何が測られたのか
このテストは、AIが決められた品質に達するまでの時間を測るものです。Ironwoodを8,192基使った場合は1.70分で到達しました。
コードを書くAIを鍛える新しい試験では、640基を使って18.02分でした。正答率は目標の0.69を上回る0.765でした。
使えるようになる時期
Googleのチップ以外に、NVIDIAのGB300 256基の結果も出ています。時間は31.96分でした。日本での提供や料金はまだ発表されていません。

画像:Google(公式発表より)
Ironwood TPU 8,192基が事前学習の目標品質に1.70分で到達しました
要約版:専門用語を控えて説明しています
このテストは、AIが決められた品質に達するまでの時間を測るものです。Ironwoodを8,192基使った場合は1.70分で到達しました。
コードを書くAIを鍛える新しい試験では、640基を使って18.02分でした。正答率は目標の0.69を上回る0.765でした。
Googleのチップ以外に、NVIDIAのGB300 256基の結果も出ています。時間は31.96分でした。日本での提供や料金はまだ発表されていません。
Googleの公式ブログによると、Google CloudはAIの学習速度を測る性能テスト「MLPerf Training v6.1」で10件の結果を出しました。直接の対象はAIの学習基盤を選ぶ開発者や情報システム担当者です。一般の利用者の契約や使い方は変わりません。
MLPerf Trainingは、AIが決められた品質に達するまでの時間を測る性能テストです。業界団体のMLCommonsが運営しています(MLCommons公式サイト、11/17確認)。
今回の結果は、第7世代TPU「Ironwood」とNVIDIAのGrace Blackwell GPUの2系統です。Google CloudのAI Hypercomputer(AI用の計算基盤の設計)上で動かしています。
事前学習(AIに大量のデータを最初に読み込ませる工程)では、Ironwood 8,192基が目標品質に1.70分で到達しました。4,096基までチップを増やしたときの効率は96%でした。
今回の回では、エージェント型強化学習(AIが試行錯誤しながら手順を学ぶ方法)が初めてベンチマークに加わりました。
Ironwood 640基は、コーディングの試験で18.02分で目標の正答率に届きました。目標の0.69に対し結果は0.765です。
コードの生成と学習を同時に進めたため、学習用チップが待つ時間は全体の3%未満でした。
MLCommonsの一覧では、この試験は「R2E-Gym-Subset(易しい区分)」で、モデルはQwen3.5-397B-A17B、指標は0.69 pass @ 4とされています(MLCommons公式サイト、11/17確認)。
Google CloudのA4X Maxインスタンスでは、NVIDIA GB300 GPU 256基が31.96分で目標品質に到達しました。
A4XとA4X Maxでは、エージェント型強化学習の提出も5件ありました。
MLCommonsによると、結果は複数回の測定から最高値と最低値を除いて平均します。それでも誤差は残り、画像系で約±2.5%、そのほかで約±5%です(MLCommons公式サイト、11/17確認)。
また、各試験でモデルやデータ、目標品質が違います。1.70分、18.02分、31.96分を横に並べて速さを比べることはできません。
Ironwoodの96%という拡張効率と、待ち時間3%未満という数字は、大規模な学習で台数を増やしても効きやすいことを示すとみられます。ただし、試験ごとに条件が違うため、速さの優劣は結果表で確かめる必要があります。
よく読まれている記事
自社のAI学習基盤を選ぶ立場なら、MLCommonsの結果表で条件を確かめ、料金の発表を待つのが妥当です。
11/17時点の判定。発表内容をもとにAIで判定しています。最新の提供状況は公式情報をご確認ください。
毎朝7時、暮らしとお金のニュースの要点を5本
前日に出た記事から、給付・税・料金・値上げなど暮らしとお金に関わる話を中心に選び、1本2行でまとめてメールで届けます。無料・いつでも解除できます。
主要企業の大きな発表だけ、1日4回まで。夜22時〜朝7時は鳴らしません。いつでも解除できます。
本記事は公式発表の文章をもとにAIが要約・解説して自動生成したものです。誤りが含まれる可能性があるため、正確な仕様・料金は公式発表をご確認ください。元記事を読む制作方法と事実確認の手順は編集方針をご覧ください。誤りのご指摘はお問い合わせから受け付けています。