14 篇博文 含有标签「Google」

继 AMD 2GW、AWS 5GW 之后，Anthropic 的算力拼图补上了最大的一块 Google。这不是一份普通的云合同，而是「单一云厂商对单一 AI 实验室的最大芯片承诺之一」。

协议要点​

Anthropic 周四（2026-10-23/24）官宣扩大与 Google Cloud 的合作：

• 规模：价值数百亿美元（tens of billions），覆盖最高 100 万颗 TPU
• 上线节奏：2026 年内带来超过 1GW 的容量
• 定位：公司史上最大的算力扩张，也是 AI 实验室与单一云厂商之间最大的芯片承诺之一

双方口径：

• Google Cloud CEO Thomas Kurian：Anthropic 的选择反映了其团队多年来在 TPU 上看到的强劲价格性能与效率，并点名第七代 Ironwood
• Anthropic CFO Krishna Rao：扩容是为了满足指数级增长的需求，同时保持模型前沿

商业面佐证：Anthropic 目前服务超过 30 万家企业客户，年化收入超 10 万美元的大账户数量一年增长近 7 倍。

为什么是 Ironwood​

Kurian 点名 Ironwood（TPU v7）不是客套。Ironwood 是 Google 首款为推理设计的 TPU，192GB HBM3e、单芯片 FP8 4,614 TFLOPS（TPU v7 卡片），外部基准也已给出正面信号——SemiAnalysis 的 AgentX 测试中 TPUv7 的性价比达到 GB300 NVL72 的 1.67 倍。对以推理负载为主的 Claude 商业化而言，TPU 的单位 Token 成本正是 Rao 口中「指数级需求」能否盈利的关键。

三平台对冲：杠杆，但也是三倍工程量​

Anthropic 在公告中刻意重申了不改变的多平台战略：Google TPU + Amazon Trainium + NVIDIA GPU，并确认 AWS 仍是主训练伙伴（Project Rainier 百万颗 Trainium 集群，此前报道）。

这笔交易的战略价值在于议价杠杆：当英伟达试图执行严格的配额分配时，Anthropic 可以把训练负载转向 Trainium；当 AWS 高密度机柜部署延迟时，可以切到 TPU 产能。三家云帝国互相牵制，Anthropic 从中榨取价格让步、优先供货与能源补贴。

但工程代价同样真实：CUDA、Neuron、XLA 三套不兼容的软件栈意味着三套系统工程组织。前 Anthropic 基础设施工程师的说法很直白——「每改一次注意力机制或张量切分策略，都要在三个平台上各跑一遍基准；在 H100 上跑得干净的内核，在 TPU 上可能因为内存边界没有对齐 MXU 而直接卡住」。

与 S-1 的互证​

本周流出的 Anthropic S-1 草案披露了数千亿美元级的未来云承诺（财报拆解见此前文章）——本协议正是这些承诺的最大单一组件。对 Google 而言，用 TPU 产能锁定增速最快的 AI 客户；对 Anthropic 而言，用巨额长期承诺换取产能确定性。风险也对称：需求若不及预期，这些承诺就是资产负债表上的重负。

结论​

算力竞争的第二阶段已经从「买得到」进入「锁得住」：2026 年内的 1GW、2027 年的数 GW 下一代 TPU（4 月 Google/Broadcom 协议）、AWS 的 5GW Trainium——Anthropic 用三份巨型合同把 2027 年的产能提前画完。剩下的问题是执行力：三个平台、三条软件栈、三个交期风险，任何一条掉链子都要靠另外两条兜底。

数据来源与口径说明​

• 协议规模、100 万颗 TPU、超 1GW、双方表态、客户数据：Anthropic 官方公告（2026-10 周四），DEV Community AI Daily Digest（2026-10-25）、chiprook 转述
• TPUv7 AgentX 性价比 1.67 倍：SemiAnalysis（2026-10-15）
• 三平台战略与工程摩擦：Anthropic 投资者简报及前员工表述，gfunfacts/SCMP 汇总，「三套系统工程组织」为前员工个人观点

「先造一颗芯片，再想办法让人用它」——黄仁勋在 GTC 柏林这样形容所有竞争者，并给 CUDA 的领先下了一个时间量纲：25 年，单一架构。但就在同一个 10 月，谷歌和 AWS 的开源工具把「换芯片」的成本从数月压到了几分钟。

防御方：CUDA 飞轮论​

黄仁勋的论证结构很清晰：

• 飞轮效应：开发者加入 → 软件库更丰富 → 更多开发者加入，价值随时间复利
• 深库优化 + 深硬件接口优化：这是长期投入的产物，无法靠一颗新芯片一次性复制
• 先芯片后生态是死路：竞争者「先开发芯片，再找理由让人用它」，顺序反了

他同时承认了两个新变量：大语言模型写代码的速度已快于人类，理论上可以让对手跳过 CUDA 的漫长积累周期；地缘政治则推动华为（CANN）、寒武纪等在特定区域自建类 CUDA 生态。

进攻方：把迁移成本压到 model.to()​

PyTorch Conference 2026 上，谷歌与 AWS 同步出手：

工具	厂商	迁移成本	验证覆盖
TorchTPU（开源）	Google	设备改为 model.to('tpu')	近 5000 个 HuggingFace 高频模型中 4917 个端到端验证，Tier-1 无崩溃通过率 98%，迁移时间压缩至几分钟到数天
TorchNeuron（Apache 2.0）	AWS	指向 CUDA 的设定改为 AWS Neuron，少量配置修改	直接运行于 Trainium2/Trainium3

技术路径也换代了：TorchTPU 通过 PyTorch 的 PrivateUse1 扩展点把 TPU 暴露为原生 PyTorch 设备，ATen 算子直接路由到 TPU 后端——不再是旧 TorchAX 那种「翻译成 JAX」的间接层。

性能佐证：TPU 不只是便宜​

光有易迁移不够，性能得站得住。一个第三方口径的对比：

• 16 颗 Ironwood（TPU v7）运行 Kimi K3，开启推测解码，单用户生成 709 tokens/s
• 同等规模 16 块 GB200 + vLLM：452 tokens/s——TPU 领先约 57%

加上此前 SemiAnalysis AgentX 基准中 TPUv7 对 GB300 NVL72 的 1.67 倍性价比，推理侧的「性价比叙事」正在从宣传口径变成第三方可复现的测试结果。

