![]()
2026年11月中旬,谷歌第八代TPU产品线新增两款配置,分别面向机密推理和长上下文场景。加上上半年发布的两款产品,第八代TPU在一年内扩展到四种系统形态。更值得行业关注的是,谷歌首次把完整TPU系统卖到客户自有数据中心,交付内容覆盖计算、存储、网络硬件和软件能力,并提供训练、推理相关服务。谷歌母公司Alphabet在第三季度财报中已将“产品销售,主要为TPU系统”列入云业务收入,并预计第四季度相关销售继续扩大。围绕“每美元推理性能领先GB200约五成”的市场测试,AI算力竞争的焦点从单芯片峰值指标,转向系统级性价比、软件迁移成本和整柜交付能力。英伟达的生态护城河不会一夜松动,但算力市场的定价权已经开始出现新的变量。
一、从云上租用到整柜交付:TPU的商业角色变了
TPU最初是谷歌为降低自身AI业务算力成本而自研的专用加速芯片。2018年起,谷歌以云服务形式对外提供TPU算力租赁,硬件基础设施仍由谷歌运营管理。2026年,谷歌开始向外部客户销售整套TPU系统,支持在客户自有数据中心内部署。这一变化的意义不在于多了一个芯片供应商,而在于谷歌从“云上算力服务商”进一步变成“系统级算力供应商”。
整柜交付是理解这一变化的关键。客户购买的不再是一张加速卡,而是包含计算节点、存储、网络互联、软件栈和运维支持的一体化系统。采购单位从“卡”变成“柜”,评价指标也从单卡算力、显存带宽,扩展到集群效率、能效比、部署周期和单位token成本。谷歌第二季度开始交付完整TPU系统,第三季度云业务收入达到307亿美元,同比增长103%,经营利润升至111.21亿美元。Alphabet明确将TPU系统销售列为云业务增长的重要贡献因素之一。虽然大部分合同收入预计要到2027年才进入报表,但这一商业模式已经进入收入确认和客户扩展的轨道。
这背后有供需两端的推动。高端GPU持续紧缺,部分客户在英伟达交付周期和采购成本面前寻找替代方案;谷歌则需要用外部订单分摊数据中心资本开支,用规模化需求反哺自研硬件的成本曲线。TPU外售因此不只是产品策略调整,更是谷歌把内部规模优势转化为外部商业收入的结构性尝试。
二、每美元推理性能:定价权从参数转向系统效率
11月5日,SemiAnalysis公布的Agent推理测试结果引发关注。测试显示,谷歌第七代TPU Ironwood在部分模型和场景下,每美元token产出已经能够超过英伟达GPU。围绕“每美元推理性能领先GB200约五成”的说法,行业需要看到两层含义。
第一,推理市场的成本敏感度远高于训练市场。训练集群追求峰值算力、互联规模和软件生态成熟度,客户对单次采购价格相对不敏感;推理业务直接对应服务收入,单位token成本、能效、并发效率和运维成本会迅速传导到毛利。TPU以专用架构切入推理,在特定模型和批处理策略下形成更低的每美元成本,具备商业吸引力。
第二,每美元性能不是单一芯片指标,而是系统效率的结果。它受内存带宽、互联拓扑、编译器和调度软件、模型结构、批量大小、网络存储配置等多重因素影响。测试场景变化,结论可能变化。原文提到,英伟达在TPU提交测试结果后组织工程师团队进行多轮优化,并在某个模型测试上实现GB300每美元token产出反超TPU 1.5至2.6倍。这说明竞争不是静态的“谁领先五成”,而是芯片、系统、软件和优化能力的动态对抗。
对云厂商和大型企业而言,真正的问题是:在自身模型结构、业务负载和运维体系下,单位有效算力的总拥有成本是多少。TPU外售提供的是一套可比较的系统级报价,英伟达则用持续优化和生态工具回应。定价权之争由此从“单卡卖多少钱”转向“每美元能产出多少有效token”。
三、CUDA护城河不会一夜松动,但迁移成本在下降
