谷歌把TPU做成生意，英伟达迎来真对手

谷歌把TPU做成生意，英伟达迎来真对手

一日一叙

谷歌把TPU做成生意，英伟达迎来真对手从&;内部工具&;到&;对外卖货&;

今年4月，谷歌在拉斯维加斯的 Cloud Next 2026 大会上，把新一代自研 AI 芯片 TPUv8 摆上了台面。和以往最大的不同是，这次它一次发了两颗：一颗叫 TPU 8t，专攻模型训练；一颗叫 TPU 8i，专攻推理——也就是把训练好的模型跑起来、服务用户。这是谷歌十年来第一次把训练和推理拆成两款独立芯片。

拆分的背后，是谷歌对 AI 产业重心迁移的判断。谷歌 AI 与基础设施首席技术专家 Amin Vahdat 在官方博客里写道，随着 AI 智能体的兴起，社区将受益于&;分别针对训练和服务需求进行优化的芯片&;。训练是一次性资本开支，推理则随用户规模线性甚至非线性膨胀——当一个智能体为完成一个目标触发几十上百次推理调用，推理成本就成了循环账单。谷歌这个决策其实两年前就定下了，比智能体爆火还早。

更关键的信号是，谷歌这次明确把 TPU 推向外部客户。过去十年，TPU 主要养在谷歌自己的数据中心里，是成本项；从 2026 年二季度起开始向第三方数据中心交付，它才以&;商品&;身份进入公众视野。从内部自用转向对外商用，这一步才是真正向英伟达的领地迈脚。

真正的武器不是性能，是成本结构

谈挑战英伟达，很多人第一反应是&;跑分谁高&;。但谷歌的打法恰恰绕开了这一维。

英伟达至今控制着数据中心 GPU 市场约 92% 的份额，靠的是 GPU 的通用性和 CUDA 生态二十年的积累。谷歌没有在发布会上把 TPU 和英伟达产品做直接性能对比，它打的是另一张牌：总拥有成本（TCO）和技术自主权。

逻辑很简单——云巨头长期受制于英伟达的高定价和供货波动，自研专用芯片（ASIC）是摆摊&;辉达税&;的必然选择。通过把 Gemini 模型、Google Cloud 基础设施、TPU 训练与推理芯片垂直打通，谷歌在自家优化负载上拿到了比 GPU 更优的每瓦能效，官方称 TPU 8t 同价位性能是上一代 Ironwood（2025年11月发布）的 2.8 倍，TPU 8i 推理性能提升 80%。

市场结构也在松动。IDC 曾预测，推理场景中 ASIC 的份额将从 2024 年的约 15% 攀升至 2030 年的约 80%。当算力进入专业分工，&;通用 GPU&;和&;专用 ASIC&;并行的混合架构时代正在到来。对英伟达而言，威胁不在单颗芯片跑得更快，而在大客户手里多了一张议价筹码。

客户名单里藏着最硬的信号

判断一家芯片公司是不是真有竞争力，不看发布会，看谁掏钱。

谷歌 TPU 的外部客户名单里，有几个名字很有信息量：AI 公司 Anthropic 早早拿下了多达百万颗规模的 TPU（2025年10月扩大合作）；Meta 签下了一份价值数十亿美元的 TPU 云服务协议；连 OpenAI 也在租用 TPU 支撑部分产品运行。更耐人寻味的是 Meta——它自己有 MTIA 自研芯片计划，投入多年后，仍选择向谷歌采购数十亿美元的外部算力。当一个有内部替代方案的买家仍然外采，说明外部报价已经跨过了内部项目尚未达到的门槛。

这背后是谷歌的一套打法：芯片自用打底、云服务变现、再叠加对外投资绑定生态。2026 年，谷歌把资本开支指引上调至约 1950 亿至 2050 亿美元区间，主力投向新一代 AI 数据中心。TPU 也从内部工具，转成了对外平台和谈判筹码。研究机构预估，定制化 ASIC 市场 2026 年将增长约 45%，到 2033 年规模有望达到 1180 亿美元——这条赛道正在被重新定价。

英伟达为什么还难撼动

话说回来，&;挑战&;不等于&;颠覆&;。谷歌自己都没敢正面比性能，原因就在于英伟达的护城河不在单颗芯片。

第一是生态。CUDA 把开发者、框架、工具链绑了二十年，&;GPU 等于 AI 算力&;成了行业惯性认知，而 TPU 的 JAX/XLA 生态门槛更高、心智占有率更低。为此谷歌启动&;TorchTPU&;计划，让 TPU 原生支持 PyTorch，并拉上英特尔等组建 UXL 基金会，试图从软硬件两端瓦解 CUDA 壁垒——这本身就是承认生态战有多难打。

第二是通用性。训练本质上仍是通用计算任务，模型架构和方法迭代极快，专用芯片在灵活性上有天然短板。今年3月，英伟达还拿出自家基于 Groq 技术（约 200 亿美元收购）的新一代推理芯片迎战。短期内，任何 TPU、Trainium 或 MTIA 的组合都改不了九成 GPU 份额的格局。英伟达的优势不是某一项指标，而是&;你绕不开它&;的系统性依赖。

这场仗，和普通人有什么关系

表面看是两家美国公司的芯片之争，但它会顺着云价格，传导到每个人用的 AI 产品上。

当谷歌能用更低的推理成本对外供给算力，它就具备在云服务市场打价格战的底气——今天你用的某个 AI 助手、某段自动字幕、某次图像生成，背后可能是 TPU 在跑，也可能在补贴价格抢市场。算力从单一垄断走向多元竞争，终端 AI 服务的定价才有望回归理性。

更重要的是范式信号：软件巨头的尽头可能是芯片，而芯片的尽头是十年以上的体系化耐心。亚马逊有 Inferentia、Trainium，微软有二代 AI 芯片，Meta 有 MTIA——当所有云巨头都在自研，英伟达&;一家独大&;的算力格局，正在被慢慢改写。但有分析师提醒，在纯大模型训练场景下，TPU 的性价比可达 GPU 的数倍，代价是灵活性；也有创业者公开表示，采用 TPU 曾让其研发进度相比纯英伟达方案落后约一年。技术路线没有免费的胜利。

在可见的几年里，通用 GPU 仍会是 AI 基建的压舱石，专用芯片则是越来越重的变量。

那么问题留给你：当 AI 算力不再只握在一家公司手里，你更期待更便宜的 AI 服务，还是更担心技术路线分裂带来的兼容麻烦？