护城河的真实宽度​

冷静看，CUDA 的壁垒远不止模型迁移：

1. 训练栈：TorchTPU/TorchNeuron 主要覆盖 eager 推理与前向，超大规模训练的稳定性、容错、checkpoint 生态仍在 CUDA 手里
2. 算子长尾：98% 通过率意味着 2% 的长尾——恰恰是前沿模型的自定义算子最集中的区域
3. 工具链纵深：NCCL 级通信库、调试器、性能分析器、算子自动调优，都需要数年沉淀
4. 人力市场：会 CUDA 的工程师供给仍是 TPU/Neuron 的数倍

但方向已经变了：当迁移成本从「重写应用」降到「改一行设备名」，采购决策的权重就从生态锁定滑向每 Token 成本与供货确定性。这正是黄仁勋要亲自下场反复辩护的原因——护城河最深的部分（训练栈与长尾算子）还够深，但城墙外围（推理迁移）已经开始被渗透。

结论​

CUDA 25 年功力是真的，但「挡不住」的判词下得太早的也是黄仁勋自己——他说的是别人挡不住英伟达，而现实是英伟达也开始挡不住别人了。未来 12 个月值得盯两个数字：HuggingFace 模型在 TPU/Trainium 上的端到端验证覆盖率能否从 98% 推向 99%+，以及训练栈（而不只是推理）的第三方基准是否出现同等量级的反超。

数据来源与口径说明​

• 黄仁勋 CUDA 表态：GTC 柏林 2026，PC Central 等转述
• TorchTPU 98%/4917 模型/Tier-1 通过率：谷歌官方口径，电子工程专辑转述
• Kimi K3 709 vs 452 tokens/s：公开报道口径，测试条件（推测解码 vs vLLM）不完全对等，仅作方向参考
• TorchNeuron：AWS 官方（Apache 2.0），本站此前有专文分析

继 10 月 21 日 GTC 柏林宣布 Vera Rubin 全面生产后，落地最快的消息来自谷歌：Google Cloud 与英伟达联合宣布 Vera Rubin 基础设施进入 GA 节奏——搭载 Vera Rubin NVL72 的 A5X 实例下月上线。

一、关键事实​

项目	内容
实例	A5X（Vera Rubin NVL72 液冷机柜）
上线时间	2026 年 11 月 GA
部署计划	最多 96 万块 Rubin GPU
首批用户	伦敦 AI 公司 Ineffable Intelligence（大规模强化学习研究）
区域扩展	后续扩展至欧洲

96 万块是什么概念？以 NVL72 机柜计约 1.3 万座机柜，接近一座 1GW 级 AI 工厂的芯片量级——谷歌在自家 TPU 之外，同时在 GPU 侧保持十万级到百万级的采购节奏，「TPU 自研 + GPU 采购」双轨继续加码。

二、对云选型的三个信号​

1. Rubin 可用性不再纸面：GA 实例意味着企业可以在云上按需消费 Rubin 算力，而不必自己锁机柜订单——中小团队吃到最新硬件的时间差缩短到「一个月」
2. 强化学习负载成为首发场景：Ineffable Intelligence 用 A5X 做 RL 研究，与推理侧 ASIC 替代曲线形成对照——训练与 RL 仍是 GPU 最深的护城河
3. 云承诺可抵扣：已有 Google Cloud 消费承诺的企业可以直接用 A5X 对冲承诺额度（这与 OpenAI 模型上架 Google Cloud Marketplace 的结算逻辑一致）

三、与 TPU 的关系：不是替代，是分层​

谷歌 2026 年 capex 指导 $1950-2050 亿，TPU（v8 训练/推理双线、2027 年底全面量产）与 Rubin GPU 各自承接不同负载层：固定的大规模推理走 TPU，前沿训练、RL 与需要 CUDA 生态的客户负载走 GPU。对采购方，这意味着在谷歌云一家就能同时拿到两大技术路线——议价时多了一张牌。

延伸阅读：Rubin R200 卡片 · TPU 8t/8i 卡片 · TCO 计算器

10 月 21 日，OpenAI 宣布其前沿模型（含 GPT-6.1 Astra、Sol、Luna）与 Codex 编码智能体进入谷歌云 Model Garden，经 Google Cloud Marketplace 结算，企业可用已有 GCP 消费承诺抵扣。这是 OpenAI 前沿模型首次上架第三大超算云的店面。

一、交易结构​

要素	内容
上架内容	GPT-6 / 6.1（Astra、Sol、Luna）+ Codex 智能体工作流
运行位置	完全跑在谷歌基础设施上，受 Google Cloud 访问控制与数据治理约束
结算	Google Cloud Marketplace，谷歌抽成 1.5%（大额私享报价）- 3%（标准）
抵扣	企业可用已签的 GCP 消费承诺支付
GA	未来数周，先企业私测
微软地位	仍为主要云伙伴、Azure 首发权、2500 亿美元承诺至 2032 不变

二、谁赚谁亏​

• OpenAI：收入 ~500 亿美元年化（9 月底口径），多一个分销渠道、多一条触达 GCP 存量客户的路径，代价是每单被抽 1.5-3%
• 谷歌：云收入 Q2 增 82% 至 248 亿美元、backlog 5140 亿；用自己的 TPU 机群承接竞对模型，按利用率赚两层钱（算力 + 抽成）
• 微软：4 月失去独家权后只剩「首发权」——议价权降级被包装成关系延续
• 企业买家：第一次可以在一张云账单上同时买 Gemini 和 GPT，采购与审计都简化

三、参照系：Anthropic 的 47%​

Anthropic 招股书披露其 2025 年收入的 47%（2.16B/4.6B）经云 Marketplace 流入。这组数字说明：Marketplace 抽成不是边缘渠道，而是 AI 模型分发的主干道之一。当模型能力成为「跨云商品」，渠道费率就成了模型厂商新的毛利变量。

四、对算力市场的连锁影响​

1. 模型与算力解耦加速：企业选云看数据治理与承诺抵扣，选模型看能力排行——「云锁定模型」的旧逻辑失效
2. 谷歌云的复合优势：TPU 自研 + Gemini + 第三方模型店面 + 96 万块 Rubin（A5X 下月 GA），成为供给结构最多元的云
3. 英伟达视角：模型跑在哪朵云上不重要，只要机柜还是它的——GPU 层短期无虞

