Google Cloud on tuonut seitsemännen sukupolven tekoälysirunsa, Ironwood-arkkitehtuuriin perustuvan TPU v7:n, laajaan tuotantokäyttöön kesän 2026 aikana. Kyse ei ole pelkästä piirivälistä: Google esittää Ironwoodin ensimmäisenä TPU-sukupolvena, joka on suunniteltu alusta asti inferenssiä eli valmiiden mallien ajamista varten, ei koulutusta. Tavoite on selvä. Google haluaa tarjota pilviasiakkailleen vaihtoehdon, jossa Nvidian grafiikkasuorittimia ei tarvita lainkaan mallien tuotantoajossa. Suomalaisille ja pohjoismaisille yrityksille, jotka ostavat tekoälylaskentaa pilvestä, kehitys tarkoittaa uutta neuvotteluasemaa hintojen ja toimitusaikojen suhteen.

Tämä artikkeli käy läpi mitä Ironwood TPU v7 teknisesti tarjoaa, miten se asettuu Nvidian H200- ja B200-kiihdyttimiä vastaan, mitä sääntely-ympäristö Euroopassa vaatii ja mitä muutos tarkoittaa markkinoiden ja hintojen kannalta. Mukana on kaksi datataulukkoa, historiallinen aikajana Googlen TPU-kehityksestä sekä ennusteet seuraaville 12–18 kuukaudelle.

Mikä Ironwood TPU v7 on ja miksi se on uutinen juuri nyt

Google esitteli Ironwood-arkkitehtuurin ensimmäisen kerran huhtikuussa 2025, mutta sirun ensimmäinen tuotantoversio, TPU7x, sai yleisen saatavuuden (GA) Google Cloudin julkaisutietojen mukaan keväällä 2026. Sen jälkeen saatavuutta on laajennettu uusiin alueisiin ja asiakassegmentteihin läpi kesän. Tämä on syy, miksi Ironwood on juuri nyt, elokuussa 2026, ajankohtainen puheenaihe kehittäjä- ja IT-päättäjäyhteisöissä: yhä useampi yritys pääsee kokeilemaan sitä ensimmäistä kertaa tuotantoympäristössä eikä vain rajatussa esikatselussa.

Google kutsuu Ironwoodia sanatarkasti “ensimmäiseksi TPU:ksi inferenssin aikakaudelle”. Aiemmat sukupolvet, kuten TPU v5p ja v6e Trillium, oli suunniteltu ensisijaisesti suurten kielimallien kouluttamiseen. Ironwood kääntää painopisteen: sen arkkitehtuuri on optimoitu siihen, että valmis malli vastaa käyttäjän kyselyyn mahdollisimman nopeasti ja mahdollisimman monelle käyttäjälle yhtä aikaa. Tämä ero on keskeinen, koska analyytikkojen mukaan suurin osa tekoälyn laskentakustannuksista syntyy nykyään juuri inferenssistä, ei mallien kouluttamisesta.

Tekniset tiedot: 4 614 TFLOPS ja 192 gigatavua muistia per siru

Googlen oman tuotedokumentaation mukaan yksi Ironwood-siru tarjoaa 4 614 FP8-teraflopsia laskentatehoa. Muistia on 192 gigatavua HBM3e-tekniikkaa per siru, ja muistikaistanleveys on noin 7,37 teratavua sekunnissa. Nämä kolme lukua yhdessä kertovat, että Google on optimoinut Ironwoodin nimenomaan suurten mallien, kuten Anthropicin Claude-perheen, ajamiseen tilanteissa joissa mallin parametrit eivät mahdu yhden sirun muistiin vaan täytyy jakaa usealle sirulle nopean verkon yli.

Sirujen välinen kommunikaatio kulkee Googlen omaa, räätälöityä verkkokudosta pitkin. Tämä ratkaisu on suunniteltu erityisesti pieneen viiveeseen ja suureen tokenien läpisyöttöön, ei yleiskäyttöiseen joustavuuteen, kuten monet koulutukseen tarkoitetut arkkitehtuurit. Käytännössä tämä tarkoittaa sitä, että Ironwood on vahvimmillaan silloin kun samaa mallia ajetaan jatkuvasti tuotannossa suurella pyyntömäärällä, ei silloin kun mallia vasta kehitetään ja arkkitehtuuria muutetaan usein.

