谷歌憋了十年的大招，让英伟达好日子到头了？

要说上个月谁是科技巨头里最大的赢家，世超提名谷歌应该没人有意见吧？

靠着性能炸裂的 Gemini 3，短短半个月，股价蹭蹭涨不说，还在竞技场内拳打 OpenAI，竞技场外脚踢英伟达。

回撤一点，问题不大



至于卖铲子的老黄怎么也跟着躺枪，原因很简单，谷歌表示，Gemini 3 Pro 是在自研 TPU（Tensor Processing Unit）上训练的，至少在字面上，是没提英伟达一个字儿。

紧跟着，媒体和吃瓜群众开始纷纷猜测，说什么谷歌这回，可能真要终结 CUDA 护城河了。



那么问题来了，看似让英伟达好日子到头的 TPU，到底是个啥？

从名字上也能看得出，它其实是一类芯片，和 GPU 是近亲，只不过做成了 AI 特供版。

虽然 TPU 最近才引起大伙儿的注意，但这是一个从 2015 年延续到现在的老项目。

第一代 TPU 长这样



那时候谷歌正经历技术转型的阵痛，想把传统的搜推算法全换成深度学习。结果他们发现，这 GPU 不止不够用，还巨耗电，根本用不起。

GPU 的问题，在于它太想全能了。为了什么都能干，不得不搞了一套硬盘、内存、显存、核心，层层叠叠的复杂架构。

这带来一个大麻烦，在芯片的世界里，搬运数据的成本，远比计算本身高得多。数据从显存跑到核心，物理距离可能只有几厘米，电子却要翻山越岭。

GPU 工作方式



于是，电费大半没花在算数上，全花在送快递的路费上了。最后变成热量，还得拜托风扇吹一吹。

这在做图形渲染时没毛病，因为画面高度随机，要啥素材没法预料，只能回显存现取。

但 AI 的矩阵运算，每个数怎么算，和谁算，算几次都是固定的。我明知道这个数算完了，一会儿还要接着用，GPU 硬是得把它存回去，等着别人再取进计算单元，这不纯纯浪费吗？



所以，作为一个 AI 专属工具人，TPU 就这样出生了。它把 GPU 那些用不上的图形、控制流、调度模块等等拆的拆，压的压。

核心思路，是专门对 AI 最常用的矩阵乘法做优化，搞了一个叫 “ 脉动阵列 ” 的方法。

用上这一招，每个数据一旦开算，就会在密集排列的计算单元之间传递，没用完不许回存储单元。这样，就不需要频繁读写了。



就这样，TPU 每个周期的计算操作次数达到了数十万量级，是 GPU 的近十倍。初代 TPU v1 能效比达到同时期 NVIDIA Tesla K80 的 30 倍，性价比极高。

当然，最开始谷歌也是边缘试探，没玩那么大。TPU 也还只搞推理，不会训练，功能单一，完全没法和 GPU 比。

从第二代起，谷歌才开始往内存上堆料，提升容量和数据传输速度，让 TPU 能一边计算，一边快速记录和修改海量的中间数据（比如梯度和权重），自此点亮了训练的技能树。

随着 TPUv3 规模增加，模型训练速度提升



但这么多年以来，明明用 TPU 训练推理的成本更低，性能也和 GPU 不相上下，为啥巨头们还非得去抢英伟达的芯片呢？

事实上，真不是大伙儿不馋，而是谷歌坏，一直在硬控。所有的 TPU 只租不卖，绑定在谷歌云里。大公司不能把 TPU 搬回家，相当于把身家性命都交给谷歌云，心里总毛毛的。生怕英伟达没卡死的脖子，在谷歌这直接快进到掐断了。

即使这样，苹果也没架住便宜大碗的诱惑，多多少少租了点儿。

而这回热度这么高，一方面是 Gemini 3 证明了 TPU 的成功，品质放心；另一方面，是因为第七代 TPU Ironwood，谷歌终于舍得卖了。



根据 The Information 的报道，Meta 已经在和谷歌洽谈数十亿美元的大合同，准备从 2027 年开始，在机房部署 TPU，还计划最早明年就要从谷歌那租用 TPU。

消息一出，谷歌股价立涨 2.1%，英伟达下跌 1.8%。

甚至有谷歌内部人士放话，我们这一波大开张，可能会抢走英伟达几十亿美元的大蛋糕，直接切掉他们 10% 的年收入哦。



华尔街对 TPU 也是爱得不行，觉得这好东西钱途一片光明。就连负责设计制造的博通都沾了光，被上调了业绩预期。

但是，要说 TPU 会取代 GPU，真不至于。

TPU 是一种 ASIC（Application-Specific Integrated Circuit），又名专用集成电路。人话来讲，TPU 除了擅长 AI 那几个矩阵计算，别的啥都不太行。

这是它的优点，也是它的痛点。

TPU 工作方式



赶上大模型当道的好时候，对矩阵计算的需求大得离谱，TPU 跟着一步登天。但要是以后有啥更火的 AI 技术路线，不搞现在这一套，TPU 分分钟失业。

而且 TPU 因为太专精，一旦在计算上没有性能优势，就彻底失去价值。四年前的 TPU v4，咱们已经很难见到它了。

相比之下，GPU 就不一样了。以五年前诞生在大模型浪潮前的 3090 为例，它硬是靠着 24G 超大显存，和 CUDA 不抛弃不放弃的向下兼容生态，直到现在还是普通人玩 AI 的超值主力卡，跑个 Llama 8B 小模型不成问题。

退一步讲，就算 AI 这碗饭不香了，大不了回去接着伺候游戏玩家和设计师，照样活得滋润。



另外，CUDA 生态依然是英伟达最大的杀招。

这就好比你用惯了 iOS，虽然安卓也很好，但让你把存了十年的照片、习惯的操作手势、买的一堆 App 全都迁移过去，你大概率还是会选下次一定。

现在的 AI 开发者也是一样，大家的代码是基于 CUDA 写的，调用的库是英伟达优化的，甚至连报错怎么改都只会搜 CUDA 的。



想转投 TPU？行啊，先把代码重构一遍，再适应新的开发环境。

即使强兼了 PyTorch，很多底层的优化、自定义算子，换到 TPU 上还是得重新调试。专门指定的 JAX 语言，也给人才招聘垫高了门槛。

对于大多数只想赶紧把模型跑起来的中小厂来说，与其费劲巴拉地去适配 TPU，甚至根本搞不到，直接买英伟达芯片，反而是最省事的选择。



不说别的，谷歌自己还在大量采购英伟达的 GPU，就算自己不用，谷歌云那么多客户还得用呢。

所以，TPU 这波开卖，确实在大模型训练这一亩三分地上，用经济划算给英伟达上了一课。但也绝对没有被吹的，要抢 GPU 饭碗那么神。

未来的算力市场，更大概率是 TPU 占据头部大厂的专用需求，而 GPU 继续统治通用市场。

但只要巨头们竞争起来，就有可能把算力价格打下来，这怎么看，都是个好事啊。