Googleが公表した新しい学習結果は、単独のチップの突破ではなく、規模によって得られた速度と、設計によって得られた協調を示している。Ironwoodが公表値を達成するのは、数千個のプロセッサがほとんど待たずに協調して学習する場合であり、同じクラウド上のはるかに小規模なNVIDIAシステムでは、同じモデルにはるかに長い時間がかかる。Googleが実際に勝っている競争は、巨大なマシンを遊ばせずに稼働させ続けることをめぐるものだ。
| 文書 | 詳細 |
|---|---|
| 発行機関 | |
| 公表日 | 2026年11月16日 |
| 公式テキスト | blog.google |
| リンクされた公式ページ | 2 |
| 比較した過去の文書 | 2 |
2026年11月16日にGoogleが公表した文書「New AI training performance benchmarks for Google TPUs」は、MLPerf Training v6.1のベンチマークラウンドにおける10件の結果を報告している。MLPerfは共通のテストだ。参加者は全員、公式の参照チェックポイント(モデルの開始バージョン)から学習を始め、品質または精度の設定された目標に到達するまで続ける。この結果のばらつきが重要なのは、Googleが自社のチップだけでなくクラウドを、どちらの種類のハードウェアでも性能を発揮する場所として提示しているからだ。
事前学習の速度は数千個のチップが協調して初めて実現する
事前学習は、モデルが後の調整の前に大量のデータから学ぶ長い最初の段階だ。結果一覧に名を連ねるモデルDeepSeek-V3では、8,192個のIronwood TPUが1.70分でベンチマークの目標品質に到達した。Googleはまた、4,096個のチップへのスケーリングで96%の効率を報告している。ここでの効率とは、チップを追加することで期待される性能向上のうち、実際にどれだけが残るかを表す。プロセッサを追加すると協調のコストが生じる。作業を分割し、結果を交換し、部分的な結果を統合しなければならないからだ。高い数値は、追加した能力のうち協調によって失われる分が少ないことを意味する。
Googleはこの成果を自社のAI Hypercomputerアーキテクチャと、シリコン、ネットワーク、オープンソフトウェアを一体で設計したことに帰している。これは同社自身の説明であり、その重みを与えているのはスケーリングの数値のほうだ。追加のチップがデータや互いを待つことに時間を費やすなら、クラスタは大きくても役には立たない。Googleの主張は生の規模よりも狭く、より強い。マシンは期待される性能の大半を保ったまま拡大した、というものだ。フロンティアモデルを学習する顧客にとって、非常に大きなジョブの経過時間は直接的なビジネス上の事実だ。ジョブは終わるまで高価な容量を占有するからである。
エージェント型学習はチップに絶えず仕事を与えるシステムに報いる
このラウンドには、エージェント型強化学習のための初のMLPerfベンチマークも含まれた。強化学習は、行動に対するフィードバックを通じてシステムを学習させる。エージェント型の版では、システムが作業を行い(この場合はコード生成)、作業が続く間にその結果から学ぶ。これにより、計算上の問題だけでなくスケジューリングの問題も生じる。生成と学習が注意を奪い合い、両者の歩調が合わなければ高価な学習チップが遊休する可能性がある。
Built on Google Cloud’s AI Hypercomputer architecture, these results reflect co-design across silicon, networking, and open software: Pre-training on Ironwood: 8,192 Ironwood TPUs reached the target model's benchmark target quality in 1.70 minutes, scaling up to 4,096 chips with 96% efficiency. Agentic RL on Ironwood: 640 Ironwood TPUs reached the target model’s coding benchmark target accuracy in 18.02 minutes (0.765 vs. the 0.69 goal), running code generation and learning simultaneously so training chips waited under 3% of the time.