Ironwood-podit: 9 216 nestejäähdytettyä sirua yhdessä kokonaisuudessa

Yksittäinen siru on vain rakennuspalikka. Google skaalaa Ironwoodin niin sanotuiksi podeiksi, jotka voivat sisältää jopa 9 216 nestejäähdytettyä sirua yhdessä tiiviisti integroidussa kokonaisuudessa. Tämä on huomattavasti suurempi yksikkö kuin monet aiemmat TPU-sukupolvet ovat tarjonneet, ja se kertoo Googlen strategiasta: sen sijaan että asiakas ostaisi yksittäisiä kiihdyttimiä, Google myy valmiiksi optimoidun, suuren mittakaavan inferenssialustan.

Nestejäähdytys yhdeksän tuhannen sirun mittakaavassa on itsessään merkittävä konesalitason insinöörihaaste. Se vaatii erilaista rakennusarkkitehtuuria kuin perinteinen ilmajäähdytteinen konesali, ja tämä on yksi syy sille, miksi Ironwood-kapasiteettia ei ole voitu ottaa käyttöön kaikilla Google Cloudin alueilla yhtä aikaa. Pohjoismaissa Google on investoinut konesaleihinsa Suomessa (Hamina) ja muualla alueella jo vuosia, mikä asettaa Suomen periaatteessa hyvään asemaan kun uutta laskentakapasiteettia jaetaan.

TPU v7 vastaan Nvidia H200 ja B200: suora vertailu

Googlen ilmoittama kilpailullinen tavoite on selvä: Ironwood on rakennettu haastamaan Nvidian H200- ja B200-kiihdyttimet nimenomaan inferenssikuormissa. Nvidian oman datalehden mukaan B200 tarjoaa noin 8 teratavua sekunnissa muistikaistanleveyttä ja noin 36 prosenttia enemmän muistia kuin H200. Nvidia on myös ilmoittanut, että B200 tarjoaa noin nelinkertaisen inferenssiläpisyötön per grafiikkasuoritin verrattuna H200:aan, kun mittarina käytetään interaktiivista vasteaikaa. H200:n muistikaistanleveys puolestaan on noin 4,8 teratavua sekunnissa, mikä toimii lähtökohtana sille kuinka paljon Nvidia on nostanut kaistanleveyttä sukupolvesta toiseen.

KiihdytinValmistajaMuisti / tyyppiMuistikaistanleveysEnsisijainen käyttötarkoitus
TPU v7 “Ironwood”Google192 GB HBM3e~7,37 TB/sSuuren mittakaavan inferenssi
Nvidia H200Nvidia141 GB HBM3e~4,8 TB/sKoulutus ja inferenssi
Nvidia B200Nvidia~192 GB HBM3e~8 TB/sKoulutus ja inferenssi

Taulukosta näkyy, että Google on tietoisesti tähdännyt Ironwoodin muistikapasiteetilla ja kaistanleveydellä samalle tasolle kuin Nvidian tuorein B200, ei vanhempi H200. Tämä ei ole sattumaa: se kertoo, että Google näkee B200:n, ei H200:n, todellisena vertailukohtana seuraavan parin vuoden pilvi-inferenssimarkkinassa. Erona on ekosysteemi. Nvidian CUDA-ohjelmistokehys toimii lähes kaikkialla, kun taas TPU vaatii ohjelmistokerrokseksi Googlen omaa JAX/XLA-pinoa, mikä on ollut historiallisesti suurin este TPU:n leviämiselle Googlen ulkopuolisten kehittäjien keskuudessa.

Miksi Anthropic ja muut mallintarjoajat ovat kiinnostuneita

Yksi Ironwoodin kaupallisen tarinan keskeisistä palasista on Googlen ja Anthropicin yhteistyö. Google on nimennyt Ironwoodin yhdeksi alustaksi, jolla Claude-perheen malleja ajetaan tuotannossa suuressa mittakaavassa. Tämä on merkittävää, koska Anthropic on aiemmin nojannut vahvasti myös Amazonin ja Nvidian infrastruktuuriin. Se, että yksi johtavista suurten kielimallien kehittäjistä on valmis ajamaan tuotantoliikennettä TPU:lla, on Googlelle vahva referenssi, jota se voi käyttää myydessään Ironwood-kapasiteettia muille yrityksille ja pilviasiakkaille.

