哈喽，朋友们，今天给大家带来一番深入剖析，聊聊谷歌 TPU 十年辛苦奋斗的逆袭历程：Meta打算投入数十亿美元买货，而英伟达的市值一下子蒸发超 4 万亿。
11月，全球的AI芯片行业掀起一场市值的大变动，谷歌母公司Alphabet的市值猛涨了大约5300亿美元，而英伟达的市值却缩水了6200亿美元，折合人民币差不多4.39万亿块。
这次市值的大变动其实根源在一个劲爆的消息上，Meta正和谷歌谈合作，打算到2027年投入数十亿在数据中心布局谷歌的TPU芯片。这一动作，意味着英伟达长时间以来稳坐的AI芯片市场份额，可能迎来一次实实在在的冲击。
选择自主研发TPU，谷歌可谓是迎合了自身发展的需要，毕竟依赖外部供应总归不够稳妥。靠自己动手做，能更好地把控芯片性能，也便于根据未来的技术方向进行定制。不仅如此，内部研发还能降低对外部厂商的依赖，提高整体的竞争力。就这一点看，谷歌决心走自主路线，理所当然。
回到2013年那会儿，谷歌遇到了一场史无前例的算力短缺问题。
那会儿研究团队算过，仅靠安卓用户的语音识别需求，可能就会占用谷歌两倍的现有算力资源。而且，依靠英伟达的GPU，不仅效率打折，还可能让谷歌被供应链的单一源头绑住，风险不小。
在CPU和GPU方案都被否决以后，谷歌果断决定自主研发ASIC芯片，立志推出比GPU推理成本低十倍的产品。
谷歌的行动力真是让人瞠目结舌，邀请 Norm Jouppi、Richard Ho 等芯片界的大神，和博通合作之后，短短15个月就搞定了第一代 TPU 的研发和大规模安装。
2015 年问世的第一代 TPU，虽然用的是 28nm 制程，但依然达到了 15-30 倍的性能飞跃和 30-80 倍的能效增强。它的“脉动阵列”架构以及提前编译的方案，成了后续技术创新的关键基础。
不过，这款芯片一开始在行业里并没有太多看好，英伟达甚至还公开质疑它的性价比，说 GPU 在跑基准测试时的表现是 TPU 的两倍。
由单纯的推测逐步演变成彻底超越英伟达的局面
从2015年到2025年，TPU经历了七次技术升级，一步步实现了从“专用推理芯片”到“训练和推理都能担当”的转变。
TPU v2 首次具备训练能力，所采用的 bfloat16 数值格式也一跃成为深度学习领域的行业标准。
v3 配备了液冷技术，彻底解决了高功耗带来的散热问题，而 v4 的光电互连技术让集群网络变得可以根据需要动态调节，v5p 更是开启了全场景适配的新时代。
2025年推出的 TPU v7 Ironwood 成了一个重要的转折点，它的单芯片FP8最高算力达到了4614 TFLOPS，这可是第一次超过了英伟达B200的4500 TFLOPS。它配备了192GB HBM3e内存和7.2TBs的带宽，轻松搞定亿亿级参数模型的推理任务。
这款芯片不仅成为谷歌内部 Gemini 3 大模型训练的核心力量，还引来了 Anthropic宣布部署100万个 TPU芯片，交易额高达几百亿美元。
Meta突然转变立场，转而采取一种被动防御的策略以对抗英伟达的崛起。
在过去十年里，TPU 主要用在谷歌自己内部，但从 2024 年开始，谷歌也加快了把它推出去做商业的步伐。
除了和伦敦 Fluidstack 携手合作，提供了 32 亿美元的兜底担保，谷歌还向 Meta 以及一些大型金融机构推荐了 TPU 的应用方案。这些业务预计能为谷歌带来数十亿美元的年度收入，甚至有望抢得英伟达 10% 的市场份额。
野村证券预估，到了 2026 年，ASIC 芯片的出货量将首次超越 GPU。这其中，谷歌的 TPU 作为最成熟的 ASIC 产品，到了那个时候，出货量有望突破 300 万片。
面对压力，英伟达罕见地发出紧急声明，强调自己“领跑行业一代”，可市场似乎并不买账。
自2025年10月底起，英伟达的市值已经蒸发了超过5万亿人民币。而谷歌一边持续购买英伟达的GPU，一边把TPU打造成双线并行的主要战略武器。
TPU 被称作 AI 芯片界的“黄埔军校”。
TPU 的火爆也带动了行业内的人才转动。
2016 年，谷歌 TPU 核心团队的八个成员辞职组建了 Groq，他们推出的 LPU 芯片，推理速度比英伟达的 GPU 快了10倍，成本还只有它的十分之一，到了2024年，估值已经飙到28亿美元了。
OpenAI 更是挖来 Richard Ho 等之前 TPU 核心团队的成员，还和博通合作搞定了10GW的定制芯片，打算在2026年推出他们的首款自主研发的AI芯片。
再说，亚马逊、微软、特斯拉的AI芯片团队里都能找到前TPU成员的身影，谷歌也在不经意间变成了AI芯片人才的摇篮。
