文 | 半导体产业纵横，作者 | 俊熹 文 | 半导体🌟产业纵横，作者 | 俊熹 9月3日，一则消息在科技圈引😉起了轩然大波：谷歌开始对外出售TPU了。 据报道，谷歌🤯近期已在接触那些主要租赁英伟达芯片的小型云服务提供商，敦促他👍们在其数据中心也托管谷歌自家的AI处理器，也就是TPU。 🎉 谷歌已与至少一家云服务提供商——总部位于伦敦的Fluid😜stack——达成协议，将在纽约的一个数据中心部署其TPU。😁 谷歌的努力不止于此。据报道，该公司还向其他以英伟达为🤯核心的服务商寻求类似的合作，其中包括正在为OpenAI建造数😴据中心的Crusoe，以及向微软租赁芯片并与OpenAI签有😡供应合同的英伟达“亲儿子”CoreWeave。 9月9🥳日，花旗分析师因TPU竞争加剧将英伟达目标价下调至200美元🌟，预计2026年GPU销售额将因此减少约120亿美元。 😀 明眼人都能看出来的是，谷歌和英伟达之间的大战，已经开始了。😍而它们争夺的，将是AI计算这个真正的万亿美元市场。 然💯而，谷歌对这一战的准备，其实比我们想象的都要久。 TP😍U，AI计算的最优解？ 早在2006年，谷歌的内部就讨😘论过在自家的数据中心中部署GPU、FPGA或ASIC的可能性😍。不过，当时只有少数应用程序能够在这些特殊硬件上运行，而谷歌😀大型数据中心的过剩算力也完全够它们使用了。因此，部署特殊硬件💯的计划被搁置。 然而，到了2013年，谷歌的研究人员发❤️现：如果人们每天使用语音搜索并通过深度神经网络进行3分钟的语🚀音识别，那么当时谷歌的数据中心需要双倍的算力才能满足日益增长😴的计算需求。 而如果仅通过扩大数据中心规模来满足算力需😉求，不但耗时，而且成本高昂。于是，在这个背景下，谷歌开始了T😜PU的设计。 谷歌的TPU是为AI计算而生的ASIC芯🤯片，它专注于实现两个核心目标：极高的矩阵乘法吞吐量与卓越的能🤯效。 为了实现高吞吐量，TPU在硬件层面采用了“脉动阵😴列”（Systolic Array）架构。该架构由大量简单的😍处理单元（PE）构成网格。数据流从阵列的边缘输入，在每个时钟😅周期同步地、一步步地流经相邻的处理单元。每个单元执行一次乘法😁累加运算，并将中间结果直接传递给下一个。 这种设计使得😁数据在阵列内部被高度复用，最大限度地减少了对高延迟、高功耗主😍内存的访问，从而实现了惊人的处理速度。 而其卓越能效的🌟秘诀，则在于软硬件协同的“提前编译”（Ahead-of-Ti😡me Compilation）策略。传统的通用芯片需要高能耗🚀的缓存来应对多样的、不可预测的数据访问。TPU则不同，它的编😢译器在程序运行前就完整规划好了所有数据路径，这种确定性使其无😉需复杂的缓存机制，从而大幅降低了能耗。 展开全文 ⭐ 在TPU的设计上，谷歌主导整体架构与功能定义，博通Broa💯dcom参与了部分芯片的中后端设计工作，目前，Google 👏TPU主要由台积电代工生产。 随着大语言模型参数的急剧🤔扩张，AI计算任务正在从“训练”走向“推理”。这时，作为通用😅算力单元的GPU，开始显露出成本以及功耗过高的问题。 😉而TPU从设计之初就专门瞄准了AI计算，具有很高的性价比优势🤩。据报道，谷歌TPU算力成本仅为OpenAI使用GPU成本的❤️1/5，性能功耗比更是优于同代GPU。 因此，为了抓住😡市场，谷歌围绕着自己的TPU架构，打造了一系列产品与生态。 