Samalla tämä nostaa esiin kysymyksen riippuvuudesta. Yritykset, jotka rakentavat tuotteensa yhden mallintarjoajan ja yhden laskenta-alustan varaan, ottavat riskin. Jos Ironwood-kapasiteettia ei riitä tai hinnoittelu muuttuu, siirtyminen toiselle alustalle ei ole yksinkertaista, koska ohjelmistokerros (JAX/XLA vastaan CUDA) ei ole suoraan yhteensopiva. Tämä on sama dynamiikka, joka on näkynyt myös Microsoftin omassa Maia 300 -piirihankkeessa, jolla Microsoft yrittää vähentää riippuvuuttaan Nvidiasta Azuren sisällä.

ARM, x86 ja mukautettujen sirujen nousu konesaleissa

Ironwood ei ole yksittäinen ilmiö vaan osa laajempaa trendiä, jossa suuret pilviyhtiöt (Google, Amazon, Microsoft) suunnittelevat yhä enemmän omaa piiriään sen sijaan että ostaisivat kaiken laskentatehon kolmansilta osapuolilta. Google TPU, Amazonin Trainium-sarja ja Microsoftin Maia-sarja ovat kaikki esimerkkejä siitä, miten hyperskaalaajat pyrkivät hallitsemaan koko pinoa piiristä ohjelmistoon asti, jotta ne voivat neuvotella paremmin Nvidian hinnoittelun ja toimitusrajoitusten kanssa.

Tämä trendi liittyy myös laajempaan ARM-arkkitehtuurin nousuun x86:n rinnalla konesaleissa. Google käyttää TPU-sirujen ohella myös omaa Axion-nimistä ARM-pohjaista suoritinta yleiskäyttöisiin kuormiin, mikä tarkoittaa että Google Cloud voi jo nyt tarjota asiakkailleen konesaliratkaisun, jossa perinteinen x86-suoritin (Intel tai AMD) ei ole enää oletusarvo vaan yksi vaihtoehto muiden joukossa. Tämä muutos tapahtuu hitaasti, mutta se on yksi harvoista rakenteellisista muutoksista IT-infrastruktuurissa, joka etenee vuosikymmenen kuluessa eikä vuosineljänneksessä.

Googlen TPU-historia: seitsemän sukupolvea yhdeksässä vuodessa

Ironwoodin ymmärtää parhaiten historiallisessa kontekstissa. Google on kehittänyt omia tekoälysirujaan vuodesta 2016 lähtien, ja jokainen sukupolvi on tuonut mukanaan selvän painopisteen muutoksen koulutuksen ja inferenssin välillä.

SukupolviEsittely / GAEnsisijainen käyttötarkoitus
TPU v12016Inferenssi Googlen omissa palveluissa (Haku, Kääntäjä)
TPU v22017Koulutus ja inferenssi, ensimmäinen Cloud TPU
TPU v32018 (GA)Koulutus, kaksinkertainen muisti v2:een verrattuna
TPU v42021Suurten kielimallien koulutus podeissa
TPU v5p2023–2024Huippuluokan koulutusalusta suurille malleille
TPU v6e “Trillium”2024 (GA)Koulutus ja inferenssi, kuudes sukupolvi
TPU v7 “Ironwood”Esitelty 4/2025, GA 2026Ensimmäinen inferenssiin optimoitu sukupolvi

Kuten taulukosta näkyy, Ironwood on ensimmäinen sukupolvi, jonka Google itse kuvaa nimenomaan inferenssiin suunnitelluksi, vaikka se tukee myös koulutusta ja vahvistusoppimista. Tämä sanamuodon muutos ei ole markkinointikieltä vailla merkitystä: se heijastaa sitä, että Googlen omien asiakkaiden laskentakustannuksista yhä suurempi osa syntyy jo julkaistujen mallien ajamisesta, ei uusien mallien kouluttamisesta.

