在人工智能算力竞争不断升级的背景下，Google 正在加速布局自研芯片生态。最新发布的第八代TPU（Tensor Processing Unit）显示出一个关键变化——将AI模型的“训练”和“推理”任务分离，由不同芯片分别承担。

这一调整，标志着AI硬件架构进入更专业化阶段，也被视为谷歌对 Nvidia 的进一步竞争举措。

AI芯片架构进入“分工时代”

过去，谷歌的TPU芯片同时承担训练和推理任务。但在新一代产品中，公司决定将两种计算需求拆分，推出专门用于训练模型和运行模型的两类处理器。

谷歌表示，这一改变主要是为了适应AI应用的新趋势。随着AI Agent（智能体）数量增加，系统对响应速度和计算效率的要求显著提升，因此需要更具针对性的硬件设计。

新一代TPU预计将在今年晚些时候正式提供使用。

科技巨头加速自研芯片布局

谷歌并非唯一采取这一策略的公司。当前，多家科技巨头正在推动AI专用芯片的发展，以提升性能并降低对通用GPU的依赖。

Amazon 早在2018年推出Inferentia芯片用于推理任务，并在2020年推出Trainium用于训练模型；Microsoft 已发布第二代AI芯片；Meta 也在与 Broadcom 合作开发AI处理器。

更早之前，Apple 已在其iPhone芯片中集成神经网络引擎，用于本地AI计算。

整体来看，自研芯片正在成为大型科技公司优化AI性能和控制成本的重要手段。

性能与架构升级

谷歌此次发布的训练芯片，在相同价格下性能比上一代提升约2.8倍；推理芯片性能提升约80%。

在硬件设计上，新芯片采用了更大规模的静态随机存取存储器（SRAM）。每颗芯片配备384MB SRAM，是上一代产品的三倍。这一设计有助于提升数据吞吐能力和降低延迟。

谷歌表示，这种架构能够支持大规模AI模型同时运行，并满足数百万AI代理并发处理的需求。

值得注意的是，Nvidia 也在推进类似方向，其新一代硬件同样强调SRAM的应用，以提升实时响应能力。

商业应用逐步扩大

随着技术成熟，谷歌AI芯片的应用范围正在扩大。

公司表示，Citadel Securities 已使用TPU开发量化研究软件；美国能源部17个国家实验室也在使用基于TPU的AI科研系统。此外，AI公司 Anthropic 已承诺大规模采用谷歌TPU资源。

市场分析认为，TPU业务与 Google DeepMind 的结合，整体价值可能达到数千亿美元规模。

尽管如此，目前没有任何公司能够完全取代英伟达在AI芯片市场的领先地位。

AI算力竞争持续升级

整体来看，AI芯片市场正在从单一硬件竞争，转向生态系统竞争。

一方面，科技巨头通过自研芯片提升效率与差异化；另一方面，云服务平台将这些芯片作为基础设施，提供给企业客户使用。

随着AI应用持续扩展，从模型训练到实时推理的需求不断增长，算力架构的演进也将持续成为行业核心竞争点。