英伟达最深的护城河长期来自CUDA生态。开发者用PyTorch搭建模型,经由CUDA调用GPU,大量库、工具和工程经验围绕这一路径积累。谷歌TPU过去深度绑定TensorFlow和JAX,软硬件栈与GPU差异较大,客户迁移门槛高。这是TPU外售面临的核心障碍,也是英伟达生态黏性的来源。
变化出现在软件层。2025年年中,谷歌与Meta的PyTorch团队合作开发TorchTPU,目标是支持少量改代码即可在TPU上运行PyTorch模型。2026年10月底,这一合作成果正式开源。它的意义不在于立刻替代CUDA,而在于降低“前端框架—后端芯片”之间的绑定强度。对开发者而言,如果PyTorch模型迁移到TPU的改造成本持续下降,专用芯片进入生产环境的门槛就会降低。
但护城河松动不等于城墙倒塌。CUDA的优势不仅是API,还包括经过长期验证的算子库、分布式训练工具、性能调优经验、故障处理能力和庞大开发者社区。大规模训练集群对稳定性和生态完整性的要求更高,客户不会仅因推理性价比放弃成熟栈。更现实的路径是混合部署:训练和复杂任务继续使用GPU,推理和特定负载引入TPU或其他专用芯片,以多源供应换取成本和供应安全。
因此,英伟达生态护城河的松动更可能表现为“边际替代”而非“中心替代”。推理场景先出现分流,软件迁移成本逐步下降,采购议价空间随之扩大。英伟达仍掌握训练和通用计算的高地,但“一颗通用芯片包打天下”的叙事开始面对专业化系统的挑战。
四、国内云厂商的采购逻辑与供应链连锁反应
对中国云厂商和AI基础设施企业而言,谷歌TPU外售的直接影响有限,示范效应却很强。从公开信息看,TPU系统外售初期面向部分精选客户,国内企业直接采购整柜TPU面临商业范围、合规条件和交付支持等现实约束。短期更值得关注的是采购逻辑的变化。
第一,推理算力的性价比权重上升。国内云厂商在大模型服务价格竞争中,对单位token成本、能效和弹性调度更为敏感。采购评估会从单卡算力转向整柜系统TCO,包括网络、存储、液冷、电力和运维。第二,多源供应成为长期策略。高端GPU供应不确定性促使云厂商和大型企业引入多种AI芯片,训练与推理分层配置,避免单一架构锁定。第三,软件栈适配能力成为选型关键。PyTorch生态的跨后端适配、编译器和算子库成熟度,决定迁移成本能否下降。第四,系统级交付能力成为竞争维度。客户需要的是可快速部署的集群,而不是分散硬件。
这对国内算力供应链形成连锁影响。算力竞争从单芯片扩展到整柜系统,会抬升高速互联、光模块、交换、液冷、供配电和机柜集成等环节的价值量,也要求基础设施厂商与不同AI芯片平台做适配。对国产AI芯片企业而言,机会集中在推理和专用化场景,短板仍在软件生态和系统集成。能否提供稳定的PyTorch适配、成熟的编译器工具链、整柜交付和运维支持,比单纯堆叠峰值算力更重要。
五、结语:算力市场进入系统级竞争阶段
谷歌整柜TPU外售加速交付,真正冲击英伟达的不是某一项测试中的每美元性能数字,而是算力采购的评价体系。客户开始用整柜系统、单位token成本和软件迁移成本重新衡量AI基础设施。英伟达的CUDA生态和训练集群优势仍然深厚,短期难以被替代;但推理市场的成本敏感、专用芯片的架构效率以及PyTorch跨后端适配的推进,正在为定价权引入竞争约束。
对国内通信与科技产业而言,这一变化的启示在于:AI算力竞争已经从单芯片参数竞争,转向芯片、网络、存储、软件和交付能力的系统级竞争。云厂商的采购策略会更强调多源、分层和TCO,供应链价值会向高速互联、液冷和系统集成延伸,国产芯片则需要在软件生态和整柜交付上补课。谷歌TPU外售能否在2027年兑现更大收入规模仍需观察,但算力市场的定价权之争,已经不再由单一厂商单独定义。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.