Nvidian markkina-asema: 75–81 prosentin haarukka vuodelle 2026

Nvidia hallitsee edelleen selvästi tekoälykiihdyttimien markkinaa, mutta analyytikkoarviot sen osuudesta vuonna 2026 vaihtelevat sen mukaan lasketaanko mukautetut hyperskaalaajapiirit, kuten TPU, Trainium ja Maia, mukaan kokonaismarkkinaan. Markkinatutkimusyhtiö IDC:n arvion mukaan Nvidian osuus konesalien tekoälypiirimarkkinasta on noin 81 prosenttia vuonna 2026. Silicon Analysts -tutkimusyhtiön ennusteen mukaan osuus laskee noin 75 prosenttiin vuoden 2026 loppuun mennessä, laskien 87 prosentin huipusta vuonna 2024, sitä mukaa kun mukautettujen sirujen kokonaiskapasiteetti kasvaa markkinassa.

Kummankin arvion suunta on sama: Nvidian osuus ei romahda, mutta se kapenee hitaasti mukautettujen sirujen, kuten Ironwoodin, tullessa markkinoille suuremmassa mittakaavassa. Tämä on linjassa sen kanssa, mitä olemme aiemmin raportoineet Nvidian AI-palvelinhintojen noususta muistipulan seurauksena: kun kysyntä ylittää tarjonnan, asiakkaat etsivät aktiivisesti vaihtoehtoja, ja se antaa Googlen kaltaisille toimijoille tilaa tuoda oma piirinsä markkinoille vahvemmalla neuvotteluasemalla.

Mitä TPU v7 tarkoittaa pilvilaskennan hinnoittelulle

Suora hintavertailu TPU v7:n ja Nvidian kiihdyttimien välillä on tällä hetkellä vaikeaa, koska Google ei ole julkaissut yksityiskohtaista julkista tuntihinnoittelua kaikille Ironwood-kokoonpanoille, ja pilvipalvelujen hinnoittelu vaihtelee sitoutumisajan ja alueen mukaan. Se mitä voidaan sanoa varmasti on, että kilpailun lisääntyminen laskentakapasiteetin tarjoajien välillä on historiallisesti painanut hintoja alaspäin, kun asiakkailla on aidosti kaksi tai useampi elinkelpoinen vaihtoehto samaan työkuormaan.

Tämä on erityisen merkityksellistä juuri nyt, koska HBM-muistin maailmanlaajuinen pula on nostanut komponenttihintoja koko toimialalla vuoden 2026 aikana, mikä näkyy myös kuluttajapuolella esimerkiksi näytönohjainten hinnannousuna muistipulan vuoksi. Kun sekä Nvidia että Google kilpailevat samasta rajallisesta HBM-muistin tarjonnasta, kumpikaan ei voi hinnoitella tuotteitaan täysin vapaasti, ja tämä painaa lopulta myös pilviasiakkaiden maksamia hintoja.

Pilvilaskutuksen näkökulmasta suurin muutos ei välttämättä ole listahinta vaan sopimusehtojen joustavuus. Kun ostajalla on aidosti kaksi eri arkkitehtuuria, joihin siirtyä, pilvitoimittajat joutuvat kilpailemaan myös sitoutumisajoilla, alennuksilla suurille volyymeille ja sillä kuinka nopeasti uutta kapasiteettia voidaan taata käyttöön. Suomalaisille IT-ostajille tämä tarkoittaa käytännössä sitä, että hankintaneuvotteluissa kannattaa jatkossa vertailla nimenomaan Google Cloudin ja Nvidia-pohjaisten pilvipalvelujen (kuten AWS:n ja Microsoft Azuren) ehtoja rinnakkain, ei olettaa että yksi toimittaja on automaattisesti halvin tai nopein vaihtoehto.

EU:n sääntely: 10^25 FLOPS-raja ja mitä se tarkoittaa Ironwoodille

Euroopan unionin tekoälyasetuksen (AI Act) 51 artikla asettaa kynnysarvon, jonka ylittyessä yleiskäyttöisen tekoälymallin oletetaan olevan järjestelmäriski. Kynnysarvo on 10^25 liukulukuoperaatiota (FLOP) käytettynä mallin kouluttamiseen. Käytännössä tämä tarkoittaa, että suurimmat mallit, joita ajetaan Ironwood-kaltaisilla alustoilla, kuuluvat todennäköisesti tiukemman valvonnan piiriin riippumatta siitä, ajetaanko niitä Nvidian vai Googlen laitteistolla.

