谷歌近日发布两款新的TPU芯片——TPU 8tx和TPU 8i Max，将AI专用芯片的产品节奏从过去的两年一款压缩至一年两款。谷歌芯片业务负责人Amin Vahdat在接受彭博采访时表示，未来将属于专业化。这一表态被外界解读为对英伟达通用GPU路线的直接回应。
TPU是谷歌自主设计的人工智能专用芯片，研发已持续十多年，最初主要用于降低搜索业务的算力成本。此次发布的两款产品并非全新设计，而是在现有芯片基础上针对两类具体需求重新配置。TPU 8tx面向政府机构及受严格监管行业，主打芯片层面的数据加密，与AMD的CPU配合使用，可在数据处理过程中绕开传统的内存解密步骤。TPU 8i Max则将两颗TPU集成于同一封装内，同时提升算力和内存容量，面向需要运行超长上下文窗口的应用场景，谷歌方面称该类能力对药物研发、数学计算及编程类应用具有重要意义。
产品线扩张的背后是客户结构的持续扩大。谷歌TPU已吸引苹果、Meta和甲骨文等客户。10月，甲骨文宣布从明年起首次允许其云客户使用谷歌TPU，此前这些客户的选择仅限于英伟达和AMD。甲骨文云基础设施高级副总裁Karan Batta表示，随着AI工作负载变得越来越复杂，客户需要更多选择。更大规模的采购意向来自Anthropic，根据近期一份监管文件，该公司拥有一项选择权，可在2028年至2031年间购买价值最高1500亿美元的TPU。彭博此前报道，OpenAI也计划采购。谷歌在财报中披露，目前所有能够供应的TPU均已被客户预订。
价格方面，彭博行业研究分析师Mandeep Singh给出的数据显示，与英伟达GPU相比，TPU的成本低约30％，在吞吐量方面具备竞争力，但谷歌TPU业务的利润率低于英伟达。成本优势主要来自两方面：专用芯片去除了大量通用计算单元，且谷歌自身即为最大用户，研发成本可分摊至自有算力需求。
不过，价格优势并不直接等同于市场份额。英伟达的核心壁垒在于CUDA生态，开发者十余年积累的代码、工具和经验构成较高的迁移成本。Counterpoint Research副总裁Neil Shah曾指出，开发者在CUDA上的投入属于难以迁移的沉没成本。量化交易公司Jump Trading首席技术官Alex Davies透露，该公司拥有数千颗TPU，主要用于训练辅助交易研究的模型，但主力模型训练仍依赖英伟达芯片，仅小部分员工对TPU表现出较高积极性。这一案例显示，TPU目前承接的是特定任务，而非核心训练主战场。
谷歌正在供应端和软件端同步补课。供应方面，谷歌与博通合作设计并协调生产，近几个月又与博通的竞争对手迈威尔签署合作协议，另有报道称联发科也在为TPU业务提供支持。软件方面，Vahdat提到，TPU开发团队可提前使用谷歌最新的Gemini模型，用于改进芯片能效和发现软件漏洞。芯片设计缺陷可能造成数十亿美元损失，AI正在降低此类问题的发生概率。
竞争正从多个方向逼近。由两名前TPU工程师创立的初创公司Tenspresso，其首款芯片直接对标8i Max的市场，产品至少还需一年完成设计。OpenAI和Anthropic也在推进自研芯片，团队中不乏参与过TPU开发的资深工程师。彭博行业研究预计，到2028年，谷歌TPU相关的芯片、软件和硬件销售额将超过1350亿美元，今年预计为120亿美元，该数字尚未计入客户通过谷歌云使用TPU所产生的收入。同一份研究还指出，针对数据中心建设的反对声音可能导致科技公司原预计2027年投入的1.4万亿美元相关支出减少5％至7％。
从最初为减少采购英伟达GPU而自研芯片，到如今将TPU出售给苹果、Meta、甲骨文并与英伟达争夺同一批客户，谷歌在AI芯片领域的角色已经发生变化。产品线按需求分化的策略能否奏效，最终取决于开发者迁移成本与生态成熟度的博弈，而非单一芯片的性能指标。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
