随着Gemini 3的横空出世汉中隔热条设备价格，谷歌TPU从幕后走到台前。英伟达GPU的霸主地位已然有被撼动迹象。

　　谷歌云内部高管透露，扩大TPU的市场采用率，有望帮助公司抢占英伟达年收入份额的10%。紧接着，市场便传出“谷歌加紧向客户推销TPU”“Meta拟斥资数十亿美元购买TPU”等一系列消息。大摩分析师大胆预测，2027年谷歌TPU外销量将达到100万颗。

　　另一边，投资者纷纷用脚投票，表达了对英伟达GPU市场遭遇侵蚀的担忧。英伟达官方发布紧急声明，强调自家产品比ASIC拥有更高的能、更强的通用以及更好的可替代。

　　从闭关修炼的隐世高手，到如今直通AI芯片的决赛圈，谷歌TPU的起源还要从12年前的那场“算力焦虑”说起。

　　▌深度学习的优解

　　2013年，深度学习在谷歌内部的应用开始不断扩散，后台模型的复杂度和算力消耗规模逐渐呈指数级增长。谷歌席科学家Jeff Dean通过计算发现，若1亿安卓用户每天使用3分钟语音转文字服务，则消耗的算力竟高达谷歌所有数据中心总算力的两倍不止。

　　堆砌GPU以获取算力固然是符直觉的选项，但由于“冯·诺依曼瓶颈”的存在，导致诸如CPU和GPU等计算单元在处理深度学习中大规模矩阵乘法等特定任务时率低下。相比之下，自研ASIC加速器可为机器学习任务定制架构，能将深度神经网络推理的总体能降至原来的十分之一，长期来看成本更为可观。

　　于是在2013年底，谷歌正式启动了初代TPU项目。据报道，当时谷歌内部有三个团队投身于ASIC的研发工作，包括 Google Brain、DeepMind以及注数据中心定制硬件开发的部门。后者的TPU终获选汉中隔热条设备价格，其关键成员具备多年的芯片架构设计经验。如Jonathan Ross曾参与AMD的Zen架构设计，并于后来创立了AI芯片设计公司Groq。

　　谷歌团队进展迅速，距立项仅过去15个月，便完成了初代TPU的设计、验证、制造，乃至在数据中心的部署。项目牵头人Norm Jouppi如此描述当时情景：“我们的芯片设计速度非常快，在没有修正错误或更改掩膜的情况下便已开始出货芯片。”

核电+水利+光热发电+锂电池概念+盐湖提锂

仿制药一致评价+创新药+流感+地下管网+PPP概念

4月的一天汉中隔热条设备价格，坐落于内江软件与服务外包产业园C区的四川并济科技有限公司内，工程师们正通过智能调度系统实时监控算力集群的运行状态，算柜上的指示灯不断闪烁，标志着每秒千万亿次浮点运算的算力已接入成渝地区双城经济圈的“数字动脉”。

流感+维生素+仿制药一致评价+地下管网+PPP概念

　　2016年，TPU迎来了它的个“破圈时刻”：人工智能围棋程序AlphaGo击败了世界围棋冠军李世石，引发了人们对AI的广泛关注。当时AlphaGo背后正是初代TPU在提供算力支持。

　　研发上，重大的转折发生在2017年。这一年，谷歌团队在《Attention Is All You Need》中介绍了Transformer——一种基于注意力机制的全新深度学习架构。其计算特与TPU设计高度适配，塑料管材生产线终推动 TPU的战略地位从单一AI加速芯片升级为谷歌的AI基础设施底座。值此背景下，TPU v2应运而生。

　　同样在这一年，谷歌宣布免费开放 1000 台 Cloud TPU 供开发者和研究人员使用，进一步巩固了TPU 作为AI 基础设施底座的地位。往后的日子里汉中隔热条设备价格，谷歌引入了大规模液冷技术，将4096颗芯片组成节点，并利用自研的环形拓扑网络实现近乎无损的跨芯片通信。在各路“外挂”的加持下，TPU朝着更强的能一路狂飙。

　　而在技术之外，谷歌也毫不悭吝地将TPU引进广告系统、搜索核心排序等赚钱产品线。在2024年的应用开发与基础设施峰会上，谷歌公开表示，TPU V6及后续版本的目标是成为“推理时代省钱的商业引擎”。

　　往后的故事逐渐为人所熟知，随着TPU v7被投入人工智能训练，当今公认的强多模态模型Gemini 3横空出世。谷歌也摇身一变，从算力芯片域的追随者一跃成为市场眼中的AI新王。人们不禁好奇，十年磨一芯，谷歌究竟做对了什么？

　　▌难以复制的生态护城河

　　回顾谷歌的造芯故事，里面没有通往AGI的宏大愿景，也没有遵循Scaling Law的对指引，而是始终紧扣一项更符商业逻辑，也更显务实的指标——成本。

　　如果深究，则TPU的历史可以一直追溯到2006年，那时谷歌便开始考虑为神经网络构建ASIC的可能。只不过由于当时互联网正处于爆发前夜，谷歌数据中心的GPU算力仍有大量冗余，相关需求并不迫切，因此并未透支额外成本来实际推进这一计划。

　　这种“量体裁衣”的理念甚至体现在TPU的设计架构本身。与GPU不同，TPU采用简的“脉动阵列”架构，这虽然付出了放弃硬件通用的代价，但也意味着能够剥离掉一切无关硬件，从而保证在小单位追求深度学习的大率。

　　现如今，这种设计架构显然为谷歌带来了远“节省成本”的回报，即与其他顶尖AI厂商掰手腕的资本。

　　更重要的意义在于，与其他厂商严重依赖外部算力和云设施不同，谷歌以TPU为底座的垂直整路线，构建出了“芯片-云-模型-应用”的全栈AI能力链条。正如券商分析师们所言，这令其形成了难以复制的生态护城河，也赢得了定义未来AI基础设施的入场券。