Suomalaisille ja pohjoismaisille yrityksille tämä tarkoittaa, että laitteistovalinta (TPU vastaan GPU) ei poista sääntelyvastuuta. Jos yritys rakentaa tuotteen suuren kielimallin päälle ja ajaa sitä tuotannossa EU-alueella, AI Actin vaatimukset koskevat mallia ja sen käyttötapaa, ei sitä missä konesalissa tai millä piirillä laskenta tapahtuu. Tämä on tärkeä ero ymmärtää, kun IT-päättäjät vertailevat Google Cloudia ja Nvidia-pohjaisia pilvipalveluita EU:n sisällä.

Esimerkki: TPU-resurssin tarkistaminen Google Cloudissa

Kehittäjille, jotka haluavat kokeilla Ironwood-pohjaista laskentaa, ensimmäinen askel on tarkistaa mitä TPU-tyyppejä on saatavilla omalla Google Cloud -tilillä ja valitulla alueella. Alla on havainnollistava esimerkki komennoista, joilla käytettävissä olevaa TPU-kapasiteettia voi kartoittaa gcloud-komentorivityökalulla ennen resurssien varaamista.

# Kirjaudu sisään ja aseta aktiivinen projekti
gcloud auth login
gcloud config set project OMA-PROJEKTI-ID

# Listaa valitulla alueella tarjolla olevat TPU-tyypit
gcloud compute tpus accelerator-types list --zone=europe-west4-a

# Tarkista TPU-kiintiöt ennen varausta
gcloud compute tpus tpu-vm list --zone=europe-west4-a

Huomionarvoista on, että Ironwood-kapasiteetti ei ole vielä saatavilla kaikilla Google Cloudin alueilla, joten kehittäjien kannattaa tarkistaa ajantasainen saatavuus omalta tililtään ennen kuin suunnittelee tuotantoarkkitehtuuria sen varaan.

Kilpailuvertailu: Google, Nvidia, Microsoft ja Amazon

Ironwood ei kilpaile tyhjiössä. Kaikki suuret pilvitoimijat ovat nyt joko julkaisseet tai kehittämässä omaa tekoälypiiriään Nvidian rinnalle, mutta strategiat eroavat toisistaan. Google käyttää TPU:ta pääasiassa oman pilvensä ja omien mallikumppaneidensa, kuten Anthropicin, tarpeisiin. Microsoft on tehnyt vastaavaa Maia-sarjallaan, joka on jo skaalattu satoihin tuhansiin siruihin Azuren sisällä. Amazon puolestaan panostaa Trainium-sarjaansa AWS:n omissa palveluissa. Nvidia on tähän asti vastannut lähinnä pitämällä ohjelmistoetumatkansa (CUDA) vahvana ja tuomalla markkinoille yhä tehokkaampia sukupolvia, kuten Vera Rubin -arkkitehtuurin, jonka käyttöönotto on alkanut myös Suomessa.

Ero näiden strategioiden välillä on se, että Google, Microsoft ja Amazon myyvät omaa piiriään ensisijaisesti oman pilvensä sisällä, kun taas Nvidia myy laitteistoa kaikille pilvitoimijoille ja yrityksille riippumatta siitä, kilpaileeko ostaja Nvidian omien pilvikumppaneiden kanssa. Tämä tekee Nvidiasta edelleen ainoan toimijan, joka on aidosti pilvitoimittajariippumaton, mikä on monelle yritykselle tärkeä peruste pysyä Nvidia-pohjaisessa infrastruktuurissa mukautetuista piireistä huolimatta.

Kehittäjät ja osaaminen: JAX-taidoista tulee kilpailuetu

Ironwoodin laajeneva saatavuus muuttaa vähitellen myös sitä, millaista osaamista pilviarkkitehtien ja koneoppimisinsinöörien kannattaa hankkia. Vuosia CUDA ja PyTorch ovat olleet käytännössä oletusvalinta lähes jokaisessa tekoälytiimissä, myös suomalaisissa yrityksissä ja tutkimuslaitoksissa. Kun TPU-pohjainen inferenssi yleistyy, JAX- ja XLA-osaamisesta tulee entistä useammin rekrytoinnissa erottautumistekijä, erityisesti niissä yrityksissä jotka jo käyttävät Google Cloudia muihin tarkoituksiin ja voivat siksi kokeilla Ironwoodia ilman uutta toimittajasuhdetta.

