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)

最基础的团体分类就是“三省六部”，每个单位一般由一位年长且经😘验丰富的官员带头，通常是一位满头白发的老者，站在最前方。兵部🙄尚书虽然官职不低，属于正三品尚书，但在实权上不及吏部、户部尚👏书。在这之中，吏部和户部之间…