过去十年,TPU一直是谷歌自家AI业务的成本工具:2013年起自研,2018年才在Google Cloud上开放租赁。今年发生的变化是,谷歌开始把整套TPU系统卖给外部客户,让它们在自有数据中心里部署。
这件事的起点可以追溯到今年第一季度的财报会。当时谷歌CEO提到,来自AI实验室、资本市场公司与高性能计算领域对TPU的需求强劲,公司决定面向部分精选客户,支持在客户自有数据中心内部署TPU。第二季度起,谷歌开始向客户交付完整系统——包含计算、存储、网络硬件与软件,并提供训练与推理服务。
外售的商业逻辑是一次结构性置换:用外部订单分摊数据中心的天量资本开支,用规模化需求反哺自研硬件的成本曲线。财务上已经能看到痕迹。Google Cloud第三季度收入307亿美元,同比增长103%;经营利润从35.94亿美元升至111.21亿美元。Alphabet在最新10-Q中把「产品销售,主要为TPU系统」明确列入Google Cloud收入,管理层预计第四季度继续扩大。不过大部分合同收入要到2027年才进入报表,这意味着当前的增速里有多少来自硬件销售,还需要更长时间才能看清。
产品侧今年也做了拆分。第八代TPU把训练、实时推理、机密计算与超长上下文拆成不同系统配置,加上上半年的两款,一代之内扩到四种形态。芯片业务负责人Amin Vahdat的表述是「未来属于专业化」——用专用化路线撬动英伟达「一颗通用芯片包打天下」的叙事。
软件生态是另一块补课。英伟达最深的护城河是CUDA:开发者用PyTorch搭模型,经CUDA调用GPU,工具链环环相扣。谷歌的TPU长期深度绑定TensorFlow与JAX,软硬件栈与GPU差异大,迁移门槛高。转机出现在2025年年中,谷歌与Meta的PyTorch团队合作开发TorchTPU,目标是用少量代码改动就能在TPU上跑PyTorch模型;这项成果已于上月底开源。对开发者而言,这意味着「换芯片」的成本从重写代码降到改配置。
性价比的攻防最能说明竞争的激烈程度。11月5日,研究机构SemiAnalysis公布了一组Agent推理测试结果:在部分测试中,第七代TPU Ironwood已经能实现比英伟达GPU更高的每美元token产出。此前英伟达只在少数场景输给AMD,TPU带来的性价比冲击是它没遇到过的局面。据报道,谷歌提交AgentX测试结果证明TPUv7的每美元性能超过GB300 NVL72 FP4之后,英伟达迅速组织工程师团队反击,经过四轮优化,在某个模型的测试上把GB300的每美元token产出反超TPU 1.5至2.6倍。
这场互有胜负的对照,本身就是TPU进入主桌的证据。过去客户面对的选择是「英伟达或AMD」,现在多了一个架构层面的选项。对云厂商与大型企业而言,TPU外售的真实吸引力不只是单价,而是能否在自己的机房里获得与超大规模数据中心接近的部署密度与能效——这是过去只有云上租赁才能提供的东西。
风险同样存在。TPU系统的软件成熟度、运维人才储备与生态工具丰富度仍落后CUDA数年;合同收入集中在2027年入表,也意味着短期财报对这项业务的验证能力有限。真正值得跟踪的指标是明年:如果大型企业开始在自有数据中心规模化部署TPU,英伟达在推理市场的默认地位才会被实质动摇。