延伸阅读：Anthropic 财报拆解 · TPU 外部客户版图

谷歌造芯十五年，最被低估的变化发生在商业模式上：TPU 不再只是谷歌自家数据中心的「成本项」，而是谷歌云的收入项。2026 年，这个转变的证据链已经完整。

一、外部客户版图​

客户	合作内容	时间
Anthropic	承诺供应至多 100 万颗 TPU、2026 年超 1GW 容量（数百亿美元级）；2026 年 4 月再加订数吉瓦	2025-10 起
Meta	被曝签署数十亿美元合同，租赁谷歌 TPU 集群	2026 年报道
蚂蚁集团	高强度计算负载迁移至 TPUv7，训练性能提升 200%	2026-08 I/O Connect China
新兴云厂商	与 Crusoe、CoreWeave 等就 TPU 落地其数据中心进行洽谈	2026 年报道

Anthropic 是最大竞争对手之一，其算力命脉部分握在谷歌手里——这在商业史上几乎前所未有。而 Meta 一边推进自研 MTIA 路线图、一边与 AMD 签下最高 6GW 合作、同时还租用 TPU，「不把算力押注在单一硬件上」成为头部模型公司的共识。

二、出货量与收入节奏​

• TPU 出货量 2025 年约 250 万片，2026 年目标上调 50%、总量预计突破 370 万片
• 谷歌 CFO 在财报会上明确：2026 年 TPU 收入只占一小部分，大部分订单将在 2027 年兑现
• IDC 预测推理市场 ASIC 份额从 2024 年的 15% 升至 2030 年的 80%——谷歌是这条替代曲线的最大推手

三、为什么谷歌能做到而别人难以复制​

谷歌真正的护城河不是某一颗芯片，而是「芯片—模型—编译器—网络—数据中心—云」的垂直一体化：

• 自研光学电路交换机（OCS）支持 Pod 内网络拓扑动态重构
• XLA 编译器把软硬协同效率压到极致；2026 年 10 月 TorchTPU 开源后，PyTorch 生态的准入门槛进一步坍塌
• DeepMind 能预判未来模型形态、提前锁定架构方向
• 每一代 TPU 都真实部署在搜索、广告、YouTube 推荐和 Gemini 之上——庞大的自用需求托底，是自研芯片能撑过三代以上迭代的先决条件

四、对中国从业者的镜鉴​

百度昆仑芯常被拿来与 TPU 类比，但差距不在芯片本身，而在商业化半径：谷歌的 TPU 既自用又通过云对外规模化供给，而多数国内互联网大厂自研芯片仍停留在自用阶段。国产对外供给的力量是寒武纪、燧原、壁仞、沐曦这类独立芯片公司——融资与生态建设步步惊心，对标的是「巨头亲自下场」的另一种打法。

当芯片变成云服务的一部分，算力竞争的边界早已跨出国界。蚂蚁迁移 TPU 的案例说明：平台级算力竞争没有主场。

延伸阅读：TPU Ironwood 卡片 · TPU 8t/8i Q4 量产 · 完整对比表

2026 年 10 月，多家台系供应链调研给出同一判断：Google TPU v8 将在本季度（2026 Q4）进入硬件供应链量产阶段，2027 年成为明显放量年。TPU 从第八代起首次拆分为训练与推理两条产品线，这个变化的影响不亚于性能提升本身。

出货预测：402 万到 910 万颗​

凯基证券 2026 年 10 月报告的核心数字（供应链口径，非 Google 官方）：

项目	2026 年	2027 年（预估）
TPU v8 总出货量	约 402 万颗	约 910 万颗（+126%）
v8t（训练）	—	约 360 万颗
v8i（推理）	—	约 550 万颗
机柜出货	—	翻倍成长

需求侧最大的公开客户是 Anthropic：2025 年宣布扩至最高 100 万颗 TPU（超 1 GW），2026 年 4 月又与 Google、博通签署新协议，取得数 GW 的下一代 TPU（v8）产能，2027 年上线支撑 Claude 前沿模型。

8t 与 8i：第一次按负载拆分​

此前每一代 TPU 都同时承担训练与推理。v8 首次分化：

• TPU 8t（市场分析代号 Zebrafish）：训练专用，延续 3D Torus scale-up 架构，单 SuperPod 可扩展至 9,600 颗；面向大模型预训练与 embedding 密集负载。集成 Arm Axion CPU（Google 自研 64 核 Neoverse V2），TPU 与 CPU 协同。
• TPU 8i（市场分析代号 Sunfish）：推理专用，采用全新的 Boardfly 片间互联（ICI）拓扑，单 Pod 最多 1,152 颗 active TPU；面向后训练、采样、实时推理与推理型负载。

系统级升级同样激进：散热从芯片液冷升级为系统级液冷（单柜水冷价值约 4.5-5 万美元），电源引入**高压直流（HVDC）**架构（10kW PSU），PCB/载板大尺寸化。这意味着 v8 机柜的供应商结构比 v7 复杂得多——鸿海在 v8 拿到 TPU 层与 L11 机柜组装份额，Celestica 仍是 L10/L11 主力。

两个口径提醒​

1. 代工伙伴归属有矛盾。Google Cloud Next 官方材料与部分供应链调研对 v8t/v8i 分别由博通还是联发科参与开发说法相反。本站两代卡片的处理方式是：正文保留官方活动口径，预测数字标注为凯基证券口径，采购与研究引用时请注明来源层级。
2. 「出货量」不等于「可购买量」。v8 产能优先供应 Google 内部（Gemini、DeepMind）与 Anthropic 等大客户，外部云上可租用的 v8 实例预计要等 2027 年才逐步铺开。

对行业格局的意义​

TPU v8 放量 + Maia 300 部署 + Trainium 扩产，意味着 2027 年「非 NVIDIA 推理算力」的供给盘子里，自研 ASIC 将首次占到可观份额。对模型厂商，这意味着更低的推理单位成本与更强的议价筹码；对 NVIDIA，压力主要落在推理侧，训练侧的 CUDA 护城河短期无虞。

相关阅读​

• Google TPU 8t 芯片卡片
• Google TPU 8i 芯片卡片
• Google TPU Ironwood 芯片卡片

过去把 PyTorch 工作负载迁上 TPU 的成本是「重写」，2026 年 10 月 20 日之后，这个成本变成了改一个设备字符串：.to("cuda") → .to("tpu")。

一、发布要点​

在 PyTorch Conference 2026 上，谷歌宣布 TorchTPU 开源（GitHub），这是谷歌与 Meta PyTorch 团队自 2025 年年中起联合开发的原生 PyTorch 后端。与旧的 PyTorch/XLA 方案不同，TorchTPU 是原生 backend：支持 eager 调试、torch.compile 生产优化、原生分布式原语，覆盖约 450 个 ATen 算子。

兼容性数据（TorchTPU 团队自测口径）：4,917 个 Hugging Face 模型中 98% 无崩溃运行，657 个架构代表性模型中 97% 数值与 GPU 结果在阈值内一致。

