TPU: Специальная архитектура для AI¶

Проблема: Ограничения классических процессоров в AI¶

Для современных задач искусственного интеллекта требуются огромные вычислительные мощности. Традиционные процессоры (CPU) и графические ускорители (GPU) не всегда оптимальны для специфических задач машинного обучения. Поэтому появились специализированные аппаратные решения, такие как Tensor Processing Unit (TPU) — процессоры, разработанные Google для эффективного выполнения операций, связанных с AI.

Ограничения существующих процессоров¶

Ограничения CPU: почему он не подходит для AI¶

CPU рассчитан на последовательные вычисления

Когда процессор пытается работать с большими массивами данных, узкий канал памяти становится "пробкой". CPU имеет несколько мощных ядер, которые работают над разными задачами одновременно, но в пределах одной задачи CPU выполняет команды последовательно. AI же требует массового параллелизма

Проблема "узкого места"

CPU использует фон-неймановскую архитектуру, где данные хранятся в оперативной памяти и передаются через шину. Шина данных – узкое место: процессор ждёт загрузки данных вместо того, чтобы сразу выполнять вычисления. В AI-вычислениях CPU простаивает большую часть времени, ожидая данные, что сильно снижает эффективность.

Слабая оптимизация для матричных операций

Основные вычисления в нейросетях – это умножение матриц и векторов (тензорные операции). CPU не содержит специализированных блоков для матричных вычислений, выполняя их через общие арифметические модули, что делает процесс медленным.

GPU как альтернатива: почему он тоже не идеальна?¶

Когда оказалось, что CPU не справляется с нейросетями, разработчики обратились к графическим процессорам (GPU). Они оказались лучше из-за своей архитектуры, но тоже имели ограничения.

GPU создан для графики, а не для AI

Графический процессор содержит тысячи маломощных ядер, которые умеют работать параллельно. Это ускорило вычисления нейросетей, но GPU изначально разрабатывались для 3D-графики, а не для нейронных сетей. Они не были оптимизированы именно под тензорные вычисления.

GPU по-прежнему ограничен памятью

Хоть у GPU больше пропускная способность памяти, он всё равно зависит от передачи данных из оперативной памяти, что создаёт задержки. Массивные модели AI требуют огромных объёмов данных, а узкие места GPU в памяти становятся ограничивающим фактором.

GPU слишком универсален

Производители GPU (NVIDIA, AMD) создают универсальные решения: они должны работать не только с нейросетями, но и с рендерингом, физическими симуляциями и другими задачами. Универсальность = неоптимальность для конкретных вычислений AI.

Эти ограничения привели к созданию тензорных процессоров (TPU, Tensor Processing Units) — специализированных чипов, разработанных Google, которые значительно ускоряют выполнение тензорных операций, обеспечивая лучшую производительность и энергоэффективность по сравнению с GPU.

Что такое TPU¶

TPU – это интегральная схема специального назначения, разработанная для выполнения конкретных задач в AI вычислениях. Это специализированный ускоритель, созданный Google для ускорения нейросетевых вычислений. TPU предназначен только для AI-задач и построен на принципах максимальной параллельности и эффективности обработки тензорных операций.

Основные принципы работы¶

Параллельная обработка матричных операций – вместо работы с отдельными числами, TPU обрабатывает целые тензоры.
Минимизация задержек – TPU хранит данные внутри себя, не загружая их каждый раз из оперативной памяти.
Оптимизированные вычислительные блоки – TPU использует тензорные процессоры MXU (Matrix Multiply Unit), которые специализированы для операций умножения матриц.
Минимизация общего назначения инструкций – TPU не содержит сложных управляющих механизмов, которые есть в CPU/GPU, что делает его энергоэффективным.

Главное отличие TPU от CPU/GPU:¶

CPU работает с отдельными числами (скалярами) и выполняет инструкции последовательно. GPU работает с векторами (массивами чисел) и может параллельно выполнять одни и те же операции над разными данными. TPU работает с матрицами (тензорами) и может обрабатывать сотни тысяч операций одновременно.

Как TPU выполняет тензорные операции?¶

Обычно для умножения матриц CPU выполняет отдельные умножения и сложения в несколько шагов. В TPU матрицы загружаются сразу в MXU, и все элементы умножаются одновременно.