😘 谷歌造芯这十年 谷歌第一代TPU (v1) 于2🚀015年推出，通过高度简化的专用设计，实现了超越同期CPU与😎GPU的能效比，并在AlphaGo等项目中展示了其高效能，从😂而验证了AI ASIC的技术路径。 随着研发深入，训练😊环节的算力瓶颈日益凸显，促使TPU的设计方向转向系统级解决方🤩案。2017年发布的TPU v2为此引入了BF16数据格式以🤔支持模型训练，并配置了高带宽内存（HBM）。 更为关键😆的是，v2通过定制的高速网络将256个芯片单元互联，首次构建😊了TPU Pod系统。随后的TPU v3通过增加计算单元数量😎和引入大规模液冷技术，实现了性能的显著提升。 TPU 😀v4的发布带来了互联技术的重大革新，其核心是采用了光学电路交😁换（OCS）技术，实现了TPU Pod内部网络拓扑的动态重构😊，从而提升了大规模训练任务的容错能力与执行效率。进入v5与v😢6 (Trillium) 阶段，TPU产品线呈现出分化策略，😅形成了分别侧重于极致性能的'p'系列与能效比的'e'系列，以😘适应多样化的AI应用场景。 2025年Google T😘PU的全年出货量预计为250万片。v5系列总出货量预计为19🙌0万⽚，其中v5e占⽐约120万⽚，v5p占⽐约70万⽚， 😡v6系列预计总出货量为60万⽚，⽬前仅v6e在市场上销售，⽽🙄v6p将在第四季度上市，约10-20万⽚左右。预计到2026🎉年，总体TPU销量将超过300万片。 在今年的谷歌云大🤗会上，谷歌发布了第七代TPU，代号“Ironwood”。 🤯 Ironwood是谷歌迄今为止性能最强、能效最高且最节能😡的TPU芯片，其峰值算力达到4614 TFLOPs，内存容量😘为192GB，带宽高达7.2 Tbps，每瓦峰值算力为29.🌟3 TFLOPs。此外，Ironwood首次支持FP8计算格😀式，并在张量核和矩阵数学单元中实现这一功能，这使得其在处理大😂规模推理任务时更加高效。 Ironwood最高配集群可😍拥有9216个液冷芯片，峰值算力可达42.5 ExaFLOP🌟S，是世界上最大的超级计算机El Capitan的24倍以上🤔。其支持大规模并行处理和高效内存访问，适用于复杂的推理任务如🤔大型语言模型和混合专家模型。 事实上，Ironwood🥳的整体性能已经十分接近英伟达B200，甚至在一些方面还有所超🤩越。 当然，英伟达的统治力不仅在于其硬件性能，更在于整🤯个CUDA生态。谷歌深知这一点，因此，它也构建了JAX这样的😘，能在TPU上运行的高性能计算Python库。 谷歌还😍发布了其模型流水线解决方案“Pathway”，用于向外部开发🥳者训练大型语言模型（LLM）。将其作为训练模型的必备手册，研😜究人员无需重新设计模型即可开发Gemini等LLM。 😀有了上述的一整个“军火库“，谷歌终于可以和英伟达掰掰手腕了。🙄 谷歌vs英伟达 投资银行D.A. Davids😀on分析师Gil Luria在最新报告中指出，过去一年以来谷👍歌母公司Alphabet大幅缩小与英伟达的差距，如今已成为“🎉最好的英伟达替代方案”。 报告显示，过去半年，围绕Go🚀ogle Cloud TPU的开发者活跃度激增了约96%。 🙄 Gil Luria与前沿AI实验室的研究人员和工程师交🥳流后发现，业内普遍看好谷歌TPU。因此Luria认为，若谷歌😆将TPU业务与DeepMind部门合并并将它们分拆上市，估值😢或将高达9000亿美元。 