle Gpu
La domanda potenziale aiuta Google. Omdia, società di ricerca e consulenza tecnologica, nel forecast “AI Processors for Cloud and the Data Center” diffuso nell’agosto 2025, stima che il mercato dei chip AI per data center passi da 123 miliardi di dollari di spedizioni nel 2024 a 207 miliardi nel 2025 e 286 miliardi nel 2030.
Lo stesso osservatorio rileva che le alternative alle Gpu stanno guadagnando spazio: custom asic come i Tpu Google, acceleratori di Huawei, Groq e Cerebras, oltre alla linea Instinct di AMD. In una ricerca precedente, pubblicata nel dicembre 2024, Omdia stimava che i TPU Google potessero valere tra 6 e 9 miliardi di dollari all’interno della domanda legata a Broadcom, pur segnalando incertezza nella ripartizione tra compute e networking.
La lettura per le imprese è concreta. La scelta dell’infrastruttura AI non sarà più una semplice decisione tra cloud provider. Diventerà una valutazione fra ecosistemi di accelerazione: disponibilità di capacità, compatibilità con i framework, costi di inferenza, supporto ai modelli, lock-in software, localizzazione dei data center, continuità di fornitura e possibilità di negoziare contratti su più anni.
I limiti della sfida: software, lock-in e portabilità
La forza di Google non elimina i vincoli. Nvidia ha costruito per anni una base di sviluppatori, librerie, strumenti di ottimizzazione e sistemi completi che riducono il rischio operativo per chi addestra o serve modelli complessi. Spostare workload su Tpu richiede competenze, test, adattamento dei modelli e una valutazione precisa del rapporto prezzo-prestazioni.
Google sta provando a ridurre questa distanza con il disegno integrato dell’AI Hypercomputer, il supporto a ecosistemi diffusi come PyTorch e l’integrazione fra hardware, networking e runtime. Ma la portabilità resta un tema. Per molte aziende, soprattutto enterprise, il costo di una migrazione non è nel prezzo orario del chip: è nel tempo dei team, nella stabilità delle pipeline, nella governance del fornitore e nella capacità di evitare dipendenze difficili da rinegoziare.
La strategia di Anthropic indica una possibile via intermedia. La società non dichiara una dipendenza esclusiva dai Tpu: usa Google Tpu, Trainium di Amazon e Gpu Nvidia, con l’obiettivo di distribuire i carichi sui chip più adatti e ridurre il rischio di concentrazione. È un modello che potrebbe diventare più comune fra i grandi utilizzatori di AI: multi-cloud, multi-chip e contratti di capacità separati per training, inferenza e servizi enterprise.
La nuova concorrenza nei chip AI passa dalla capacità
La sfida di Google a Nvidia non si risolverà nel breve periodo con il sorpasso di un chip su un altro. Nvidia mantiene scala, margini, piattaforma software e una posizione dominante nei data center AI. Google però ha due asset che pochi concorrenti possono combinare: una domanda interna gigantesca, alimentata da Gemini e dai servizi consumer, e la capacità finanziaria per trasformare i Tpu in infrastruttura commerciale.
Per i clienti enterprise, il risultato può essere un mercato meno dipendente da un solo fornitore, ma più complesso da governare. L’alternativa ai colli di bottiglia delle gpu non sarà automaticamente libertà: sarà una nuova negoziazione tra prezzo, disponibilità, ecosistema software e vincoli infrastrutturali.
La partita dei Tpu Google mostra così la direzione del mercato AI: il vantaggio competitivo non nasce più soltanto dal processore più potente, ma dalla capacità di consegnare potenza di calcolo come servizio affidabile, finanziabile e utilizzabile su scala industriale.
Partecipa alla community