Tämä ei tarkoita, että CUDA-osaaminen menettäisi merkitystään. Päinvastoin, suurin osa avoimen lähdekoodin malleista ja tutkimuspapereista julkaistaan edelleen ensisijaisesti PyTorch-yhteensopivina, ja Nvidian kehittäjäekosysteemi on edelleen huomattavasti suurempi kuin Googlen. Käytännön seuraus on kaksijakoisempi taitoprofiili: tiimit, jotka pystyvät liikkumaan sujuvasti sekä CUDA- että JAX-maailmassa, pystyvät valitsemaan kulloinkin edullisimman ja nopeimman laskenta-alustan sen sijaan että olisivat lukittuina yhteen toimittajaan. Tämä joustavuus on erityisen arvokasta juuri nyt, kun HBM-muistin saatavuusongelmat tekevät molempien alustojen kapasiteetista ajoittain rajallista.

Mitä tämä tarkoittaa suomalaisille ja pohjoismaisille yrityksille

Suomi ja laajemmin Pohjoismaat ovat merkittävä konesalisijainti sekä Googlelle että Nvidialle yhteistyössä paikallisten pilvikumppaneiden kanssa, mikä tarkoittaa että alueen yritykset saavat usein uutta laskentakapasiteettia käyttöönsä suhteellisen nopeasti verrattuna moniin muihin Euroopan maihin. Kun Ironwood-kapasiteettia laajennetaan, suomalaisilla teknologiayrityksillä ja julkishallinnon toimijoilla on mahdollisuus arvioida, kannattaako osa tekoälylaskennasta siirtää TPU-pohjaiseen ympäristöön, erityisesti jos työkuorma on inferenssipainotteinen eikä vaadi jatkuvaa mallien uudelleenkoulutusta.

Käytännön este on edelleen ohjelmistoyhteensopivuus. Suurin osa suomalaisista tekoälytiimeistä on rakentanut työkalunsa PyTorchin ja CUDA:n varaan, ja siirtyminen JAX-pohjaiseen kehitykseen vaatii investointia osaamiseen. Käytännössä vaikka Ironwood tarjoaisi teoriassa paremman hinta-suorituskyvyn tietylle työkuormalle, käytännön siirtymäkustannus voi silti ohjata päätöksen Nvidia-pohjaisen infrastruktuurin suuntaan lyhyellä aikavälillä.

Ennusteet: mitä seuraavaksi tapahtuu

  • Ironwood-kapasiteetin laajeneminen jatkuu vaiheittain. Google todennäköisesti tuo lisää alueita ja suurempia podikokoonpanoja saataville vuoden 2027 alkuun mennessä, mutta nestejäähdytyksen vaatima konesali-infrastruktuuri hidastaa tahtia verrattuna ilmajäähdytteisiin GPU-konesaleihin.
  • Nvidia vastaa hinnoittelulla, ei vain suorituskyvyllä. Kun kilpailu TPU:n, Trainiumin ja Maian kanssa kovenee, Nvidian on todennäköisesti tarjottava joustavampia sopimusehtoja suurimmille pilviasiakkailleen pitääkseen ne CUDA-ekosysteemissä.
  • Ohjelmistoyhteensopivuus muodostuu seuraavaksi kilpailukentäksi. Odotettavissa on lisää työkaluja, jotka helpottavat mallien siirtämistä PyTorch/CUDA-ympäristöstä JAX/TPU-ympäristöön ilman täydellistä uudelleenkirjoitusta.
  • Nvidian markkinaosuus kapenee hitaasti mutta ei romahda. Analyytikkoarviot 75–81 prosentin haarukasta vuodelle 2026 viittaavat asteittaiseen, ei äkilliseen, muutokseen tekoälykiihdytinmarkkinassa.
  • EU:n sääntely-ympäristö tiukkenee laitteistosta riippumatta. AI Actin 10^25 FLOP -kynnysarvon soveltamiskäytäntö tarkentuu, ja se koskee yhtä lailla TPU:lla kuin GPU:lla koulutettuja malleja.

