十年蛰伏，谷歌TPU芯片的商业化反攻

在公众普遍认知中，Google（谷歌）常被归类为一家典型的互联网软件巨头。论及人工智能底层芯片，外界往往第一时间想到英特尔、AMD，以及头顶万亿光环的 NVIDIA（英伟达）。然而，在全球科技巨头中，将自研芯片执行得最深入、最体系化且持续时间最长的企业，正是 Google。

由于美国半导体巨头林立，加上 TPU（张量处理单元）过去长期被定性为内部支撑工具，并未对外单卖，其声量一直隐于聚光灯之外。但到了今天，这一曾被视为配角的自研算力，已跃升为全球 AI 基础设施的重要支柱。

十年深耕：从专用加速到全场景覆盖

Google 的自研芯片之路始于 2015 年。彼时 AlphaGo 击败李世石轰动全球，其背后依靠的正是 Google 第一代自研 TPU。这颗芯片并未追求通用计算，而是针对矩阵乘法进行了极致定制优化。

在当时全行业热议“CPU 与 GPU 之争”的背景下，Google 敏锐觉察到自家搜索、广告和 YouTube 庞大业务带来的算力消耗瓶颈，果断开启自研进程：

• 2017年：推出 TPU v2，引入 BF16 浮点格式并开始支持模型训练；
• 2018年：TPU v3 落地，配合大规模液冷技术解决散热极限；
• 2024年：第六代 Trillium 面世，性能比上一代提升 4.7 倍，能效提升 67%，成为训练 Gemini 大模型的核心主力；
• 2025年：第七代 Ironwood 发布，单芯片 FP8 峰值算力攀升至 4614 TFLOPS；
• 2026年：第八代 TPU 细分为专注训练的 TPU 8t 与侧重推理的 TPU 8i，完成了由“通用大算力”向精细化任务分流的技术成熟跨越。

芯片研发是一项重资本且极度依赖迭代的工程。Google 庞大的自有业务形成海量需求托底，让其芯片演进避开了纯创业团队的流片生存危机。

从“内部自用”迈向“商业输出”

Google 与其他自研芯片玩家的关键分水岭，在于商业化半径。过去，大部分互联网自研芯片仅供内部集群消纳；如今，Google 已将 TPU 全面推向市场：

• 大客户全面入局：Anthropic 签下数十亿美元的大单，锁定了最多达百万块 TPU 的算力支持；算力紧缺的 Meta 亦斥巨资租赁 Google 的 TPU 集群；
• 服务跨国企业：在 Google I/O Connect 活动中，蚂蚁集团披露将高强度计算负载迁移至 TPU 后，训练性能获得了显著跃升；
• 资本与生态绑定：Google 与迈威尔科技（Marvell）达成深度合作并大笔持股，由后者为其定制专用推理加速器及周边硬件，进一步夯实生态外延。

目前，Google 已构建起“自研芯片 + 谷歌云 + 外部巨头绑定”的商业闭环，算力开始从“内部成本中心”彻底转型为对外高毛利的“收入引擎”。

全栈壁垒：不仅是一颗芯片

在 NVIDIA 凭借 CUDA 生态构筑坚固防线的当下，Google 能够突围的核心在于“全栈垂直一体化能力”。

其真正护城河并非孤立的一颗芯片，而是囊括了芯片架构、自研模型、XLA 编译器、OCS 光学交换机网络与超大规模数据中心的系统闭环。配合 DeepMind 团队对前沿大模型结构的洞察，硬件团队得以提前锁定演进架构。数据显示，在经过深度适配和优化的自有业务负载中，TPU 方案在性价比与能效比上对传统通用 GPU 构成了直接挑战。

在 AI 推理市场加速向专用集成电路（ASIC）倾斜的趋势下，Google 正在重新定义硬件巨头与云厂商的边界。这场由全栈能力与十年耐力堆叠而成的算力竞争，才刚刚迎来高潮。