AI独角兽Anthropic😎此前使用亚马逊的Trainium芯片来训练模型，最近，该公司👏被发现正在招聘TPU内核工程师；马斯克旗下的人工智能公司xA🚀I也对采购TPU表现出兴趣。这一切都说明了业界对于TPU的认🔥可。 而谷歌自身也在积极行动。首先，谷歌有意在公司内部🌟进行从英伟达GPU到自研TPU的迭代。Omdia数据显示，2😅024年估计谷歌订购16.9万台Hopper 架构GPU，在🤔五大云厂商中排名最后，约为微软的三分之一。同时，谷歌内部已部😁署了约150万颗TPU。 谷歌的对外战略，就是文章开头😢提到的，对那些使用英伟达芯片的数据中心供应TPU。据报道，为😢了与Floydstack达成合作，谷歌将提供最高32亿美元的😢备选担保支持，若Fluidstack无力支付纽约新数据中心的😢租赁费用，谷歌将补足差额。 根据野村证券最新报告，预计😢到2026年，ASIC总出货量很可能会第一次超过GPU。而T🔥PU正是目前最成熟的ASIC。 英伟达需要紧张起来了。🌟 结语 市场对谷歌TPU的积极接受，反映出越来越😊多的公司想摆脱英伟达“一卡难求“的困境，寻求更高的性价比和更😊多元、稳定的供应链。 而借此机会挑战英伟达的，也不只有🥳谷歌一家公司。供应链数据显示，Meta将于2025年第四季度😢推出其首款ASIC芯片MTIA T-V1。它由博通设计，具有😴复杂的主板架构，并采用液冷和风冷混合技术。 到2026🤯年年中，MTIA T-V1.5将进行进一步升级，芯片面积将翻😡倍，超过英伟达下一代GPU Rubin的规格，其计算密度将直😡接接近英伟达的 GB200 系统。2027年的MTIA T-👏V2可能会带来更大规模的CoWoS封装和高功率机架设计。 ❤️ 报告指出，根据供应链估计，Meta的目标是到2025年底😡至2026年实现100万至150万件ASIC出货量。 🤩微软、亚马逊同样有自研的ASIC芯片，正在对这片被GPU霸占🤗的市场虎视眈眈。 对此，英伟达也有自己的反击手段。今年😴5月，英伟达正式发布NVLink Fusion。NVLink🤗 Fusion允许数据中心将英伟达GPU与第三方CPU或定制😎化AI加速器混合使用，标志着英伟达正式打破硬件生态壁垒。 😎 近日，英伟达执行副总裁暨首席财务官Colette Kre🚀ss在高盛组织的会议上谈及了对于AISC芯片所带来的竞争看法🙌，称英伟达GPU更具性价比。 一场大戏已经拉开了帷幕。😊无论是万亿美元的市场规模，还是未来AI时代硬件结构的定义权，😢都值得几大巨头为之疯狂。 这一战，谁都有不能输的理由。🙌返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

文 | 李倩说品牌 文 | 李倩说品牌 “做品牌😡”是一个人人都能说、快被说烂的事。这件事太容易被误解了，现实🙌语境中，说起“做品牌”，常常是鸡同鸭讲，说的压根不是一回事儿😎。 举个例子：我在一次CEO闭门讨论会上遇到一个高管，😎当大家在讨论如何抓住新的内容平台做品牌时，他说：我觉得没有做🎉品牌这回事，我们做企业本身就是在做品牌。你看，这就是典型的混🙌淆概念了。 “做品牌”，很容易被误读，有两个比较常见的😆说法： 一、“做品牌”= 好好“做企业”。 品牌🙄=企业，这种理解是把品牌这个词泛化和放大了，认为只要企业做得🌟好就等于品牌做得好。