CPU (медленно):

Загружает число A из памяти
Загружает число B
Умножает A * B
Записывает в память
Повторяет всё снова

TPU (быстро):

Загружает всю матрицу в MXU
Все умножения выполняются сразу
Записывает готовый результат без промежуточных шагов

Основные отличия TPU:¶

Специализированная архитектура для тензорных вычислений – без избыточных инструкций, характерных для CPU/GPU.
Отказ от фон-неймановской модели – TPU хранит данные внутри самого процессора и не ждёт загрузки из оперативной памяти.
Использование тензорных процессоров (MXU) – специализированные модули для умножения матриц работают быстрее, чем любые другие процессоры.
Высокая параллельность – TPU может одновременно обрабатывать огромное количество данных, обеспечивая прирост производительности.

Итог: почему TPU быстрее CPU и GPU?¶

Фактор CPU GPU TPU	CPU	GPU	TPU
Использование памяти	Внешняя (RAM)	Внешняя (VRAM)	Внутренняя
Основной тип вычислений	Последовательные	Параллельные	Массово параллельные
Оптимизация для матриц	Нет	Частично	Полностью
Выделенные тензорные блоки	Нет	Частично	Да
Быстродействие	Низкое	Среднее	Высокое

Проблема	CPU	GPU	TPU
Последовательные вычисления	✅	❌	❌
Зависимость от медленной памяти	✅	✅	❌
Отсутствие матричных блоков	✅	✅	❌
Неоптимальная архитектура	✅	✅	❌
Ограниченная параллельность	✅	❌	❌

Как программируется TPU¶

TPU не программируется напрямую, как CPU или GPU. Вместо этого он управляется высокоуровневым ПО, таким как TensorFlow.

TensorFlow — это открытая библиотека машинного обучения и искусственного интеллекта, разработанная Google. Она предоставляет инструменты для создания, обучения и развертывания моделей AI. TensorFlow поддерживает различные платформы, включая CPU, GPU и TPU. TensorFlow — это не единственный фреймворк, который поддерживает TPU, но он является основным, так как TPU разработаны Google, и TensorFlow — их родной фреймворк.

XLA (Accelerated Linear Algebra) — это компилятор, встроенный в TensorFlow, который преобразует модель в машинный код, оптимизированный для TPU.

Для TPU не пишут код на низкоуровневых языках (C, Assembly), потому что его инструкциями напрямую управляет фреймворк.

Как работать с TPU¶

TPU используется как сопроцессор, работающий в паре с CPU. TPU не может самостоятельно загружать модели или управлять файлами – этим занимается CPU. TPU не имеет прямого доступа к данным на диске или в сети. CPU отвечает за загрузку, подготовку и передачу данных на TPU. Это связано с архитектурой TPU, которая оптимизирована для выполнения вычислений, а не для управления данными.

После компиляции через XLA на выходе получается бинарный код, который может выполняться на TPU.
TensorFlow с CPU подключается к TPU и начинает загрузку модели в память, инициализирует её.
Если доступно несколько ядер TPU, TensorFlow распределяет модель между ними.
CPU переходит в режим управления.
А TPU выполняет свои операции независимо от CPU.
TensorFlow на CPU должен работать всё время, пока выполняется программа, использующая TPU (Это связано с тем, что CPU задачи управления, которые необходимы для работы TPU)
Данные (например, изображения или тексты) загружаются в память CPU и подготавливаются (например, нормализуются ( преобразование данных к единому масштабу (например, диапазону [0, 1] или стандартному распределению)) и батчируются(разделение исходного набора данных на небольшие группы (батчи или мини-батчи), которые последовательно подаются в модель для обучения или предсказания)).
Подготовленные данные передаются из памяти CPU в память TPU. Это происходит через высокоскоростной канал (PCIe)
TPU выполняет нужные операции на переданных данных.
Результаты вычислений сохраняются в памяти TPU.
Результаты передаются обратно в память CPU для дальнейшей обработки
После завершения программы TensorFlow на CPU освобождает ресурсы TPU и завершает работу.

Какие компоненты нужны для работы TPU?¶

Чтобы TPU работал, нужна система:

Аппаратное обеспечение
- TPU чип (специализированный ускоритель).
- CPU (управляет TPU, загружает данные).
- ОЗУ (RAM) (буфер для обработки данных).
- SSD / HDD (хранение обученной модели).
Программное обеспечение

Для работы с TPU нужен специальный софт.