二、生态全家桶同步就位​

组件	合作方	用途
vLLM 原生后端	Inferact	高吞吐推理服务
SGLang 后端	RadixArk	结构化智能体执行
llm-d 1.0	Red Hat、IBM 等	TPU/GPU 混合机队路由
Hugging Face Transformers v5	HF	device_map="tpu" 直接部署
TorchTitan / Ray / VeRL	社区	训练与强化学习

Meta 方面明确表态：TorchTPU 让 Meta「把 PyTorch 工作负载部署到谷歌 TPU 上」，支撑 LLM、广告与推荐系统的生产负载——这与 Meta 租用 TPU 集群的动作互为印证。

三、推理成本：2.01 美分/百万 Token​

谷歌引用 SemiAnalysis InferenceMAX/InferenceX 基准的数据：TPU v7 配合 vLLM-TorchTPU 栈，在 8K/1K 测试上达到 2.01 美分/百万 Token，较 9 月首测的 3.6 美分下降 44%。数据为开发者自报口径，但在「推理单位成本」这场竞争中，这是目前公开可查的最低单价之一。

值得注意的是发布同日，亚马逊的 TorchNeuron（Trainium 原生 PyTorch 后端）也进入公测——两大 ASIC 阵营同时向 PyTorch 开放原生入口，框架层正在成为 ASIC 阵营争夺的主战场。

四、对算力选型的含义​

1. 迁移成本坍塌：CUDA 生态锁定的一大论据被削弱，多硬件组合（GPU 训练 + ASIC 推理）的工程门槛显著下降
2. 成本口径可对齐：企业可以直接用 SemiAnalysis 同款基准横向对比 GPU 与 TPU 的每百万 Token 成本
3. 对英伟达的威胁在推理侧最先兑现：训练侧 CUDA 护城河仍在，但推理工作负载的框架中立性更强

延伸阅读：TPU 8t/8i 卡片 · 推理接棒训练 · TCO 计算器

2026 年是 AI 加速芯片竞争分水岭式的一年。一边是 NVIDIA 用 Blackwell 产能与 Rubin 首发把「训练算力」的标尺再抬高一截，另一边是中国本土供应链在出口管制常态化下，把「可用」加速推向「好用」——昇腾 960 超节点、寒武纪思元 690、摩尔线程 MTT S5000、阿里真武 V900 等产品密集落地。本文用同一把尺子，把国产与国际主力芯片放到一张桌子上对比。

一、为什么说 2026 是分水岭​

• 出口管制进入稳态：美国对高端训练卡的禁运已不是新闻，而是采购决策的默认前提。国产芯片的「替代」叙事从口号转为规模部署。
• 国产份额跨越临界点：据 Counterpoint 口径，中国 AI 芯片市场国产化率从 2022 年近乎为零，升至 2025 年的约 41%，其中昇腾占国产份额约 62%。这意味着「国产 vs 国际」不再是技术爱好者话题，而是采购刚需。
• 代际差距收窄但仍在：纸面算力上，旗舰国产卡（昇腾 910C 128GB、思元 690 196GB）在显存容量上已不输同代国际卡；但在单卡稠密算力、软件生态与集群扩展效率上，仍有一代左右的差距。

本文对比维度固定为五类可比指标：算力（FP16 稀疏口径，与站内科普一致）、显存容量与带宽、功耗与能效、制程、价格。所有数字取自本站已校验芯片数据库（252 款）与价格库（报价截至 2026-10），官方未公开的一律标注「未公布」，不作推测填充。

二、国产 AI 芯片进展​

2.1 华为昇腾：从 910C 到 960 的三级跳​

型号	架构	制程	显存	显存带宽	FP16（稀疏）	TDP	状态
昇腾 910B	Da Vinci	TSMC 7nm+（含 SMIC 国产化）	64GB HBM2e	600 GB/s	320 TFLOPS	310W	量产中
昇腾 910C	Da Vinci（双 die）	中芯国际 7nm N+2	128GB HBM2e	3.2 TB/s	800 TFLOPS	600W	规模部署
昇腾 950PR	Da Vinci v5	中芯 N+3（等效 5nm 级）	128GB HiBL 1.0	未公布	486 TFLOPS	600W	已上市
昇腾 950DT	Da Vinci v5	中芯 N+2	144GB	4 TB/s	547 TFLOPS	500W	2026 Q4 量产
昇腾 960DT	全新 SIMD/SIMT	未公布	288GB	9.6 TB/s	未公布	未公布	2027 Q1
昇腾 960PR	全新 SIMD/SIMT	未公布	192GB	2.4 TB/s	未公布	未公布	2027 Q3

昇腾 910C 是当前国产训练主力，CloudMatrix 384 超节点已用于 DeepSeek 等大模型训练验证。950 系列在 2026 年 HC 大会官宣：950PR 渠道报价已超 ¥8 万（年初约 ¥6 万），950DT 超 ¥25 万（较 7 月上涨 20%~50%），HBM 供给挤压是涨价主因。960 超节点公布 NPO Hi-ONE 引擎、4096 卡规模与 99.8% 可用度目标，其中 960DT 主攻训练（FP4 4 PFLOPS）、960PR 主攻推理（FP4 8 PFLOPS），是 2027 年的旗舰预期。

2.2 寒武纪思元 690：纸面规格天花板​

思元 690 采用双 die Chiplet 设计与 MLUarch 4.0 架构，中芯国际 N+2 制程、196GB HBM3、3.35 TB/s 带宽、FP16 700 TFLOPS、TDP 500W。其显存容量与带宽已对齐 H100 SXM 级别，是国产卡中少数在纸面规格上逼近国际旗舰的产品。2026 年 9 月受 HBM 供给挤压，官方指导价 ¥19 万、市场均价约 ¥17.5 万，较两月前上调 20%~30%，客户含字节、阿里、百度。

2.3 其他国产厂商​

厂商 / 型号	架构	制程	显存	FP16（稀疏）	TDP	备注
天数智芯 天垓 300	SIMT 通用计算	7nm	144GB HBM3E	超 1,000 TFLOPS	600W	2026-07 WAIC 发布，对标 Hopper
天数智芯 天垓 150	ivcore11	TSMC 7nm	64GB HBM2e	192 TFLOPS	350W	通用 GPU，兼容 CUDA 生态
燧原 云燧 T21	GCU-CARA 2.0	格罗方德 12nm	64GB HBM2E	134.4 TFLOPS	未公布	邃思 2.0，训推一体
百度 昆仑芯 R200	XPU-R	7nm	16/32GB GDDR6	128 TFLOPS	150W	低功耗推理向
摩尔线程 MTT S5000	MUSA 4（平湖）	TSMC 6nm	80GB	400 TFLOPS（BF16）	500W	全功能 GPU，渠道价 ¥7.5 万
阿里 真武 V900	平头哥 PPU	未公布	216GB	未公布	未公布	2026-09 云栖发布，2027 Q1 量产

