谷歌人工智能基础设施负责人Amin Vahdat近日披露了一组令人侧目的数据：TPU的迭代周期已从每两年一代，压缩到一年一代，过去十二个月内则连续推出了两款芯片。制造产线满负荷运转，测试能力准备就绪，供应链合作方式即将发生“根本性变化”。这不是一条产品迭代的消息，而是一枚信号弹——AI算力供给侧已经进入“超摩尔”周期，而谷歌正在加速冲刺。

 01  分岔时刻：从统一架构到训练/推理分野

谷歌最新一代芯片为TPU 8t（训练）和TPU 8i（推理），两款芯片于2026年推出。这并非简单的产品线扩充，而是一个延续十年的架构决策被正式终结。此前十年间，TPU始终采用统一架构——同一块芯片兼顾训练和推理。第八代的分野，意味着谷歌承认了一个结构性事实：训练和推理已不再共享足够的架构共性来共用同一块硅。

这一判断的商业含义比技术含义更深。训练是资本支出事件，一次性投入，用于模型诞生；推理是运营支出事件，随用户规模线性增长，随智能体部署非线性膨胀。当一个用户请求触发一次模型响应，这是查询成本；当一个智能体为完成一个目标触发数十甚至数百次推理调用，这变成了循环成本。谷歌拆分芯片架构的决策早在两年前就已做出——在智能体爆发之前，而非之后。这意味着谷歌预判了推理经济将取代训练经济成为AI产业的价值中心。

直面英伟达：成本结构才是真正的武器

谷歌对英伟达的挑战并非在芯片性能这一维度上展开。IoT Analytics的数据显示，英伟达目前控制着数据中心GPU市场约92%的份额，短期内任何TPU、Trainium或MTIA的组合都无法改变这一格局。谷歌真正投下的“武器”是成本结构。

通过垂直整合——从Gemini模型层、Google Cloud基础设施层到TPU训练芯片和推理芯片——谷歌完成了对AI技术栈几乎所有反馈回路的自控。它可以在推理环节补贴价格以争夺云市场份额，可以以外部模型无法匹配的方式优化Gemini-on-TPU的协同设计，可以在供应链受限时绕开GPU依赖通道。据基础设施分析师报告，在纯大语言模型训练场景下，TPU的成本效益可达GPU的4~10倍。

Alphabet已将2026年资本支出指引上调至1950亿~2050亿美元，用于建设下一代AI数据中心。同时谷歌宣布向外部客户销售AI芯片，部分销售已经开始。这是一个关键的转折信号：TPU从内部工具转变为外部平台。客户名单中包含了Citadel Securities、美国能源部17个国家实验室，以及——最具信息量的——Meta。Meta拥有自己的MTIA芯片计划，在投入多年研发后仍选择向谷歌承诺数十亿美元的TPU采购。当一个拥有内部替代方案的买家仍然选择外部采购，意味着外部报价已经跨越了一个内部项目尚未达到的门槛。

TPU的优势与劣势：一场不对称的竞争

理解TPU对英伟达的挑战，需要回到芯片本身。TPU是为深度学习张量运算定制的ASIC（专用集成电路），去除了图形渲染等通用功能，在同等功耗下可提供数倍于GPU的AI计算性能。这是优势的来源，也是劣势的根源。

核心的不对称在于：英伟达CUDA的护城河在训练层比在推理层更深。开发者在CUDA环境中构建模型，因此训练层的生态粘性是真实的。但推理层主要是对固定权重的矩阵运算，这一工作负载在不同芯片架构间的迁移性远高于训练。英伟达的锁定并未干净地从训练层迁移到推理层。谷歌TPU 8i并非英伟达Blackwell的对称竞争者，而是对英伟达锁定最薄的那一层发起的定向打击。