- Операционная система (Linux, macOS, Windows) — запускает код.
- Фреймворки для AI:
    - TensorFlow XLA (компилятор моделей для TPU).
    - PyTorch XLA (аналог для PyTorch).
- Драйвер TPU (соединяет TPU с CPU). Google не предоставляет драйверы для локального использования TPU, так как они
  оптимизированы для работы в облаке. (драйверы уже предустановлены в средах, где доступны TPU (например, Google
  Cloud или Google Colab) Драйверы для TPU не поставляются вместе с TensorFlow или XLA. Они предоставляются Google и
  доступны только в определенных средах:
- Компилятор TPU (преобразует нейросетевые операции в инструкции TPU).

Важно: Вся логика программы остаётся на CPU, а TPU делает только ускоренные вычисления.

Взаимодействие с TPU¶

Через какие интерфейсы общается CPU и TPU?

Взаимодействие между CPU и TPU происходит через специализированные интерфейсы и шины данных, обеспечивающие передачу команд, данных и результатов вычислений.

Физические интерфейсы (Аппаратное взаимодействие)¶

CPU и TPU могут быть связаны разными способами, в зависимости от архитектуры TPU:

PCIe (PCI Express) – стандартный интерфейс для TPU-карт
- Используется в TPU-картах.
- Позволяет подключать TPU как ускоритель к CPU, аналогично видеокартам (GPU).
- Обеспечивает высокую скорость передачи данных между CPU и TPU (от PCIe 3.0 до 5.0).

Плюсы: Высокая скорость передачи, универсальность.

Минусы: Ограниченная пропускная способность для больших тензоров.

NVLink (альтернатива PCIe, используется в суперкомпьютерах)
- Разработан NVIDIA для связи GPU, но TPU тоже может поддерживать аналоги NVLink.
- Прямое соединение TPU-TPU без посредничества CPU.
- Намного быстрее, чем PCIe (до 900 ГБ/с).

Плюсы: Высокая скорость соединения между TPU.

Минусы: Требует специального оборудования.

Interconnect (Google TPU Pod(Это масштабируемый кластер из TPU, связанных через высокопроизводительную сеть)) – объединение TPU в кластер) - это Специализированная сеть для связи между TPU
- В облачных решениях Google TPU соединяются в TPU Pod через оптоволоконные или шины высокой пропускной способности.
- Позволяет объединять сотни TPU в единую систему.

Плюсы: Масштабируемость до суперкомпьютерных мощностей.

Минусы: Используется только в облаке Google.

Программное взаимодействие (Софт и API для связи CPU и TPU)¶

Физическое соединение (PCIe, HBM(High Bandwidth Memory высокоскоростная память для GPU и ускорителей)) — это только транспорт. Чтобы CPU мог передавать команды TPU, используются драйверы и API.

Драйвер TPU (TensorFlow XLA, PyTorch XLA)
- Специальный драйвер, который преобразует команды CPU в инструкции для TPU.
- Оптимизирует выполнение тензорных операций.
- Используется в TensorFlow XLA (Accelerated Linear Algebra) и PyTorch XLA.
API для программирования TPU. Для работы с TPU используются специальные API, например:
- TensorFlow TPU API
- PyTorch XLA
- Google Cloud TPU API

Эти API автоматически направляют вычисления на TPU, оптимизируя код.

Архитектура процессора TPU¶

Архитектура¶

TPU не попадает в классические архитектуры CISC или RISC, так как:

Он не универсальный процессор (как CPU), а специализированный чип.
TPU не выполняет стандартные команды общего назначения (арифметика, ветвления).
Он использует векторно-матричные команды, управляемые XLA-компилятором.

Если пытаться классифицировать:

Не CISC, потому что нет сложных инструкций вроде MOV, ADD, JMP.
Не классический RISC, так как TPU не выполняет независимые команды, а работает с обработкой тензоров.
Ближе всего TPU к VLIW (Very Long Instruction Word), где за один такт выполняются несколько операций параллельно.