出典:Google, 2026年11月16日. Google, New AI training performance benchmarks for Google TPUsこのテストでは、640個のIronwood TPUが18.02分でコーディングベンチマークの目標精度に到達し、目標0.69に対して0.765を記録した。結果一覧はモデルをQwen3.5-397Bと特定している。Googleによれば、システムはコード生成と学習を同時に実行し、学習チップが待機した時間は3%未満だった。この低い待機率は、この結果が事前学習の時間の後ろではなく横に並ぶべき理由を説明する。事前学習は、協調されたクラスタが既知の作業をどれだけ速く進められるかを示す。エージェント型学習は、実行中に作業が自ら新しい材料を生み出し続けるときに、同種のクラスタが生産性を保てるかを示す。
NVIDIAの結果は、単一チップへの忠誠ではなくGoogle Cloudを売り込む話にする
GoogleはNVIDIAハードウェアでの事前学習結果も公表した。Google CloudのA4X Maxインスタンス上で、256個のNVIDIA GB300 GPUがDeepSeek-V3で31.96分で目標モデルのベンチマーク品質に到達した。同社はさらに、エージェント型強化学習ベンチマークにA4XとA4X Maxの5件の提出を加えており、GB200とGB300システムを対象としている。読者はIronwoodとNVIDIAの時間を個々のデバイス間の直接対決として扱うべきではない。チップ数は大きく異なり、インスタンスも異なり、ベンチマークはGoogleが提出した構成済みシステム全体を評価する。
そう読めば、NVIDIAの項目はIronwoodの見出しの意味を変える。Googleは、自社クラウドを使うために自社シリコンを選ぶ必要があると主張しているのではない。自社クラウドが、複数の種類の大規模学習システムにとって有能な拠点であり、いずれの場合もネットワークとソフトウェアをGoogleが提供する、と主張しているのだ。Ironwoodは依然として旗艦の結果であり、Googleが端から端まで何を構築できるかを最も明確に示すものだ。Blackwellの結果は商業的な主張を広げる。すでにNVIDIAハードウェアを導入済みの買い手も、そのジョブをGoogle Cloudで実行するよう誘われている。
新しい文書は話題をアクセスから容量へ移す
同じ一連の公表における以前のGoogleの文書は、個々のユーザーのレベルで語っていた。2026年11月13日、Googleは米国のGeminiアプリのユーザーに対し、支出習慣に基づく応答のためにGoogle Walletを接続できると伝えた。読み取り専用のアクセスと、接続に対するユーザーの制御を伴う。同日の別の文書では、Google AI ProとUltraの加入者向けにGoogle AI Studio内でGoogle Cloudのクレジットを提供し、開発者がワークスペースを離れずに毎月のクレジットを受け取って構築を続けられるようにした。これらの動きはアクセスを広げ、個人のコンテキストを深めた。
この文書は別の読者に向けて語っている。モデルを学習し、クラスタ単位で計算容量を購入する研究所や企業だ。その問いは、アシスタントが一人の人物についてより多くを知るかどうかではない。大規模な学習ジョブがどれだけ速く終わるか、協調が利益を食い尽くす前にどこまでスケールするか、不規則なエージェント型の作業がハードウェアを稼働状態に保つかどうかだ。この対比こそが、このベンチマークを単なるスコア以上のものにする背景である。Googleは以前の発表で、GeminiとAI Studioをより入りやすくしていた。今はそれらの製品の下にある産業基盤を示し、その基盤を、消費者向けアプリをまったく使わないかもしれない顧客に売らなければならない。
ベンチマークの時間は限られた条件のもとでの約束だ
報告されたすべての時間は、Googleが文書で述べているとおり、公式の参照チェックポイントから目標の収束基準までのMLPerfの学習時間を測ったものだ。この定義により、提出された実行はラウンドの規則の下で比較可能になる。同時に、買い手が学べることも制限する。公表された結果には、実行の価格も、エネルギー数値も、新しい顧客がどれだけのIronwood容量をいつ獲得できるかについての記述もない。これらの欠落は重要だ。高速なベンチマークシステムでも、その時間が節約になる前に、生産規模で利用可能かつ手頃でなければならないからだ。
次のMLPerfラウンドでは、競合他社がスケーリングの差を縮められるか、またこのベンチマークが成熟するなかでGoogleがエージェント型の結果を再現できるかが問われることになる。それまでは、支持される評価は明確だ。Googleは、事前学習と新しいエージェント型テストの両方にわたり、規模における協調に優位性を持つ学習プラットフォームを文書化し、その主張を、自社チップと、自社クラウド経由で提供されるNVIDIAシステムの両方に当てはめた。速度は明記されたテストの範囲内で現実だ。商業的価値は容量とコストによって決まるが、この文書はそれを価格付けしていない。
出典: Google, Google, Google Cloud Google Cloud leaders share what to expect in cybersecurity for 2027., Google, Google Cloud Get certified as a Google Cloud Professional Agentic Architect. By Gary Eimerman, Google, Claim your Google Cloud Credits in Google AI Studio (13 November 2026), Google, Connect Google Wallet to Gemini for personal finance insights (13 November 2026) · 日付:



