谷歌挑战英伟达，TPU崛起之路
近期，美国知名半导体与AI研究机构SemiAnalysis披露，人工智能公司Anthropic计划直接采购近一百万颗谷歌最新一代TPU v7系列芯片。这一交易尚未得到谷歌确认，但已引发广泛关注。
在大模型训练与推理的核心算力市场，英伟达的GPU几乎是最优选择。凭借其强大的CUDA软件生态和通用计算能力，英伟达得以制霸行业基础设施。然而，相比之下，谷歌自研的TPU虽然存在多年，却鲜少进入公众视野。
但是，近期发生了变化。全球两款顶尖大模型——谷歌的Gemini 3和Anthropic的Claude 4.5 Opus，被爆出大部分训练和推理都依赖于TPU。这导致苹果、Meta、Midjourney甚至OpenAI也传出在不同场景下已使用或计划使用TPU的消息。
与此同时，谷歌对TPU的供给方式，也从单纯依附云服务租赁，转向更为灵活的商业化路径。TPU与GPU究竟有何不同？它是否正在成为AI算力竞争中的有力变量？
TPU的诞生源于谷歌内部的一场算力危机。早在2006年，谷歌就考虑过为人工智能构建专用芯片（ASIC）的可能性。但直到2013年，谷歌才真正意识到，未来对AI计算的需求，或将远超当时基础设施所能承载的上限。
那时，谷歌正计划在全球范围内推出语音识别功能。其首席科学家杰夫·迪恩曾在采访中介绍，团队做过粗略估算，如果数亿用户每天使用3分钟语音识别服务，所需算力将是谷歌全部数据中心算力的两倍。
谷歌团队评估了多种现有方案，结论是它们甚至难以满足其产品当下的基础机器学习需求，更无法支持未来增长。于是，谷歌决定设计一种全新的芯片。
硬件工程师诺曼·乔皮于2013年加入谷歌，成为TPU项目的关键推动者之一。他后来向媒体回忆，团队曾考虑像微软一样，采用FPGA（可编程芯片）路线。这类芯片可以按需编程以适配不同任务。但在实际测试中，它在AI计算上的性能表现并不优于GPU，成本还更高。最终，团队转向自研专用芯片TPU。
按照谷歌的划分，CPU（中央处理器）如同计算机的“通用大脑”， handling 各类复杂指令；GPU（图形处理器）配合CPU，用于图形处理、图像渲染和复杂的数学计算。而TPU只专注一件事，高效执行AI所需的大量矩阵运算。其核心在于一种名为“脉动阵列”的架构。
这使得GPU和TPU之间有着显著的区别。CPU和GPU的计算方式，本质上都是指令驱动型，为了通用性，数据在计算过程中往往需要被反复读取和搬运。而在TPU里，成千上万个乘加单元被紧密排列在“脉动阵列”中，以实现高效的矩阵运算。
近期，美国知名半导体与AI研究机构SemiAnalysis披露，人工智能公司Anthropic计划直接采购近一百万颗谷歌最新一代TPU v7系列芯片。这一交易尚未得到谷歌确认，但已引发广泛关注。
在大模型训练与推理的核心算力市场，英伟达的GPU几乎是最优选择。凭借其强大的CUDA软件生态和通用计算能力，英伟达得以制霸行业基础设施。然而，相比之下，谷歌自研的TPU虽然存在多年，却鲜少进入公众视野。
但是，近期发生了变化。全球两款顶尖大模型——谷歌的Gemini 3和Anthropic的Claude 4.5 Opus，被爆出大部分训练和推理都依赖于TPU。这导致苹果、Meta、Midjourney甚至OpenAI也传出在不同场景下已使用或计划使用TPU的消息。
与此同时，谷歌对TPU的供给方式，也从单纯依附云服务租赁，转向更为灵活的商业化路径。TPU与GPU究竟有何不同？它是否正在成为AI算力竞争中的有力变量？
TPU的诞生源于谷歌内部的一场算力危机。早在2006年，谷歌就考虑过为人工智能构建专用芯片（ASIC）的可能性。但直到2013年，谷歌才真正意识到，未来对AI计算的需求，或将远超当时基础设施所能承载的上限。
那时，谷歌正计划在全球范围内推出语音识别功能。其首席科学家杰夫·迪恩曾在采访中介绍，团队做过粗略估算，如果数亿用户每天使用3分钟语音识别服务，所需算力将是谷歌全部数据中心算力的两倍。
