英伟达在聚光灯下狂飙，谷歌却在幕后悄悄造出自己的AI基建帝国系统 。当别人还在抢GPU时 ，它早已自给自足 、闭环生长——闷声干大事 ，从未如此谷歌 。
英伟达明修栈道，谷歌暗渡陈仓。
当你回头一看 ，谷歌在AI基础设施的优势已经无法阻挡 。
这几天，谷歌终于把憋了很久的大招放出来了 ，CEO劈柴官宣了自研第七代TPU Ironwood正式商用 。
这是谷歌第七代TPU，单颗算力4614 TFLOPS（FP8精度） ，192GB的HBM3E内存 ，带宽高达7.37 TB/s。
与上一代TPU v5p相比峰值性能提升10倍！
对于Google Cloud客户，Ironwood根据工作负载需求提供两种尺寸：256芯片配置和9216芯片配置 。
也就是一个pod可以最多塞下9216个TPU ，总算力达到了惊人的42.5 ExaFLOPS 。
与之相比英伟达目前主推的的GB300 NVL72系统只有0.36 ExaFLOPS。
这就是为啥Anthropic直接买了100万颗TPU的根本原因 。
谷歌才是那个真正低调发财的公司 ，有人总结AI价值链上所有公司涉足的领域 。
谷歌是唯一一家 ，没有之一 ，全栈人工智能公司：数据→算法→硬件→云服务器。
它使用自己的数据来训练自己的算法；这些算法在部署在自己的云上的自己的芯片上运行；然后开发了自己的应用程序。
如果说现在谷歌唯一的弱点，那可能就是「苹果」 ，准确的说 ，是客户端设备，手机 。
虽然安卓系统是谷歌的 ，但是偏偏谷歌没有自己的手机（如果手机也有 ，谷歌称得上地球上最垄断的公司，也许没有之一 。）
虽然Pixel系列出货量未能排在三星和国产等安卓机前面 ，但是用过Pixel的人都说好。
谷歌TPU十年进化
谷歌TPU，全称张量处理单元 （Tensor Processing UnitT）， 从早期几代主要作为内部优化工具 ，到最新的迭代已构成一个成熟且极具竞争力的产品组合 。
当英伟达在横向扩展（scale-out） 加速器市场占据主导地位时 ，谷歌已经构建了全球唯一一个专为训练和运行前沿模型而设计的 、具有高容错性的超大规模系统 。
2013年，谷歌面临一个关键时刻。
公司意识到 ，神经网络日益增长的计算需求（尤其是在语音识别领域）可能迫使他们将数据中心的规模翻倍 。
这一预测使AI计算不再是一个机遇 ，而是对运营支出 （OpEx） 的生存威胁 。
尽管谷歌早在2006年就考虑过构建专用集成电路 （ASIC），但直到2013年 ，这才真正成为一项迫在眉睫的任务。
TPU v1 的开发周期之快是前所未有的：从设计、验证 、制造到部署至数据中心仅用了15个月！
TPU v1 于2015年在谷歌内部署 ，并于2016年的Google I/O大会上公开发布 。
TPU v1的诞生过程极不寻常 。
它并非一个循序渐进的研发项目 ，更像是一项紧急的「救火」措施。
据报道 ，谷歌在构建芯片的同时才开始招聘团队，这表明该项目风险极高 ，但也具有最高优先级 。
这种「冲刺」塑造了TPU的DNA：实用主义和领域特定优化压倒一切 。
谷歌为了成功 ，牺牲了所有与神经网络无关的功能。
当AI由神经网络组成，TPU就是AI而诞生的。
架构哲学，摒弃通用性
谷歌TPU v1是一款「仅限推理」的ASIC ，专为TensorFlow框架设计 。 （另一个深度学习框架就是Meta的PyTorch）
它与CPU和GPU的关键区别在于：TPU专为高吞吐量的低精度计算（如8位整数）而设计 。
与CPU（通用处理器）和GPU（当时主要为图形渲染优化）不同 ，TPU彻底摒弃了非必需的硬件，如缓存 、乱序执行和纹理映射单元。
该芯片的核心是一个庞大的矩阵乘法单元 ，拥有 65,536 个 （256x256） 8位MAC单元，峰值性能达到每秒92万亿次操作 （TOPS） 。
v1 采用了28nm工艺 ，时钟频率为700MHz ，而其热设计功耗 （TDP） 仅为40W，远低于同期的GPU 。
它被设计为一块PCIe卡 ，可安装在SATA硬盘插槽中 ，以便快速集成到现有服务器。
早期胜利，AlphaGo与惊人的能效比
2016年 ，DeepMind的AlphaGo击败世界围棋冠军李世石 ，这一历史性事件的背后正是TPU v1在提供算力支持 。
2017年发表的一篇具有里程碑意义的论文详细阐述了其性能 。
在谷歌的生产工作负载（占数据中心NN推理需求的95%）中，TPU v1 的速度比同期的Intel Haswell CPU和英伟达 K80 GPU快15至30倍。
然而 ，更关键的指标是能效比 （TOPS/Watt） ，TPU v1 比CPU和GPU高出30至80倍 。