注：燧原 T21 的 TDP 官方未公布，本站不作推测；摩尔线程、燧原等卡的 FP8/FP4 精度多数官方未单列，表中以 BF16/FP16 口径统一呈现。天数智芯「智铠」系列未见公开采购确认，暂未纳入主表。

三、国际 AI 芯片进展​

3.1 NVIDIA：Blackwell 量产 + Rubin 首发​

型号	架构	制程	显存	带宽	FP16（稀疏）	TDP	状态
H100 SXM	Hopper	TSMC 4N	80GB HBM3	3.35 TB/s	1,979 TFLOPS	700W	上代主力
H200 SXM	Hopper（refresh）	TSMC 4N	141GB HBM3e	4.8 TB/s	1,979 TFLOPS	700W	大显存主力
B200	Blackwell（双 die）	TSMC 4NP	192GB HBM3e	8 TB/s	5 PFLOPS	1000W	2025 起量产
GB300	Grace Blackwell Ultra	TSMC 4NP	576GB HBM3e（超节点口径）	16 TB/s	10 PFLOPS（双芯）	3000W	超节点主力
Rubin R200	Rubin	台积电 3nm	288GB HBM4	19.2 TB/s	4 PFLOPS	1800W	2026 H2 已规模出货

NVIDIA 在 2026 年的核心叙事是交付：Vera Rubin NVL72 下半年持续放量，MLPerf Inference v6.1 首秀（Qwen3-VL 较 GB300 最高 3.7 倍）。Rubin R200 官方 FP4 达 50 PFLOPS（稀疏），是本代出货主力；N1X PC 处理器秋季上市，把战场延伸到消费级。

3.2 AMD：MI300X/MI325X 守基本盘，MI455X 冲机架​

MI300X（192GB HBM3 / 5.3 TB/s / 1,307 TFLOPS）与 MI325X（256GB HBM3e / 6.48 TB/s）提供高显存性价比；真正的增量在 Helios 机架（72× MI455X，432GB HBM4 每卡、23.3 TB/s、FP4 40.3 PFLOPS、计算芯粒 TSMC 2nm），绑定 OpenAI 6GW、Meta 6GW 部署。MI450 为其母型号，量产节点排在 2027 年 Q2。

3.3 Intel 与 Google​

• Intel Gaudi 3：TSMC 5nm、128GB HBM2e、3.67 TB/s、BF16 矩阵算力 1,835 TFLOPS、TDP 900W，24× 200GbE RDMA 集成网卡，以太网组网直接对标 NVL72。Gaudi 3 之后 Intel 路线转向 Crescent Island（推理）与 Jaguar Shores（2027），Falcon Shores 已取消。
• Google TPU v6（Trillium）：v6e（32GB / 918 TFLOPS / 200W）与 v6p（96GB HBM2 / 1,350 TFLOPS / 450W）同代，TSMC 5nm，仅通过 Google Cloud 按小时计费。第七代 Ironwood 已把 HBM 容量推到 192GB、带宽 7.38 TB/s。

3.4 其他赛道​

Cerebras 已于 2026-08 发布机架级 CS-4（3× WSE-3 Turbo，750 PFLOPS），需要注意的是 CS-4 并未采用新一代晶圆，硅片与 CS-3 完全相同；SambaNova SN40L 以三层内存架构服务稀疏场景；Graphcore 已被 SoftBank 收购并退出中国市场。

四、关键指标对比（核心）​

方法学：FP16 统一采用稀疏（sparse）口径，与站内科普及首页热门芯片一致；价格为 pricing.json 市场报价（国际 USD、国产 CNY，截至 2026-10）；「未公布」表示官方未披露、本站不作推测填充。

4.1 算力对比（FP16 稀疏）​

芯片	FP16（稀疏）	FP8 / FP4 备注	架构
国产
天垓 300	超 1,000 TFLOPS	支持 FP4 / FP8	SIMT
昇腾 910C	800 TFLOPS	FP8 1.5 PFLOPS	Da Vinci 双 die
思元 690	700 TFLOPS	FP8 约 1.4 PFLOPS	MLUarch 4.0
昇腾 950DT	547 TFLOPS	FP4 2 PFLOPS	Da Vinci v5
摩尔线程 MTT S5000	400 TFLOPS（BF16）	FP8 约 1 PFLOPS 稠密	MUSA 4
天垓 150	192 TFLOPS	384 TOPS INT8	ivcore11
云燧 T21	134.4 TFLOPS	未公布	GCU-CARA 2.0
昆仑芯 R200	128 TFLOPS	256 TOPS INT8	XPU-R
国际
GB300（双芯）	10 PFLOPS	FP4 40 PFLOPS	Grace Blackwell Ultra
MI455X	10.1 PFLOPS	FP4 40.3 PFLOPS	CDNA 5
B200	5 PFLOPS	FP4 20 PFLOPS	Blackwell
Rubin R200	4 PFLOPS	FP4 50 PFLOPS	Rubin
Gaudi 3	1,835 TFLOPS（BF16 矩阵）	FP8 1,835 TFLOPS	Gaudi 3
H100 SXM	1,979 TFLOPS	FP8 3,958 TFLOPS	Hopper
H200 SXM	1,979 TFLOPS	FP8 3,958 TFLOPS	Hopper
TPU v6p	1,350 TFLOPS	FP8 2,700 TFLOPS	TPU v6
MI300X	1,307 TFLOPS	未单列	CDNA 3
MI325X	1,307 TFLOPS	未单列	CDNA 3

读图：单卡 FP16 上，B200/GB300 把国产旗舰甩开约 5~6 倍；但昇腾 910C（800）已接近 H100 的 40%，思元 690（700）紧随，天垓 300（超 1,000）已进入国际旗舰区间。差距从「数量级」收敛到「一代」。

4.2 显存与带宽对比​

芯片	显存	类型	带宽
昇腾 960DT	288GB	HBM	9.6 TB/s
MI325X	256GB	HBM3e	6.48 TB/s
阿里真武 V900	216GB	未公布	未公布
思元 690	196GB	HBM3	3.35 TB/s
B200	192GB	HBM3e	8 TB/s
MI300X	192GB	HBM3	5.3 TB/s
H200	141GB	HBM3e	4.8 TB/s
H100	80GB	HBM3	3.35 TB/s

