从两年到一年两款

Vahdat 称，更快的芯片更新能提升模型训练与推理效率、巩固谷歌在人工智能领域的竞争力。在今年的 Google Cloud Next 2026 大会上，他曾提出一个判断：”计算机不再由单颗芯片定义，计算机是整个数据中心。”这句话点出了谷歌的思路：竞争焦点已从单颗处理器，扩展到电力、散热、网络和存储共同构成的整体基础设施。

谷歌的 TPU 全称张量处理器，是其从 2015 年开始自研、2018 年起对外出租给云客户的专用 AI 芯片。第八代 TPU 已首次把训练与推理拆分为两款独立芯片——TPU 8t 专攻训练、TPU 8i 专攻推理——正是负载分化的直接结果。本轮加速迭代，是在这一架构转向基础上的节奏升级。

对手也在加码

把芯片当作战场的不只谷歌。亚马逊自 2018 年发布 Inferentia、2020 年推出 Trainium 以来，持续扩充自研 AI 芯片阵容；英伟达则在训练与推理两端提供从数据中心到边缘设备的全栈方案，长期占据市场主导。超大规模云服务商集体自研芯片，目标都是降低对外部供应的依赖、压缩算力成本。

对使用云服务的企业而言，更快的 TPU 迭代可能带来算力成本下降与性能提升，但短期内对现有供应链与算力规划的影响仍有待观察。

中国市场同样加速

在中国市场，算力自主同样是各方关注的重点。以华为昇腾系列为代表的国产 AI 芯片近年来迭代明显提速，训练与推理场景也在逐步分化。全球范围内的芯片架构创新与生态整合，正成为决定人工智能产业胜负的关键变量之一。

从”一块通吃”到”一拆为二”

第八代TPU包含两款新品：专为模型训练设计的TPU 8t，以及专为推理优化的TPU 8i。这是谷歌史上首次将训练与推理任务拆分至独立芯片。谷歌AI与基础设施高级副总裁兼首席技术官阿明·瓦赫达特（Amin Vahdat）在官方博客中指出，”随着AI智能体的兴起，业界将受益于针对训练和推理需求分别专门优化的芯片”。Alphabet首席执行官桑达尔·皮查伊（Sundar Pichai）则强调，新架构旨在”以具有成本效益的方式，提供同时运行数百万个智能体所需的大规模吞吐量和低延迟”。

TPU 8t：为预训练堆算力

TPU 8t由谷歌与博通（Broadcom）共同设计，定位超大规模模型训练的旗舰。单个超级计算节点最多可整合9600块芯片，配备2PB高带宽内存，每Pod计算性能达121 exaflops（FP4精度），较上一代Ironwood提升约3倍，同等价格下性能提升2.8倍。借助JAX与Pathways框架，分布式训练可扩展至单一集群超过100万块芯片。

网络层面，谷歌为TPU 8t引入全新的Virgo互连架构，数据中心网络带宽较上一代最高提升4倍，单套网络可互联逾13.4万块芯片，提供高达47Pbps的非阻塞双向带宽。芯片还集成了SparseCore专用加速器处理不规则内存访问，并支持原生FP4精度，使矩阵运算单元吞吐翻倍。

TPU 8i：为推理压延迟

TPU 8i首次由谷歌与联发科（MediaTek）合作设计，重心在于消除推理时的”等待室效应”。单个Pod可扩展至1152块芯片，提供11.6 exaflops（FP8）算力，较Ironwood同等价格下性能提升80%，每瓦性能提升117%。

其最显著的硬件特征是集成384MB片上SRAM，容量是上一代的三倍，可将更大的KV Cache保留在芯片上，减少长上下文解码时的核心空闲等待。芯片引入集合通信加速引擎（CAE），将多核心结果聚合延迟降至近乎零。网络拓扑上，TPU 8i放弃传统的3D环形结构，改用Boardfly层级互连：在1024芯片规模下，任意两芯片通信最多仅需7跳，而3D环形需16跳，网络直径缩减56%，对混合专家模型（MoE）的跨芯片令牌路由尤为有利。

提速的逻辑：发布节奏从两年缩到更快

《日经亚洲》报道的核心，是谷歌正缩短自研芯片的发布周期。两款第八代TPU均采用台积电2纳米制程，目标2027年底量产，并配合谷歌第四代液冷技术散热。为支撑这一节奏，谷歌资本支出已从2025年的914.5亿美元，冲高到2026年的1750亿至1850亿美元，主因正是AI服务器与基础设施的建设。