在这种理解视角下，品牌部门、品牌专业，甚😅至品牌工作本身的存在，价值不大，甚至会觉得品牌部门“可有可无😊”，品牌专业“没啥大用”，品牌工作就是“敲锣打鼓”。 😴我亲耳听过一家上市公司最大的事业部总经理说：做什么品牌，我们😴业务部门做好了就有品牌，要什么品牌部门？！ 二、“做品💯牌” = 做具体的“营销动作”。 品牌=营销动作，这种😀理解是把品牌这个词功能化了，认为品牌就是一种非常具体的动作，🤗比如做PR（公共关系）、做产品推广、做文案和设计等。这种理解😂就像是你说“做人力资源”，别人理解成“招人”；你说“做行政”👍，别人理解成“前台接待”。 一旦这样理解“做品牌”，最😢大的后果就是：CEO立刻觉得这事太小了。你们品牌部门自己做做😎就行了，这点事不需要太耽误我的时间。 先明确一下，我今😉天说的"做品牌"不是说做企业，也不是做某个具体的营销动作。这🚀里的“做品牌”= 做企业关键信息的梳理和表达。 这种理😁解下，品牌要先萃取总结，再营销表达，是一个信息梳理、内容生产😢、营销传递的过程。 如果一个企业，不能意识到做品牌究竟⭐意味着什么，它就无法真正进入到做品牌的过程中，也就无法拿到做🤔品牌带来的成果。要么陷入到“品牌无所谓”的轻视，要么进入到对😎一个具体的“活儿”的考核，漏掉了全局梳理管理的关键工作。 🔥 咱们既不要蓄意放大它，也不要刻意缩小它。正常理解它，才能🤯做对做好它。 02 “做品牌”的四大核心议题 如🚀果你认可“做品牌”是值得投入的事，也认可上面所说，“做品牌”🙄就是做信息的表达和内容的体验。好，我帮你说清楚“做品牌”都有🚀哪几大板块的工作。 实际上所有“做品牌”的工作，不外乎🙌这四大核心议题。你可以一边思考一边做个归类： 第一大品👍牌工作议题：【我是谁】 展开全文 众所周知的那些🥳关于品牌定位、品牌战略、品牌特色、品牌名称、品类和产品、商业🌟模式、定价策略、品牌渠道、品牌故事、品牌口号、品牌哲学、品牌🤩VI、品牌理念、品牌安全、品牌管理规范、品牌CIS……这些满🙄坑满谷的概念、工具，只要是关于说明品牌方自己信息的，都可以归🤯到这一类【我是谁】的议题下。 很多时候你可能会被这些概😀念搞得头昏脑涨，我想说：其实你不必理会这些故弄玄虚的概念，喜💯欢卖弄这些概念也不是什么有益的事情。 你可以把每一个概🌟念都当做一个向你发起提问的记者，借助于它的提问，从不同角度，💯帮你想清楚说清楚【我是谁】。 当然，如果觉得需要专业的🙌外部咨询顾问辅助你来想清楚、表达出来，也是很好的办法。 😊 但不管用什么办法，想清楚说清楚【我是谁】，都是第一重要的品⭐牌工作。这一点如果糊弄过去了，后面三件事绝不可能做好。 😡 我们遇到一些品牌，请我们帮忙直接做“品牌物料”，说已经把品😉牌是谁的事都想清楚了，就差输出内容了。结果品牌中心轴十要素逐🌟一细问下去，能回答上来的，不到三分之一。 【我是谁】要🙄经得起方方面面角角落落的追问，才叫真正“说清楚”了。 🤔看起来简单，但真正要做到“说清楚”并不容易，要花很多时间很大😊力气，而只有那些真正有恒心塑造品牌的企业，才会在这件事上不惜❤️投入（主要是时间投入）。 后面我会持续分享这些年遇到的😉那些在【我是谁】上真花过心思、获得市场奖励的好品牌。 😢第二大品牌工作议题【你是谁】 如果说【我是谁】是品牌对🤗自身的认清和表达，那么，【你是谁】，就是品牌对顾客的洞察和探😍索。 这个大议题下包含的工作量也很大。