读图：国产旗舰在显存容量上已经反超——思元 690 的 196GB、昇腾 960DT 的 288GB、真武 V900 的 216GB 都高于 H100/H200。但带宽上，只有昇腾 960DT（9.6 TB/s）与 B200（8 TB/s）进入同一梯队，HBM3e/HBM4 代差是关键。

4.3 功耗与能效对比​

芯片	TDP	FP16/W（稀疏能效）
昇腾 910C	600W	1.33 TFLOPS/W
思元 690	500W	1.40 TFLOPS/W
天垓 150	350W	0.55 TFLOPS/W
H100	700W	2.83 TFLOPS/W
B200	1000W	5.0 TFLOPS/W
MI300X	750W	1.74 TFLOPS/W
TPU v6e	200W	4.59 TFLOPS/W

读图：能效是国产最明显的短板。H100 的 2.83 TFLOPS/W 约为昇腾 910C 的 2.1 倍，B200 更是 3.8 倍。低功耗端 TPU v6e（200W / 4.59）与昆仑芯 R200（150W）代表「每瓦算力」的另一条路线。

4.4 制程对比​

厂商	代表芯片	制程	晶体管
华为	910C	中芯 7nm N+2	未公布
寒武纪	思元 690	中芯 N+2（5nm 级）	未公布
NVIDIA	H100 / B200	TSMC 4N / 4NP	800 亿 / 2080 亿
AMD	MI300X	TSMC 5+6nm 混合	1530 亿
AMD	MI455X	TSMC 2nm（计算芯粒）+ 3nm	未公布

读图：制程代差是结构性差距的根源。国产主力仍停留在 7nm 级，而国际旗舰已进入 2nm 计算芯粒时代。这是单卡算力差距的物理下限。

4.5 价格对比（市场报价，2026-10）​

芯片	价格	币种	口径
H100	$28,000	USD	市场均价
H200	$38,000	USD	市场均价
B200	$42,000	USD	市场均价
GB200	$62,000	USD	市场均价
MI300X	$13,500	USD	市场均价
MI325X	$16,500	USD	市场均价
Gaudi 3	$16,500	USD	市场均价
TPU v6e	$22,000	USD	Cloud 仅按小时
昇腾 910C	¥110,000	CNY	2026-09 渠道（年初约 ¥9 万，+22%）
昇腾 950PR	¥80,000	CNY	2026-09 渠道（年初约 ¥6 万，+30%）
昇腾 950DT	¥250,000	CNY	2026-09 渠道（较 7 月 +20~50%）
思元 690	¥175,000	CNY	2026-09 渠道（官方指导价 ¥19 万）
MTT S5000	¥75,000	CNY	渠道估算

读图：按汇率约 7.2 折算，昇腾 910C（约 $15.3k）与 H100（$28k）价差显著但算力仅其 40%，单位算力成本仍偏高；思元 690（约 $24.3k）价格接近 H100 但显存翻倍。HBM 短缺推高国产报价，是 2026 下半年的一致趋势。

五、生态对比​

厂商	软件栈	框架支持	迁移难度	特点
NVIDIA	CUDA + cuDNN	全支持	—	算子覆盖约 100%，生态壁垒
AMD	ROCm	主流支持	中	覆盖约 90%，持续补齐
华为	CANN	主流支持	中	覆盖约 80%，昇思 MindSpore
寒武纪	NeuWare	主流支持	中	覆盖约 75%~85%
天数智芯	IXUCA	主流支持	低（兼容 CUDA）	CUDA 兼容路线
燧原	DTU Toolkit	部分支持	高	覆盖约 60%
百度昆仑	XREA / 飞桨	主流支持	低（飞桨原生）	与 Paddle 深度绑定

关键判断：生态差距比硬件差距更难追。CUDA 的长期积累使 NVIDIA 在算子覆盖、工具链、开发者社区上仍具压倒性优势；国产路线分两派——华为/寒武纪自建栈，天数智芯/摩尔线程走 CUDA 兼容以降低迁移成本。

六、市场表现​

6.1 出货量（2026 预估）​

厂商	2026 出货（万颗）	同比	主要客户
NVIDIA（全球）	150–200	+30%	全球科技巨头
华为（昇腾）	20–30	+100%	政府、国企、科技公司
寒武纪（MLU）	10–15	+150%	字节、阿里、百度
AMD（全球）	30–40	+80%	Meta、微软等
其他国产	10–20	+200%	各类 AI 公司

6.2 中国市场份额​

类型	2024	2026（预估）	趋势
国际（NVIDIA/AMD）	约 80%	约 40%	大幅下降
国产（华为/寒武纪等）	约 20%	约 60%	快速提升

6.3 客户与部署​

• 字节跳动 / 阿里 / 百度：寒武纪思元、昇腾 910C 双线采购；
• 腾讯：昇腾 910C 为主，探索其他国产；
• 智算中心：多家国产芯片混合部署，国产化率成硬指标；
• 超大规模云：NVIDIA 仍主导海外训练，但国内云厂商国产占比快速抬升。

七、未来展望（2027）​

阵营	产品	时间	状态
华为	昇腾 960DT / 960PR	2027 Q1 / Q3	已官宣
华为	昇腾 970	2028	已官宣
NVIDIA	Rubin Ultra	2027	已公布
AMD	MI450 / MI500	2027 Q2 起	已公布
Intel	Jaguar Shores	2027+	已公布
AWS	Trainium4	2027	已公布（FP4 为 Trainium3 的 6 倍以上）
寒武纪	思元 790	2027	未公布

差距判断（2027 预期）：

• 算力：从落后 40%~50% 收窄至 30%~40%；
• 显存：从落后 20%~30% 收窄至 10%~20%，部分型号已反超；
• 制程：从落后 1~2 代收窄至约 1 代；
• 生态：从落后 35 年收窄至 23 年。

八、结论与选型建议​

核心观点：

1. 2026 年国产与国际旗舰的差距从「代际」缩小到「一代」，显存容量局部反超；
2. 单卡稠密算力、能效、制程仍是结构性短板，集群扩展与软件生态是最大变量；
3. 国产化率快速攀升（2025 约 41%），采购从「尝鲜」变「刚需」；
4. 出口管制常态化下，国产替代已从政策驱动转为市场驱动。