客户侧也在跟进：人工智能公司Anthropic已承诺采用数吉瓦（GW）级别的TPU算力，并计划到2027年扩展至3.5吉瓦；Citadel Securities用TPU构建量化研究平台，美国能源部旗下17个国家实验室也已全面采用基于TPU的AI系统。

中国市场的参照

训练与推理需求分化，正成为全球AI芯片设计的共同趋势。中国市场的自研AI芯片厂商同样在沿”训练专用+推理专用”的方向推进，推理芯片被视为继训练之后的新战场。对国内云服务商与芯片设计企业而言，如何针对智能体高并发、低延迟的推理负载做专项优化，将是下一阶段竞争力的关键。这一路径与谷歌的”一拆为二”在方向上一致，但具体产品节奏与生态成熟度仍有差异。

谷歌近期扩大与芯片设计公司 Marvell 的定制半导体合作，合作范围从过去的计算核心 TPU，延伸到存储控制器、网络接口控制器、内存接口控制器乃至近内存计算。这意味着超大规模云服务商的“定制芯片”策略，正从单颗加速器扩散到整座人工智能数据中心的每一个环节。

不止一颗人工智能芯片

根据 Marvell 向监管方提交的证券文件，谷歌获得一项认股权证，有权以每股 206.58 美元的价格，最多购入 58,970,907 股 Marvell 股票，按行权价计算潜在价值约 122 亿美元。该权证并非一次性直接入股，而是随谷歌采购合格定制产品的进度分期归属，相关采购目标一直延伸到 Marvell 的 2033 财年。

文件披露，若权证完全归属，对应的累计采购额上限可达约 1200 亿美元——但这只是与完全归属挂钩的天花板，并非谷歌的强制采购义务，谷歌也没有最低采购承诺。对市场而言，这份结构安排更像一个公开信号： hyperscaler（超大规模云服务商）想买的不只是芯片性能，还有多年期的供应对齐与工程优先级。

从 TPU 到整座数据中心

真正值得关注的是合作范围的广度。EE Times 报道指出，Marvell 罕见地明确了工程边界：合作涵盖人工智能推理加速器、存储控制器、网络接口控制器、内存接口控制器以及近内存计算，早已超出谷歌张量处理单元（TPU）本身。CNBC 也引述称，扩展协议覆盖“附着在 TPU 生态之上”的产品，包括推理加速器和存储、网络接口控制器。

对数据中心运营方来说，“附着”二字是关键。加速器只是被采购、上架、连线和运维的其中一部分，而输入输出通道、内存子系统和网络往往决定了昂贵的算力是否在等待数据。人工智能集群正在像过去的存储阵列一样被设计——控制器和互联 fabric（网络结构）决定了昂贵硅片究竟能发挥多少性能。其逻辑与 TPU 的诞生一脉相承：既然专用硅片能压低人工智能计算成本，为什么不把这种方法从矩阵运算延伸到内存与数据搬运？

谷歌开始对外出售 TPU

英国《金融时报》报道，这笔扩展合作发生在谷歌开始向外部客户出售 TPU 之际——这些芯片过去主要供内部使用。这意味着围绕加速器的配套硅片选择，包括网络接口控制器、存储控制器和内存接口，都变成了客户需要评估、签约和运维的对象。

Futurum Group 研究总监 Brendan Burke 认为，该协议与其说是在替换现有 TPU 合作伙伴，不如说是在 TPU 之外叠加更多定制项目。实践中，这意味着“谷歌设计”的足迹会随时间在数据节点中扩大，真正的锁定发生在数据通路而非计算核心。值得一提的是，过去十余年谷歌的定制芯片主要合作伙伴是 Broadcom，后者仍是谷歌 TPU 的主供应商。

行业意义

消息披露后，Marvell 股价一度上涨约 10%。在英伟达与 AMD 占据人工智能芯片头条的同时，Marvell、Broadcom 这类“卖铲人”借着 hyperscaler 自研定制加速器的浪潮做大了生意。Broadcom 已分别为谷歌、Meta、OpenAI 和 Anthropic 打造定制人工智能加速器，并给出 2027 年人工智能相关营收突破 1000 亿美元的指引。各家公司争相把自己嵌入 hyperscaler 的供应链，本质都是为了降低对英伟达 GPU 的依赖。