Разрядность¶

Внутренняя архитектура — 32-битная, но оптимизирована для работы с 8/16-битными тензорами. Выбор 32-битной архитектуры объясняется несколькими причинами:

Машинное обучение не требует 64-битной точности
- Для AI достаточно 16 или 8, так как нейросети устойчивы к небольшим численным ошибкам.
- 64-битные вычисления увеличили бы энергопотребление и снизили бы эффективность TPU без значительного прироста качества обучения.
Оптимизация памяти и энергопотребления
- Чем больше бит занимает число, тем больше памяти требуется для его хранения.
- 64-битные числа занимали бы вдвое больше памяти, увеличивая потребность в пропускной способности и энергопотребление.
- Использование 16 бит позволяет загружать в 4 раза больше данных в ту же память по сравнению с 64.
Улучшенная пропускная способность
- TPU использует HBM (High Bandwidth Memory), но её пропускная способность ограничена.
- При 64-битных данных пропускная способность упала бы в 2 раза, а для нейросетей важно питать MXU данными без задержек.
- Использование 16- и 8-битных форматов позволяет выполнять в 4-8 раз больше операций за один такт.
MXU (Matrix Multiply Unit) работает с низкой разрядностью
- Главный вычислительный блок TPU (MXU) спроектирован специально для 8/16 бит.
- Включение 64-битных операций потребовало бы изменения всей архитектуры и значительно снизило бы эффективность.

Фон-Неймановская vs Гарвардская архитектура¶

Отказ от традиционной модели памяти (фон-неймановской архитектуры)

Проблема CPU и GPU: память – "узкое место".¶

В традиционной фон-неймановской архитектуре данные хранятся в оперативной памяти и передаются процессору по общей шине данных. Шина данных становится узким местом, поскольку CPU/GPU ждут загрузки данных вместо выполнения вычислений. Даже у GPU, использующего высокоскоростную VRAM, всё ещё есть задержки на передачу данных.

Решение TPU: гарвардская архитектура с локальной памятью.¶

TPU использует специализированную архитектуру, в которой данные загружаются заранее и хранятся внутри самого процессора. Нет необходимости каждый раз загружать данные из RAM, что убирает задержки и увеличивает пропускную способность. TPU использует массивно-параллельные вычисления, где все операции выполняются одновременно, без ожидания данных из памяти.

Что это даёт?¶

Меньше задержек – TPU не ждёт, пока данные загрузятся из RAM.
Более высокая пропускная способность – тензоры хранятся внутри TPU, обеспечивая мгновенный доступ.
Минимальные накладные расходы – нет постоянного обмена данными, как в CPU и GPU.

CPU и GPU: Используют фон-неймановскую архитектуру, где память и процессор разделены. Данные и инструкции хранятся в разных местах, передача идёт через общую шину, что создаёт задержки.

TPU: Использует гарвардскую архитектуру, где память и вычислительные блоки близко расположены или объединены. Данные не загружаются из внешней RAM, а хранятся внутри TPU, что уменьшает задержки и увеличивает скорость работы.

Состав TPU¶

Ключевые технологии TPU:

MXU (Matrix Multiply Unit) – сердце TPU
- MXU – это специализированный блок для умножения матриц.
- Это основной вычислительный блок TPU, оптимизированный для выполнения операций умножения матриц.
- MXU может выполнять тысячи операций умножения и сложения за один такт.
Встроенная память HBM (High Bandwidth Memory)
- Это высокоскоростная память, которая используется для хранения данных и промежуточных результатов вычислений.
- HBM обеспечивает высокую пропускную способность, что позволяет быстро передавать данные между памятью и вычислительными блоками.
- Данные загружаются один раз и остаются в TPU.
- Нет узкого места памяти, как у CPU и GPU.
Unified Buffer (UB):
- Это быстрая память, которая используется для хранения промежуточных данных и результатов вычислений.
- Unified Buffer меньше по объему, чем HBM, но быстрее и используется для временного хранения данных.
Activation Unit:
- Этот блок отвечает за выполнение нелинейных операций, таких как функции активации (Функции активации – это математические фильтры, которые решают, какие данные дальше пойдут в нейросеть, а какие нет. Они делают так, чтобы модель могла понимать сложные зависимости, а не просто складывать числа.). В TPU за это отвечают Activation Units – маленькие ускорители внутри чипа, которые очень быстро считают эти функции. Они работают как светофор: ReLU – если число положительное, пропускаем его дальше, если отрицательное – заменяем на ноль. Sigmoid – сжимает любое число в диапазон от 0 до 1, удобно для вероятностей. Softmax – превращает кучу чисел в вероятности, например, что на фото кошка (90%), а не собака (10%). Tanh – как Sigmoid, но сжимает от -1 до 1, хорошо для баланса данных.
- Activation Unit работает совместно с MXU для выполнения полного цикла вычислений.
Accumulators:
- Это регистры, которые используются для накопления промежуточных результатов вычислений.
- Accumulators позволяют выполнять операции, такие как суммирование или усреднение, без необходимости сохранять промежуточные результаты в памяти.
Control Unit:
- Это блок управления, который координирует работу всех компонентов TPU.
- Control Unit управляет выполнением инструкций, передачей данных и синхронизацией между блоками.