给不同角色的建议：

• 企业采购：训练为主且合规无碍，选 NVIDIA B200/GB300/Rubin；国产化硬指标，选昇腾 910C/950DT 混合部署；推理高密度，关注昆仑芯 R200 与 TPU v6e。
• 开发者：优先 CUDA 保泛用性；若锁定国产，选 CUDA 兼容栈（天数智芯/摩尔线程）降低迁移成本。
• 投资者：关注 HBM 供给、国产先进制程良率，以及昇腾/寒武纪的客单与份额变化。
• 政策制定者：延续对先进制程、HBM、EDA 的投入，缩短生态差距比单点算力更关键。

---

数据来源与方法：本文全部性能与价格取自 MirrorFrog 已校验芯片数据库（chips.json，252 款）与价格库（pricing.json，报价截至 2026-10），数据核对日期 2026-10-13。FP16 统一稀疏口径；官方未公开字段以「未公布」标注，不作占位填充。文中 Rubin R200 带宽（19.2 TB/s）与 TDP（1800W）、Gaudi 3 算力（BF16 矩阵 1,835 TFLOPS）、昇腾 950 系列制程与报价等，均为 2026-10 核对后的修正值。

延伸阅读：完整芯片对比表、交互式对比工具、NVIDIA H100 规格卡、华为昇腾 910C 规格卡、寒武纪思元 690 规格卡。

一份价值数百亿美元的合同，至多 100 万颗 TPU，超过 1 吉瓦的算力容量。Anthropic 与谷歌的这次扩约，把云厂商自研芯片从内部工具推向了 AI 时代的硬通货。

协议全貌：最大规模的 TPU 外部订单​

2025 年 10 月 23 日，Anthropic 与 Google Cloud 联合宣布扩大合作：Anthropic 将获得至多 100 万颗谷歌自研 TPU 以及额外云服务资源，用于训练和服务未来数代 Claude 模型；超过 1 吉瓦的算力容量自 2026 年起陆续上线。双方确认协议总价值达数百亿美元级别，是 Anthropic 迄今最大的一笔 TPU 承诺，也是谷歌 TPU 对外供应史上规模最大的单一订单。

行业测算显示，1 吉瓦数据中心的建造成本约 500 亿美元，其中芯片部分通常占约 350 亿美元。以此对照，这份协议的分量不言而喻。作为对照，OpenAI 此前签署的一系列协议涉及约 26 吉瓦以上的算力承诺，而 Anthropic 的打法显得更克制也更聚焦：不追求纸面吉瓦数，而是绑定性价比。

合作要素	具体内容
签约时间	2025 年 10 月 23 日
芯片规模	至多 100 万颗 TPU
算力容量	超过 1 吉瓦，2026 年起上线
协议价值	数百亿美元级别
核心芯片	第七代 TPU Ironwood 等
用途	Claude 系列模型训练与服务

为什么是 TPU：性价比与多云策略​

Anthropic 给出的选型理由十分务实：TPU 的性价比与能效表现突出，且团队自 2023 年起就有在 TPU 上训练与服务 Claude 的经验。谷歌云 CEO Thomas Kurian 强调，这次扩约印证了 TPU 多年积累的成熟度，并以第七代 Ironwood 作为产品组合的代表。

更深层的原因在于 Anthropic 的多云架构。据 CNBC 报道，Claude 的训练与服务横跨三大算力底座：亚马逊 Trainium（包括 Project Rainier 超算集群）、英伟达 GPU 与谷歌 TPU，不同平台按训练、推理、研究等负载分工。这种策略在 2025 年 10 月 AWS 大规模宕机事件中得到验证——得益于算力来源分散，Claude 服务未受波及。对 Anthropic 而言，不与任何单一云厂商绑定，既是供应安全，也是议价筹码。

需求侧的底气：收入与客户的爆发式增长​

支撑百万卡级采购的，是 Anthropic 自身的业务曲线。签约时点，其年化收入运行率已接近 70 亿美元，超过 30 万家企业客户使用 Claude，两年内增长约 300 倍；年贡献超过 10 万美元的大客户数量一年内增长近 7 倍。Claude Code 上线仅两个月即实现 5 亿美元年化收入，被公司称为史上增长最快的产品之一。

谷歌在合作中的角色也不仅限于芯片供应商。谷歌此前累计向 Anthropic 投入约 30 亿美元，据 2026 年披露的法庭文件持有该公司约 14% 的股权，同时 Claude 也通过 Vertex AI 面向企业客户分发。算力供应加股权绑定加渠道分发，构成了三重利益联盟。

小结​

这份协议的产业信号十分清晰：第一，自研加速器已经成为头部 AI 公司采购算力的主流选项，TPU 正从谷歌内部资产变成对外收入来源；第二，多云算力策略成为前沿 AI 公司的标准配置，单一供应商模式正在瓦解；第三，随着 2026 年这批 TPU 陆续上线，Anthropic 与 OpenAI 之间的算力竞赛将进入吉瓦级对标的新阶段。

在 2026 年 4 月 22 日拉斯维加斯 Google Cloud Next '26 大会上，谷歌发布了第八代 TPU 的两款新品——训练专用的 TPU 8t 与推理优化的 TPU 8i。这是谷歌 TPU 家族诞生以来，第一次将训练与推理拆分至独立芯片。这一决策不仅重新定义了 TPU 的产品形态，也向整个 AI 算力行业释放了一个明确信号：训练与推理的工作负载特征已经分化到"一颗芯片通吃"不再经济的程度。

为什么要把训练和推理拆开​

传统上，TPU 一直走"一芯多用"路线——第七代 Ironwood 虽然以推理为主，但训练与推理仍在同一产品线上。而大模型进入智能体（Agentic AI）时代后，两种负载的差异被急剧放大：

• 训练追求极限吞吐与集群扩展性，需要海量 HBM 容量、超高互联带宽，对单次推理延迟不敏感；
• 推理则被成本、延迟和能效三重约束，KV Cache 读取、解码阶段的内存墙问题远比算力峰值更重要。

用同一颗芯片兼顾两者，必然在架构上互相妥协。谷歌选择彻底拆分：8t 的命名即"第 8 代 + training"，8i 即"第 8 代 + inference"。谷歌基础设施负责人 Amin Vahdat 对此表态："业界将受益于针对训练和推理各自需求专门优化的芯片。" CEO 皮查伊则从商业视角补充：谷歌要"以成本效益方式提供数百万智能体所需的大规模吞吐和低延迟"。

