Apple setzt Google Tensor Chips zur Apple Intelligence Entwicklung ein

Nach einem kürzlich veröffentlichten Forschungspapier von Apple, werden Google Tensor Chips eingesetzt, um zwei kritische Komponenten der KI konzerneigenen KI Apple Intelligence zu konstruieren.

Zum Einsatz kommen 2.048 TPU5vp-Chips, mit denen KI-Modelle und 8.192 TPUv4-Prozessoren für Server-KI-Modelle gebaut werden.

Google Tensor Chips für Apple Intelligence

Wie CNBC basierend auf Apples neuen Forschungspapier berichtete, verwendet der Konzern 2.048 TPUv5p-Chips von Google, um KI-Modelle und 8.192 TPUv4-Prozessoren für Server-KI-Modelle zu bauen.

In dem Forschungspapier wird Nvidia nicht explizit genannt, doch verweist deutlich darauf, dass Apple sich klar entschieden hat die Googles Chip-Technologie zu setzen anstatt GPUs zu verwenden.

Die Entscheidung ist vor dem Hintergrund der Marktführerschaft von Nvidia auf dem KI-Prozessormarkt beachtlich. Apple gibt selten einen Einblick in seine Hardware-Auswahl für Entwicklungszwecke. Besonders wegen ihrer Effizienz und Leistung für KI-Anwendungen sind Nvidias GPUs sehr gefragt.

KI-Modelle trainieren

Gegenüber Nvidia erhalten Googles Kunden den Zugriff auf die TPUs nur über Cloud-Dienste und müssen ihre Software im Ökosystem des Suchmaschinenkonzerns entwickeln. Integrierte Tools und Diensten sind dort verfügbar, mit denen die Entwicklung und Bereitstellung von KI-Modellen rationalisiert wird.

Apples Ingenieure erläutern in dem Papier, dass mit den TPUs anspruchsvolle KI-Modelle effizient trainiert werden und beschreiben, wie Googles TPUs in großen Clustern aufgebaut sind. Auf diese Weise wird eine Rechenleistung erzielt, die Apple für das KI-Modelltraining benötigt.

Laut Apples Plänen sollen in den nächsten zwei Jahren über 5 Milliarden US-Dollar in Optimierungen von KI-Servern investiert werden, womit die KI-Fähigkeiten gestärkt und die Abhängigkeit von externen Hardwareanbietern vermindern soll.

Das Unternehmen betont die Einhaltung verantwortungsbewusster Datenpraktiken und schrieb, dass beim Training keine privaten Benutzerdaten genutzt wurden. Verwendet wurden stattdessen öffentlich zugängliche, lizenzierte und Open Source Datensätze.