Как работают компоненты TPU?¶

Загрузка данных: Данные загружаются из HBM в Unified Buffer. Unified Buffer используется для временного хранения данных, которые будут использоваться в вычислениях.

Выполнение операций: Данные передаются из Unified Buffer в MXU. MXU выполняет операции умножения матриц и сложения. Промежуточные результаты сохраняются в Accumulators.

Нелинейные операции: Промежуточные результаты передаются в Activation Unit для выполнения нелинейных операций (например, ReLU). Результаты возвращаются в Unified Buffer или HBM.

Сохранение результатов: Окончательные результаты вычислений сохраняются в HBM. Результаты могут быть переданы обратно в CPU или использованы для следующих вычислений.

Итог¶

TPU состоит из нескольких ключевых компонентов, таких как MXU, HBM, Unified Buffer, Activation Unit, Accumulators, Control Unit и Interconnect.
MXU — это основной вычислительный блок, оптимизированный для выполнения операций умножения матриц.
HBM — это высокоскоростная память, которая обеспечивает высокую пропускную способность.
Unified Buffer — это быстрая память, которая используется для временного хранения данных.
Activation Unit отвечает за выполнение нелинейных операций.
Accumulators используются для накопления промежуточных результатов вычислений.
Control Unit координирует работу всех компонентов TPU.
Interconnect соединяет различные компоненты TPU и позволяет им обмениваться данными.

Обработка данных: последовательность vs параллельность¶

Характеристика	CPU	GPU	TPU
Основной тип вычислений	Последовательные	Параллельные	Массово параллельные
Количество ядер	2-64 мощных ядра	1000+ слабых ядер	Массив тензорных блоков
Оптимизация для матричных операций	❌	⚠️ Частично	✅ Полностью

CPU: Ориентирован на последовательную обработку, его ядра выполняют разные задачи, но работают по очереди. Даже у многопоточных CPU узким местом остаётся ограничение по количеству потоков и пропускной способности памяти.

GPU: Ориентирован на массовую параллельность, имеет сотни или тысячи потоков, которые выполняют одни и те же инструкции над разными данными (SIMD). Подходит для графики и нейросетей, но не идеально оптимизирован для матриц.

TPU: Использует специальные тензорные процессоры (MXU) для максимально параллельных матричных операций. Не просто параллельные вычисления, а массовая параллельность с минимумом накладных операций.

Использование памяти и шины¶

Характеристика	CPU	GPU	TPU
Где хранятся данные?	В оперативной памяти (RAM)	В видеопамяти (VRAM)	Внутри TPU
Ограничение памяти	Узкое место: шина	VRAM быстрее, но всё ещё ограничение	Минимальные задержки
Пропускная способность	Низкая	Средняя	Очень высокая

CPU и GPU:

Часто простаивают, ожидая загрузку данных из памяти. GPU быстрее CPU, так как использует видеопамять (VRAM), но всё равно зависит от пропускной способности памяти.

TPU:

Данные уже загружены в TPU, нет нужды в постоянном обмене с RAM. Реализован ускоренный доступ к данным внутри процессора. Резко снижены накладные расходы на перемещение данных.

Вычислительные блоки (ALU, CUDA, MXU)¶

Блок	CPU	GPU	TPU
Арифметико-логическое устройство (ALU)	✅	✅	❌
CUDA/Shader Execution Units	❌	✅	❌
Тензорные процессоры (MXU)	❌	❌	✅

CPU: Использует ALU (Arithmetic Logic Unit) для выполнения инструкций. Подходит для разноплановых вычислений, но не оптимизирован для нейросетей.