这一数据揭示了谷歌从一开始的战略意图 。
在超大规模数据中心的环境中，成本不仅由芯片的采购成本 （CapEx） 决定 ，更由其运行的电力成本 （OpEx） 决定。
TPU v1 的胜利不仅在于速度 ，更在于它解决了AI计算的总体拥有成本 （TCO） 问题 。
中期规模化演进
TPU v1 验证了ASIC的概念，但其「仅限推理」的特性意味着谷歌在模型训练方面仍依赖英伟达 。
TPU v2 （2017年推出） 标志着谷歌向训练领域的战略转向。
关键的架构转变是：从8位整数计算转向浮点计算 ，特别是引入并推广了由Google Brain发明的 bfloat16 （bf16） 格式。
bfloat16 是一个巧妙的工程妥协：它保留了与32位浮点数 （FP32） 相同的8位指数，但将尾数截短至7位 。
这一设计在大幅降低内存占用和带宽需求的同时 ，保留了训练所需的动态范围 ，有效防止了梯度消失或爆炸 。
规格方面，v2采用16nm工艺 ，搭载16GB高带宽内存 （HBM）（v1为DDR3） ，内存带宽飙升至600 GB/s，算力达到45 TFLOPS。
TPU v2引入了Pod（集群）概念，但在此之前与之后 ，GPU长期以集群/超算形态扩展 。
英伟达随后在2018年推出DGX POD参考架构 ，2019 年起推出DGX SuperPOD并在 2020–2025 年持续更新（H200/GB200 等版本），这些都属于标准化的GPU集群解决方案 。
谷歌不再将TPU视为独立的加速器 ，而是设计了4芯片模块（180 TFLOPS）。
64个这样的模块被组装成一个256芯片的Pod，总性能达到11.5 PFLOPS 6 。
这是TPU历史上最重要的时刻之一 。
谷歌停止了在「芯片竞赛」中追赶 ，转而开辟了「系统竞赛」的新战场。
TPU v3 （2018年） 延续了这一思路 。
芯片性能提升至123T-ops ，HBM增加到32GB 。更重要的是，Pod的规模扩大了4倍 ，达到1024个芯片 ，使每个Pod的性能增加了8倍。
为了应对急剧增加的功率密度，液冷技术被引入并成为TPU Pod的标准配置 ，这使谷歌能够进一步挑战性能极限 。
到了第四代，TPU v4 （2021）可以和与A100并驾齐驱，实现规模化领先 。
TPU v4（2021年）是一次重大飞跃。采用7nm工艺 ，性能提升至275T-ops（T-ops 是 tera-operations per second的缩写 ，表示每秒执行的万亿次操作。） 。
Pod规模再次扩大，达到4096个芯片 。
关键改进在于互连：v4 芯片的互连带宽达到了上一代的10倍。
到2021年 ，TPU不再只是一个「高TCO效益」的选项 。
它在原始性能上已经可以与英伟达的最佳产品正面竞争 。
现代TPU产品 ，多元化和专业化
TPU v5 的发布标志着谷歌从单一架构转向成熟、多元化的产品线。
v5有两个版本TPU v5e（Efficiency）和TPU v5p（Performance），v5e针对主流推理 、微调和中小型训练负载设计；TPU v5p是训练谷歌Gemini 1.0模型所使用的核心系统 。
与TPU v4相比 ，TPU v5p的FLOPS提高了2倍以上 ，高带宽内存（HBM）提高了3倍 。
TPU v5p专为性能 、灵活性和规模而设计 ，可以训练大型LLM模型 ，速度比上一代TPU v4快2.8倍。
TPU v6，代号Trillium ，于2024年5月宣布 ，并于同年10月提供预览 。
v6性能实现了918TFLOPS和1836TOPS (Int8) 的巨大飞跃 。
这比v5e高出4.7倍，比v5p高出约2倍。规格32GB HBM，1600 GB/s带宽 。
v6引入了关键架构：第三代SparseCore 。
SparseCore 的引入表明谷歌正在解决Transformer模型中的特定瓶颈。
SparseCore是一种专门用于处理嵌入 (embeddings) 的加速器。
嵌入在排名和推荐模型中普遍存在 ，并且对传统的MXU来说计算效率低下 。
Trillium 是一款专为训练Transformer和MoE（Mixture of Experts）模型而打造的芯片 。
谷歌的Gemini 2.0是在Trillium (v6) 上训练的。
谷歌CEO劈柴明确表示：「TPU为Gemini 2.0的训练和推理提供了100%的动力」 。
TPU v7推理时代的专业芯片
TPU v7 ，代号Ironwood ，于2025年4月发布 。
Ironwood是首款专为推理而设计的TPU，而Trillium则是训练冠军。