既有时髦的所谓市😀场调研、顾客画像、用户研究、痛点挖掘、顾客旅程、品牌触点等工😘作，也有基于这些工作产生的内容形式、内容渠道、内容手法、内容😴调性等内容体验的整体策略。 说白了，【你是谁】是研究透🚀顾客/受众，并基于这些研究去匹配内容策略的过程。 这个👍议题处理得好，品牌营销的效率才能真的提上去，也许你会发现，看🥳清楚了【你是谁】之后，好多品牌动作压根就没必要做。 【😜你是谁】决定了一个品牌输出内容的策略，满世界越来越多的内容形⭐式（图文、视频、音频、虚拟……）、内容渠道（媒体、门店、经销😴、私域……），我们到底以什么内容渠道为主，以什么内容形式为主😀呢？ 你看，如果人群、旅程和内容策略足够精准，是不是就😀能省掉很多事儿？ 第三大品牌工作议题【我们的成果】 😁 光知道【我是谁】【你是谁】只是品牌展示的工作，最好的“做🎉品牌”一定要讲究“品效合一”，因此第三大品牌工作议题就是双方🤗碰撞之后产生的【成果】。 没有【成果】的品牌工作，就是😂唱高调，耍流氓。 可能你要问：【成果】是不是就是说购买😆产生销量啊？ 不全是。 品牌工作毕竟不只是销售工😍作。品牌工作不单单以“购买”作为评估成果的一个标志，除了购买😎，还有其他三件事，也可以表示品牌的工作有了“成果”。 😴这三件事分别是：复购、连接、分享，再加上“购买”，一共四大成😆果。 如果企业高质量完成了【我是谁】、【你是谁】，那么🤩围绕着四大成果去反向设计品牌内容和运营动作，好的品牌工作，将💯会不断提高这四方面的成果表现。 要么能让人直接拿钱投票😜（直接下单），要么能让人产生复购或转介绍（买了又买，劝别人买😀），要么能让人产生和你主动连接的动作（点赞、投票、留言、UG👍C、参加活动、扣1、说话、到店……），要么能让人分享你的产品😀和内容（转发、传播、拍照、举例、转告……）。 你看，如🤗果【我是谁】说得够清楚，【你是谁】做的够清楚，四大【成果】运😆营得够极致，说得绝对一点，一个品牌的所有顾客/潜在顾客都至少🤯可以满足购买、复购、连接、分享四大效果中的一项。 这，🤩才是最精准的品效合一。 第四大品牌工作议题【内容的效率🤩】 做到了成果，不意味着“做品牌”的工作就结束了。 🙌 好的“做品牌”不仅要看“成果”，还要看“效率”。我们究竟🥳用了多长时间、多少投入、多大精力做到了这样的一个“成果”，这😘个过程是否可以不断优化？不断提高上述所有内容的生产效率？ 😘 这个过程中包括但不限于：在梳理品牌过程中对管理的效率、在😆企业内部跨部门品牌沟通的协作效率、内容团队生产内容的效率、内🤔容团队的管理效率、内容团队的协作效率、AI辅助内容生成等新趋😴势的试用效率…… 你看，这些问题几乎都聚焦在做品牌这件😘事的“内部摩擦力”上。 事实上，这些看起来很抽象的问题👍，都是有方法、工具、流程可以解决掉的。 毕竟，德鲁克老👍先生说过：凡是不能被测量的事，都无法被管理。既然我们想要“管👍理品牌”工作，那么就需要想到办法“测量”这些事，不断用工具、🚀数据加速，让做品牌的正向飞轮转动起来。 这是很容易被企😊业忽略掉的一块“做品牌”的工作板块，不管是大企业小企业，在品😆牌内容工作过程中，都会产生大量的沟通和管理成本，而这部分成本🥳，是完全可以压缩提效的。 结语 以上，我试图用最😁简朴的语言把“做品牌”这件事说清楚，希望能在你的脑海里建立起😡清晰的一张地图，让做品牌这件复杂的事从此明了起来。返回搜狐，😎查看更多