GPU: Использует CUDA-ядра (у NVIDIA) или Shader Execution Units (у AMD). Хорош для параллельных операций, но не всегда эффективен для нейросетей.

TPU: Основной вычислительный блок – MXU (Matrix Multiply Unit). MXU обрабатывает матрицы напрямую, обеспечивая гигантскую пропускную способность для AI. Не нужны сложные инструкции (как у CPU/GPU), всё сосредоточено на быстром умножении матриц.

Резюме:

CPU (Central Processing Unit) Вычислительные блоки:

ALU (Arithmetic Logic Unit) — выполняет арифметические и логические операции (сложение, умножение, сравнение).

CU (Control Unit) — управляет потоком инструкций и данных.

Особенности:

- Универсальность: оптимизирован для последовательных задач (условия, ветвления, сложная логика).
- Мало ядер (4–64), но каждое ядро мощное и автономное.
- Кэш-память для уменьшения задержек.

Пример задач: ОС, базы данных, веб-серверы.

GPU (Graphics Processing Unit) Вычислительные блоки:

CUDA-ядра — тысячи упрощённых ALU, оптимизированных для параллельных вычислений.

Tensor Cores (в современных GPU) — специализированные блоки для матричных операций.

Особенности:

- Массовый параллелизм: тысячи ядер для одновременной обработки данных (например, пикселей или вершин).
- Нет сложного управления потоком — выполняет одну операцию на множестве данных (SIMD).
- Высокая пропускная способность памяти (GDDR/HBM).

Пример задач: Графика, машинное обучение (CNN), научные расчёты.

TPU (Tensor Processing Unit) Вычислительные блоки:

MXU (Matrix Multiply Unit) — специализирован только для умножения матриц (основа ИИ-моделей).

Vector Processing Unit (VPU) — вспомогательные операции (активации, нормализация).

Особенности:

- Жёстко заточен под тензорные операции (матрицы 16×16 или 128×128).
- Нет универсальных ALU — только предопределённые ИИ-оптимизированные вычисления.
- Минимальные задержки: данные и веса загружаются напрямую в MXU.

Пример задач: Обучение/инференс нейросетей (Transformer, ResNet).

Энергопотребление и эффективность¶

Характеристика	CPU	GPU	TPU
Энергопотребление	Высокое 50-150 Вт	Очень высокое 200-500 Вт	Низкое 30-100 Вт
Эффективность AI-задач	Плохая	Средняя	Высокая
Тепловыделение	Высокое	Очень высокое	Низкое

CPU: Потребляет много энергии на управление потоками, памятью и инструкциями. Мало полезных вычислений на ватт потребляемой мощности.

GPU: Высокая мощность, но много "лишних" вычислений. Эффективнее CPU, но всё ещё много накладных расходов.

TPU: Оптимизирован под AI, не тратит энергию на ненужные инструкции. Минимальные накладные расходы = больше вычислений за ту же мощность.

Высокая производительность не всегда означает большие затраты энергии. TPU не только быстрее, но и намного эффективнее по энергопотреблению.

Почему TPU потребляет меньше энергии?

Нет сложной логики управления, как у CPU.
Нет больших накладных расходов на память, как у GPU.
Оптимизирован для AI → выполняет только нужные операции.

Итог¶

Специализация под ИИ

Google создал Tensor Processing Unit (TPU) — первый в мире специализированный процессор для машинного обучения, оптимизированный исключительно под матричные операции (MXU). Это позволило:

Ускорить обучение моделей в 10–100 раз по сравнению с GPU.

Снизить энергопотребление за счёт отказа от универсальности.

Архитектурные инновации

Matrix Multiply Unit (MXU) — жёстко заточен под умножение матриц (основа ИИ).

High Bandwidth Memory (HBM) — решает проблему "бутылочного горлычка" памяти.

Interconnect — масштабируемость до тысяч TPU в дата-центрах.

Влияние на индустрию

Подтолкнул NVIDIA и AMD к созданию аналогичных решений (Tensor Cores, CDNA).

Сделал ИИ доступнее — облачные TPU в Google Cloud снизили стоимость обучения моделей.

Запустил гонку специализированных ускорителей (например, Cerebras, Graphcore).

Ограничения

Не универсален — бесполезен вне задач ИИ.

Закрытая экосистема — работает только в Google Cloud.