但TPU的劣势同样结构性存在。作为ASIC，一旦模型架构发生范式变革，其适应能力远不如通用GPU。在当前大模型持续迭代、技术路线尚未完全定型的背景下，英伟达的通用GPU凭借CUDA的强兼容性，仍是大多数厂商的最优选择。推理场景也需要大规模用户才能发挥成本优势，不适合单用户或低并发场景。此外，供应链瓶颈涵盖内存、PCB、高压电源、液冷系统和AI机架等多个组件，这些限制不只影响谷歌，但谷歌对自建供应链的依赖使其执行风险更加集中。

供应链即战略：分散设计中的集中权力

谷歌TPU的供应链架构本身是一份值得解读的战略文本。博通负责训练芯片设计，联发科负责推理芯片设计，台积电负责制造，英特尔提供先进封装技术，Marvel协助开发定制芯片项目。这不是垂直整合，而是分散设计、集中整合——一种与英伟达较集中生态、苹果全内部化硅计划都不同的架构。

分散设计将执行风险分散到多个ASIC合作伙伴，同时将谷歌置于价值链顶端作为工作负载所有者和系统集成商。博通的执行如果出现偏差，不影响联发科的推理芯片时间线。台积电产能如果收紧，谷歌作为多芯片买家的谈判地位优于单一芯片客户。供应链同时在传递一个隐含信号：企业不会为有限产量的产品在如此多的合作伙伴之间分散设计。谷歌对TPU 8t/8i出货量的内部需求预期，远超外部市场已计入的规模。

谷歌同时还在扩大代工合作伙伴范围：与英特尔合作以利用先进封装技术，与三星电子洽谈以使用后者先进产能生产未来的Axion CPU。Alphabet还参与了联发科最新发行的39亿美元可转换债券——英伟达同样参与其中。除美国外，中国台湾是谷歌AI基础设施业务最大的研发中心，谷歌已宣布将其在中国台湾的办公和研发空间扩大60%。这些动作勾勒出一个分散风险、对冲单一供应依赖的战略意图。

分析师评价：最结构性的威胁

谷歌TPU的外部销售策略被视为对英伟达在AI芯片市场主导地位最具结构性的威胁。约75%~80%的TPU产能仍用于内部运营，但分析师预计产能将进一步扩大，到2027年TPU年产量估计达500万片。

—— 多家行业分析师综合评价

分析师们的共识可以归纳为三层：第一，TPU在限定条件下完全可以挑战GPU——这些条件包括大规模部署、模型相对稳定、具备足够工程能力做软硬件调优。第二，未来大概率是两者并存，英伟达不会被打败，市场将分岔——训练层英伟达持续强势，推理层谷歌以成本优势侵蚀份额。第三，谷歌仍会继续采购英伟达GPU服务器用于部分数据中心建设，这本身就是对两种芯片各自适用边界的一种承认。

值得注意的不同声音也存在。有行业分析指出，谷歌曾取消到2028年部署1200万片TPU v9的计划，转而依赖现有库存和优化当前架构。这暗示谷歌在芯片激进扩张和务实管控之间也在寻找平衡点。供应链各环节瓶颈——从HBM到CoWoS再到PCB——不会因为谷歌的战略意愿而自动消解。

结语

谷歌TPU“一年双发”的真正意义不在于芯片本身，而在于它揭示了一个正在到来的分岔市场。AI算力的经济重心正从训练资本支出向推理运营支出迁移。在这个迁移过程中，英伟达的护城河并非消失，而是被重新划定了边界——在训练层依然深厚，在推理层则结构性变薄。

谷歌选择在锁定最薄的那一层投下重注。通过架构分野、垂直整合、供应链分散和外部销售，它正在将TPU从一个内部工具转变为一个平台。英伟达不会被打败，但市场会分岔，并在两侧不对称地重新定价。训练是声望，推理是利润。当智能体架构将推理从查询成本转变为循环成本，决定长期价值捕获的不再是谁能训练最大的模型，而是谁能以最低成本运行最多的推理调用。

这场竞争的终局不是一家通吃。谷歌用芯片速度向英伟达发出了最直接的信号：AI算力的竞争已经从“谁的芯片更强”转变为“谁的迭代更快、成本更低、闭环更完整”。在这个新规则下，谷歌正在从追赶者变为规则改写者。