谷歌十年磨一剑，大招或将终结英伟达的辉煌？

据最新消息，谷歌憋了十年的大招或将给英伟达带来冲击，有传闻称，谷歌即将推出具有强大计算能力的新技术，可能会改变当前市场对于英伟达等图形处理器制造商的竞争格局，这一消息引发了行业内众多人士的关注和猜测，英伟达的好日子是否到头了？还需拭目以待。

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。