TPU 8t：训练专用，单 Pod 121 EFLOPS​

根据站内芯片卡数据，TPU 8t 的核心规格如下：

项目	TPU 8t（训练专用）
制程	TSMC 2nm
Die 设计	双计算 Die
单芯片 FP4 算力	12.6 PFLOPS
显存	8× HBM3e 12 层（约 216GB）
HBM 带宽	约 7 TB/s
Pod 规模	9,600 芯片
Pod HBM 总量	2 PB
Pod FP4 算力	121 EFLOPS（约为 Ironwood 的 3 倍）
集成 CPU	Arm Axion（64 核 Neoverse V2）
TDP	1,300 W
代工合作	博通（Broadcom）
云端上线	2026 H2

TPU 8t 有几个值得展开的架构要点。

其一，SparseCore 加速器。 8t 专门配备 SparseCore 处理嵌入查找（embedding lookup）带来的不规则内存访问模式——这正是 MoE 架构和推荐系统训练中最拖累 GPU 利用率的环节。站内卡显示其原生支持 Expert Parallel、1M+ token 长上下文训练以及 DPO/PPO/GRPO 等在线强化学习后训练范式。

其二，超大规模组网。 单 Pod 9,600 颗芯片经 ICI 3D Torus 与 Virgo 网络互联，单设施可扩展至 134,000 卡、跨站点扩展至 100 万卡以上，通过 JAX/Pathways 软件栈实现单集群超百万块 TPU 的协同训练。这意味着 Gemini 级别的 frontier 模型可以在单一 Pod 内完成训练。

其三，代际性能跃升。 谷歌官方口径是：同价格下 TPU 8t 性能达上代的 2.8 倍，每瓦性能提升 124%——训练侧的"每美元 token"经济学再次被改写。

TPU 8i：推理专精，384MB SRAM 加持​

TPU 8i 则把刀刃对准了推理成本。它的规格取向与 8t 截然不同：

项目	TPU 8i（推理专用）
制程	TSMC 2nm
核心设计	双张量核心 + CAE（集合通信加速引擎）
片上 SRAM	384 MB（Ironwood 的 3 倍）
显存	288 GB HBM3e
Pod 规模	1,152 芯片
Pod FP8 算力	11.6 EFLOPS
性价比	较 Ironwood 提升 80%
能效	较 Ironwood 提升 117%
散热	风冷 / 液冷均可
代工合作	联发科（MediaTek，首次）

三个细节尤其关键。第一，384MB 片上 SRAM 大幅缓解长上下文 KV Cache 的内存墙，配合 CAE 将集合通信延迟降低 5 倍，KV Cache 可跨芯片共享。第二，288GB 单芯片显存是当前最大显存的推理 ASIC，FP16 下可完整装载 70B 模型。第三，风冷可选意味着不需要液冷机房也能部署，把推理集群的落地门槛大幅拉低。

Gemini API、Vertex AI 推理、Anthropic Claude on Vertex 的在线服务均面向 TPU 8i 设计。性能提升 80%、每瓦性能提升 117%，加上单美元算力比 Ironwood 高约 70% 的推测口径，8i 的目标非常直白：让"每百万 token 成本"继续下探。

两款芯片的镜像对比​

指标	TPU 8t（训练）	TPU 8i（推理）
核心设计	双计算 Die	双张量核心 + CAE
片上 SRAM	—	384 MB
Pod 芯片数	9,600	1,152
Pod 算力	121 EFLOPS FP4	11.6 EFLOPS FP8
Pod HBM	2 PB	—
集成 CPU	Arm Axion	无
散热	第四代液冷	风冷/液冷
代工	博通	联发科

一个耐人寻味的差异：只有 8t 集成了 Arm Axion CPU。训练节点需要 CPU 做海量数据预处理与加载，而推理节点的瓶颈在芯片内部，主机侧负担较轻。这也说明 Axion 集成并非营销噱头，而是精确的负载驱动设计。

Axion 集成：全栈协同的深层意图​

Arm Axion 是谷歌自研的 64 核 Neoverse V2 CPU。将其集成进 TPU 节点，意味着 TPU 不再是纯粹的"加速器"，而是 TPU + CPU 协同的"超节点"——对标 NVIDIA 的 Vera CPU + Rubin GPU 组合。数据预处理、权重初始化、推理调度全部在节点内完成，消除了传统架构中主机 CPU 与加速器之间的数据搬运瓶颈。这是谷歌全栈（自研 CPU、自研 TPU、自研网络、自研框架）协同能力的集中体现。

与 NVIDIA 通用路线的分野​

谷歌的训练/推理拆分并非孤例。华为昇腾已经走出了同款路线——昇腾 950PR 面向训练、950DT 面向推理，同样是"代际相同、形态分化"。而 NVIDIA 至今坚持一颗 GPU 通吃训练与推理的通用路线，靠 CUDA 生态和 product segmentation（B 系列 / inference 专用 SKU）来分层。

两条路线的优劣可以放进一张表：

维度	专用拆分（谷歌/华为）	通用 GPU（NVIDIA）
单位成本效率	各负载最优化，性价比更高	存在为通用性付出的冗余
软件生态	需维护两套工具链	CUDA 一套通吃
客户灵活性	训练/推理集群需分别采购	一套集群弹性调度
演进节奏	每条线独立迭代	单一代际整体升级

对于自用负载极其明确的第一方厂商（谷歌、华为），拆分的经济性压倒一切；而 NVIDIA 面向的是千行百业的混合负载，通用性才是护城河。

TPU 生态的外溢：Google 之外正在成型​

还有一条容易被忽视的线索：TPU 正在从"谷歌内部资产"变成"开放生态"。前谷歌基础设施 VP Bikash Koley 跳槽至 TPU neocloud 创业公司 Crux AI——以 TPU 算力为核心商品、依托 Google Cloud 之外的基础设施提供云服务的商业层正在成型。加上 Anthropic 等重量级 TPU 大客户的存在，TPU 已经事实上成为 CUDA 之外最成熟的 AI 算力生态。两款芯片将于 2026 年晚些时候对外供应，届时 TPU 云市场的竞争格局值得持续观察。

小结​

TPU 8t 与 8i 的拆分，标志着 AI 算力竞争从"单芯片性能竞赛"进入"负载分化设计"的新阶段。训练芯片拼集群规模与吞吐，推理芯片拼每瓦、每美元与延迟——两种优化方向已经无法在单一架构内调和。谷歌用 TSMC 2nm、Axion 集成、SparseCore 与 CAE 给出了自己的答卷；华为昇腾的 PR/DT 双线则证明这不是孤立的赌注。对整个行业而言，2026 H2 这两款芯片正式对外供应后的市场反馈，将决定"训练/推理拆分"是否会成为下一代 AI 加速器的默认范式。