谷歌团队评估了多种现有方案，结论是它们甚至难以满足其产品当下的基础机器学习需求，更无法支持未来增长。于是，谷歌决定设计一种全新的芯片。
硬件工程师诺曼·乔皮于2013年加入谷歌，成为TPU项目的关键推动者之一。他后来向媒体回忆，团队曾考虑像微软一样，采用FPGA（可编程芯片）路线。这类芯片可以按需编程以适配不同任务。但在实际测试中，它在AI计算上的性能表现并不优于GPU，成本还更高。最终，团队转向自研专用芯片TPU。
按照谷歌的划分，CPU（中央处理器）如同计算机的“通用大脑”， handling 各类复杂指令；GPU（图形处理器）配合CPU，用于图形处理、图像渲染和复杂的数学计算。而TPU只专注一件事，高效执行AI所需的大量矩阵运算。其核心在于一种名为“脉动阵列”的架构。
这使得GPU和TPU之间有着显著的区别。CPU和GPU的计算方式，本质上都是指令驱动型，为了通用性，数据在计算过程中往往需要被反复读取和搬运。而在TPU里，成千上万个乘加单元被紧密排列在“脉动阵列”中，以实现高效的矩阵运算。
谷歌的Tpu到底是有优势吗？最近听说它被苹果等大公司使用了，感觉是正面 news 
。但是要问Tpu与GPU究竟有何不同？那就看在 hardware 上吧！CPU可以做多事为主，而GPUs专门图形处理，Tpus专门矩阵运算 
。Google 的 TPU really 是一种新思路，跟传统的 GPU 有很大差距。还看到 Anthropic 的 Claire 4.5 Opus 也大部分使用了 TPU，这也表明了 TPU 在 AI 算力竞争中的重要性 
在人工智能大模型训练和推理中，GPU 已经成为标准，但这也使得 TPU 依然是一个值得关注的项目。
那时 Google 团队评估了多种方案，但是最后还是决定做一个全新的 TPU 芯片。 
他们在设计 TPU 的过程中，确实遇到了很多挑战和困难。但是最终，他们的努力却得出了成果。
why Google lại需要这种独特的设计，反而是 GPU 的高成本和通用性才是优势。 
TPU 的脉动阵列架构太过复杂了，难以被其他公司所复制。 
不過，從現在說來，對於大模型訓練和推理，英伟达的GPU還是相當有用 
因為它擁有一個強大的 CUDA 软件生態圈，而 TPU 處處只能依賴 Google 的自製硬體 和 軟體 
。
。現在，Google 的 TPU 已經在許多 AI 企業中被廣泛採用，這也讓英伟达的市場地位逐漸減少 
。
. 在 AI 计算领域，它不仅可以减少训练和推理时的计算时间，也降低了能耗 
. 针对这种场景，谷歌在逐步扩张其 TPU.supply 服务, 以面对日常的 AI 大型模型训练和推理需求 
而且，听说 OpenAI 都会使用 TP V5 在大型 AI 计算方面取得更好的效果。 
可能只是为了抢夺市场份额，而不是真正意义上的技术进步。
TPU 的诞生是为了解决 google 内部的算力危机，未来AI算力的需求远超基础设施所能承载的上限。 
然而， GPU 也已经在发展中 
尤其是英伟达，它们也在继续推进通用计算能力 
所以，这到底是Tpu 还是GPU 告死我 
首席科学家杰夫·迪恩曾在采访中介绍，团队做过粗略估算，如果数亿用户每天使用3分钟语音识别服务，所需算力将是谷歌全部数据中心算力的两倍。 
这意味着 TPu 将越来越多地被用于大型计算任务和 AI 应用中。 
。
。比起 GPU，它在一些方面确实有优势，但我们不能完全肯定它能在任何场景下胜过 GPU 
。
人工智能公司 Anthropic 的决定直接采购 TPU v7 系列芯片，也是值得关注的。 
its "脉动阵列" 架构使得它专门针对大矩阵运算，实现了高效的 AI 算力处理。 
TPU 的供给方式也在改变，Google 开始采用商业化路径。