Usein kysytyt kysymykset

Mikä on Google TPU v7 Ironwood?

Ironwood on Googlen seitsemännen sukupolven tekoälykiihdytinsiru, joka on suunniteltu ensisijaisesti tekoälymallien ajamiseen tuotannossa (inferenssi), toisin kuin aiemmat sukupolvet, jotka painottivat mallien kouluttamista.

Onko Ironwood parempi kuin Nvidian H200 tai B200?

Ironwoodin muisti ja kaistanleveys ovat samaa luokkaa kuin Nvidian B200:lla, ei vanhemmalla H200:lla. Suoraa “parempi/huonompi” -vastausta ei voi antaa, koska ero riippuu työkuormasta ja siitä, käyttääkö tiimi jo CUDA-pohjaista ohjelmistokehitystä.

Voiko Ironwoodia käyttää Suomessa?

Saatavuus laajenee alueittain, eikä Ironwood-kapasiteetti ole vielä kaikkien Google Cloud -alueiden saatavilla. Kehittäjien kannattaa tarkistaa ajantasainen tilanne omalta Google Cloud -tililtään.

Mitä hyötyä TPU:sta on verrattuna Nvidian grafiikkasuorittimiin?

Suurin hyöty on kilpailu ja vaihtoehtoisuus: kun laskentaa voi ostaa useammalta toimittajalta, se antaa asiakkaalle enemmän neuvotteluvoimaa hinnasta ja toimitusajoista, erityisesti tilanteessa jossa HBM-muistin maailmanlaajuinen pula rajoittaa tarjontaa.

Vaatiiko TPU:n käyttö ohjelmiston uudelleenkirjoittamista?

Useimmiten kyllä osittain. TPU-ympäristö nojaa Googlen JAX/XLA-ohjelmistopinoon, kun taas suurin osa markkinan malleista on kehitetty PyTorchilla ja CUDA:lla. Siirtymä vaatii yleensä ainakin osittaista sovitustyötä.

Vaikuttaako EU:n tekoälyasetus TPU:lla ajettuihin malleihin?

Kyllä. AI Actin 10^25 FLOP -kynnysarvo koskee mallin koulutukseen käytettyä laskentaa riippumatta siitä, ajetaanko koulutus Googlen TPU:lla, Nvidian GPU:lla vai jollain muulla laitteistolla.

Kuinka suuri Nvidian markkinaosuus on tekoälykiihdyttimissä vuonna 2026?

Analyytikkoarviot vaihtelevat noin 75 ja 81 prosentin välillä riippuen siitä, lasketaanko mukautetut hyperskaalaajapiirit, kuten TPU, mukaan kokonaismarkkinaan.

Mitkä yritykset käyttävät Ironwoodia jo tuotannossa?

Google on nimennyt Anthropicin yhdeksi asiakkaaksi, joka ajaa Claude-mallejaan Ironwood-alustalla tuotantomittakaavassa. Muiden asiakkaiden nimet eivät ole vielä julkisesti tiedossa laajemmin.

Yhteenveto

Ironwood TPU v7 ei ole vain uusi piiri Googlen tuotelistalla. Se on merkki siitä, että tekoälyn laskentamarkkina on siirtymässä koulutuskeskeisestä kilpailusta inferenssikeskeiseen kilpailuun, jossa hinta per käsitelty pyyntö ratkaisee enemmän kuin raaka huipputeho. Nvidia pysyy markkinajohtajana vielä pitkään, mutta 75–81 prosentin markkinaosuushaarukka vuodelle 2026 kertoo, että sen ylivalta ei ole enää itsestäänselvyys. Suomalaisille ja pohjoismaisille yrityksille tärkein käytännön kysymys ei ole kumpi siru on nopeampi, vaan kumpi ekosysteemi sopii paremmin yhteen jo tehtyjen ohjelmistoinvestointien kanssa.

Lähteet ja lisätiedot: Google Cloudin virallinen Ironwood-blogikirjoitus, Cloud TPU -julkaisutiedotteet, Nvidia H200 -tuotesivu, Nvidian datakeskuskiihdyttimien datalehti ja Euroopan komission tekoälyasetuksen sääntelykehys.