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 | 穆胜 文 | 穆胜 “人效”的全称是“人😉力资源效能”，对应的英文是“HR Efficiency”，而😀“Efficiency”，是投产比、效率的意思。这就产生了一😎个非常明显但鲜有人提及的问题——为什么不直译为“人力资源效率😘”，而要翻译为“人力资源效能”？ 我算是国内几个最早研😴究“人力资源效能”的人，这里，我给出一个解释。 01 ⭐主打防守的模式 人效是个投产比，分母是“人力资源投入”🤗，分子是“财务或业务产出”。从数学逻辑上看，要提升人效，显然😍有两种模式： 第一种模式主打防守，主张减少分母，即“降😍低人力资源投入”。 具体做法是，精简机构、压缩编制、裁🤔撤人员。考虑一般的企业里多多少少都有组织冗余，这样的做法显然👍是立竿见影。但问题是，一方面，这种做法不可持续，组织规模不可😂能无限缩小；另一方面，如果没有理解组织的运作机制，盲目压缩组😆织，很有可能导致业务流程和组织氛围被破坏，进而影响产出（分子⭐），最终得不偿失。 事实上，大多企业就是在这条错误的道😊路上“砥砺前行”。2015年左右，我为国内一家年营收千亿的企⭐业担任人力资源顾问，当时我就为他们引入了最先进的人效管理理念💯。也就是说，很多现在才流行起来的概念，我在十年前就给他们讲过😜了。当时现场的反馈很有意思，相当一部分HR认为：“穆老师，您🌟这理念很好，但现实中，HR能够控制的只有分母，要提升人效，我😎们只能动刀砍人、砍组织。” 道理我都讲透了，但他们看到🙌的只是分母，所以，人效管理的理念并没有在这家企业落地生根。不😘能不说，这是一种遗憾，规模如此庞大的企业，但凡找一两个试点，😜尝试探索人效管理，形成成本端的竞争力和经营者的效能意识，他们❤️现在的江湖地位，就不会如此憋屈了。 02 主打进攻的模🔥式 第二种模式是主打进攻，主张增加分子，即“增加财务或💯业务产出”。 有一部分企业，的确能够只管业绩增长，不管🤔人力投入。甚至他们在人力资源投入上豪掷千金，还会被认为是“有😜格局”“有眼界”“战略性储备”。 说白了，如果业绩保持👏高速增长，人力资源这点投入，还不是九牛一毛？老板们进而就可以🚀上价值——“人才是最宝贵的资源，好的人才决定了企业的未来，找😜人才，不应该看价格。” 眼看着这些企业在人力资源投入上🔥的“大手笔”，其他企业的HR就开始泛酸——“看看人家的老板，💯看看人家的企业，看看人家的HR！我们就没打过这么富裕的仗！”😂 其实，这种“全力进攻（分子），不管防守（分母）”逻辑💯，还是因为企业有业绩增长的势能。老板们大可以把这种势能归结于😀自己在人才上的全力投入，甚至可以举出个别人才改变竞争格局的个🚀例，但说到底，这种势能还是来自于宏观经济和行业的红利，显然是😊倒果为因嘛。但舆论就是慕强的，当你业绩好了，你说什么别人都会🌟认为全是对的。 展开全文 我从来不相信那种豪掷投👏入，然后赌不确定性产出的投资模式，这种模式赌性太大，不靠谱。🚀这就好比有的头部投资机构，宣传自己的理念是“投赛道”，也就是🤗哪个赛道上出现机会的时候，就投这个赛道上几乎所有的头部项目。👍他们形容为，一把飞镖扔出去，总有一个落在靶盘上。但现实却在打😊脸，经济红利期过去了，进入寒冬了，他们的这种投资模式就不灵了🥳。所以，不要把“蒙对了”说得这么清丽脱俗嘛。 03 防😎守反击的模式 不考虑经济周期，人力资源的投资，也不能是🤔只管防守（分母）的“龟缩”；如果考虑现在是经济寒冬期，人力资😡源的投资，就不能是只管进攻（分子）的“豪赌”。 进一步😎看，即使现在经济再回归上行期，依赖“豪赌”模式的HR们价值就😴会被认可，就有前途吗？显然也不是呀。他们所谓的专业成功，在老🚀板和业务部门眼中，不过是蝇附马尾，企业要不要干掉HR，全凭老🌟板心情。 两种模式本质的问题，都是割裂了进攻（分子）与🎉防守（分母）之间的关系。奉行两种模式的企业，都不清楚人力资源😜投入是如何产生业绩的，他们只能“抓一头”。 我主张的人😴效管理，是防守反击的模式，是把有限的人力资源筹码进行合理配置😡，最大程度确保企业的确定性增长。直观来说，即使一个企业人力资👏源总投入不变，我认为，通过优化配置方式，也能明显提升人效。因🙄为大多企业的人力资源配置方式，实在有点像是“蒙眼放筹码”“菜😉市场议价定编制”，造成的局部冗员那可不是一点点。把冗员挤出来😊，放到一些真正需要人力投入的领域里，再辅以若干的人效赋能手段🙌（选用育留等），业绩增长自然就来了。 如果考虑我的这种🥳理念，人力资源效能，应该就有两层意思：一是“效”，即效率；二🎉是“能”，即产出。这个概念本身就有导向性，它表面是防守反击，😀其实是一种精实增长的进攻理念，它坚信人力资源投入和业绩产出之🤯间的强联系，认为通过人力资源职能的各种工具能够推动经营。有没🤗有发现？这个概念本身就是人力资源专业的革命，野心还挺大的！ 🚀 这样看来，中文博大精深，“人力资源效能”的翻译，实在是🤯妙！返回搜狐，查看更多