在战略和资本层面 ，这反映了一种钟摆策略 。谷歌使用v6 (Trillium) 来构建前沿模型 (CapEx投入)，现在发布v7 (Ironwood) 来规模化服务这些模型 (OpEx消耗) 。
Ironwood 旨在优化推理的TCO。（毕竟我们人类已经进入AI推理时代）
Ironwood达到4614 TFLOPS (FP8) ，比Trillium的Int8性能高出2.5倍以上 。能效比是Trillium的2倍 。
Ironwood将在未来几周年内全面上市。市场对Ironwood的早期反响极为热烈 。
比如，谷歌列出了一些已经下订单的企业 ，Anthropic、Lightricks 、essential AI 。
CPU也造 ，还有最新虚拟机
除了TPU ，谷歌还造了自己的第一颗通用处理器Axion。
用谷歌自己的话：构建和运维现代应用既需要高度专业化的加速器，也离不开强大高效的通用计算能力。
基于这颗CPU ，谷歌还发布了最新的Axion虚拟机，N4A 。
基于Arm架构的全新Axion实例现已开放预览 。
与当前同代基于x86架构的虚拟机相比 ，N4A可提供高达2倍的价格性能优势。
除了虚拟机 ，还推出了裸金属实例，C4A 。
C4A裸金属实例（即将进入预览阶段）是谷歌首款基于Arm架构的裸金属实例 ，为专用工作负载提供专属物理服务器 ，适用于Android开发 、汽车车载系统、严格许可要求的软件、规模化测试农场或运行复杂模拟等场景 。
谷歌的云服务在2025年3季度处于世界第3，前面是亚马逊和微软。
正如文章开头所说 ，谷歌是现在AI领域唯一一家全栈技术公司，数据 、算法 、模型、云服务 、CPU 、GPU，需要什么就自己造什么 。
虽然在很多时候 ，谷歌没有排在第一，但是在任何领域 ，谷歌都榜上有名 。
也许这才是真正的闷声发大财。
2025年10月，Anthropic宣布扩大合作 ，获得高达100万个TPU芯片的使用权 。
该协议价值数百亿美元 ，并将在2026年提供超过1吉瓦 (Gigawatt)的计算容量 。
虽然全球的聚光灯几乎都照在英伟达身上，但在聚光之外 ，谷歌的AI基础设施版图已经悄然成形 ，甚至形成了自己独立的「气候系统」。
谷歌给自己这套系统起了个名字：AI Hypercomputer 。
英伟达是舞台中央的光芒 ，谷歌则隐藏在大幕之后 。
当所有AI公司都在抢购H系列GPU时 ，谷歌早已在自己的TPU集群上完成了自我造血循环——训练、部署 、推理 、优化，全都在自己的系统内部完成。
谷歌AI基金（Google AI Infrastructure Fund）便是在这种体系下自然诞生的产物。
它不仅是投资基金，更像是一个生态基金池 ，用以扶持所有基于谷歌云与TPU生态的AI公司 。
Anthropic、Cohere 、Character.AI 、Essential AI……
这些名字在外界看来是独立的创业公司，但它们在算力与模型底座上 ，都深度绑定谷歌的TPU集群与Gemini模型家族 。
换句话说 ，谷歌的AI基金并非简单的「投资人」，而是用资本作为粘合剂 ，将算力、云服务与生态绑定在一起。
当这些公司成长 、融资 、甚至上市时 ，谷歌都在背后分得红利 。
这就是谷歌真正的护城河：
不是某一代TPU芯片的领先；
也不是Gemini模型的参数量；（Gemini 3马上要发布了）
而是一个可自我进化、自我繁殖的AI生态系统 。
在未来的几年中，当市场仍在讨论GPU的供需、算力的溢价 、芯片的带宽时 ，谷歌的TPU与AI基金正以稳健的方式持续扩张。
它的节奏不快 ，但势能深厚，气候已成 。
参考资料
https://cloud.google.com/blog/products/compute/ironwood-tpus-and-new-axion-based-vms-for-your-ai-workloads
本文来自微信公众号“新智元” ，作者：定慧 ，36氪经授权发布 。
本文来自作者[家小秋]投稿，不代表视听号立场，如若转载，请注明出处：https://stddy.com/zheh/202511-58291.html
评论列表（4条）
我是视听号的签约作者“家小秋”！
希望本篇文章《英伟达铁幕之后，谷歌AI芯片已成气候》能对你有所帮助！
本站[视听号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：英伟达在聚光灯下狂飙，谷歌却在幕后悄悄造出自己的AI基建帝国系统。当别人还在抢GPU时，它早已自给自足、闭环生长——闷声干大事，从未如此谷歌。英伟达明修栈道，谷歌暗渡陈仓。当你...