谷歌再发两款TPU芯片系统，一年四连发，向英伟达发起攻势

在 AI 芯片的竞技场上，英伟达长期占据着舞台中央位置。但在今天，谷歌用一次罕见的芯片大阅兵，向外界展示了它不甘于只做配角的野望。谷歌在官方博客宣布，在短短一年之内，他们接连推出了 4 款第八代张量处理单元系统。

从主打海量 AI 训练的 8t，到专为实时 AI 推理设计的 8i，再到强调机密计算的 8tx 以及拥有超大内存的 8i Max。这套组合拳展示了谷歌在底层芯片硬件上的迭代速度，也在英伟达正面临行业动荡和审视的当下，抛出了一份颇具针对性的替代方案。

谷歌两款新武器的精准打击

此次新发布的两款系统，瞄准了智能体时代的痛点。第一个产品是 TPU 8tx，它把安全防护直接做进了硬件底层里头。日常我们在网络上传输数据会进行加密，但是当数据进入计算机内存被处理时，通常需要解密。

对于政府以及金融等对数据极度敏感的机构来说，这是一个非常大的安全隐患。TPU 8tx 基于 8t 的芯片打造而来，搭配了 AMD 公司的处理器。它的关键能力在于，可以让敏感数据和模型权重在内存中被计算时，也能够处于隔离和保护的状态。

并且它在实现这种高安全性的同时，性能基本没有损耗，延迟比普通版本降低了大约一半。这意味着企业用户可以在同一个系统里，安全地用自己的私密数据去微调模型或者训练 AI 智能体。

另一款系统是 TPU 8i Max，是为了解决内存墙问题而生。当几十个 AI 智能体同时的工作时候，或者需要一次性处理长达数小时的视频的时候，限制处理速度的往往是内存带宽。数据搬运一旦跟不上，再强的算力也只能干等着。

（来源：谷歌）

谷歌直接把两颗 8i 芯片封装在了一起，拼成了一个全新的双芯片系统。这让它的算力、静态随机存取存储器以及内存带宽全部翻倍。更为精妙的地方在于，它完全不需要占用更大的机架空间，在原有的大小里塞进了两倍之多的硅。

这让 AI 数据中心在同样的面积和功耗下，可以部署更强大的计算集群。这两款新系统底层都基于已有的芯片，利用不同的封装和配置快速组合，能够精准覆盖不同的细分需求，这也解释了为何谷歌能够一年推四款芯片。

除了硬件本身的强悍之外，谷歌还在这批新系统上重构了软件易用性。之前，张量处理单元主要服务于内部高度定制化的框架，普通开发者要想上手使用，一般需要重写大量代码。如今年谷歌开源了 TorchTPU，让广受欢迎的 PyTorch 代码以及 Hugging Face 模型能够原生运行在张量处理单元上。

不但如此，谷歌还推出了开源智能体套件，能够直接接入各种主流的代码编辑器。开发者仅仅需要用简单的语言描述需求，系统就可以自动完成硬件配置、诊断瓶颈和调整参数。对于那些需要长时间运行的智能体来说，谷歌还推出了自动挂起和恢复功能。

当 AI 智能体在等待数据库查询或者人类反馈时，系统会自动暂停那些闲置的会话，从而能够大幅削减运营成本。正是这些软件层面的努力，彻底拆除了硬件准入的高门槛。

TPU 的故事：从内部工具到百亿生意

回顾以往，谷歌研发张量处理单元已经超过十年之久。一开始，这只是为了满足谷歌内部语音识别和翻译的需求而设计的一款专用加速器。如今八代产品更迭下来，它的用途已经发生了非常大的变化。

（来源：DeepTech 制图）

目前它不仅用来训练和运行谷歌自家的 Gemini 大模型，还要处理海量的 AI 智能体工作负载。此外，它也通过谷歌云服务走向了外部客户市场，甚至能够直接部署到客户自己的数据中心里。据了解，这项业务正在快速地增长，已经拥有近百家外部客户，涵盖了前沿实验室、交易公司、零售商以及大学等。

在早期的设计思路中，谷歌就意识到 AI 软件的进化速度远远地快于硬件制造的周期。他们在架构设计之初就押注了系统的平衡与模块化，把芯片当成搭积木的基础模块，以便工程师可以快速调整封装、内存和网络。

这种设计理念让谷歌能够针对不同的工作负载，快速地组装出不同特性的超级计算机。以这次发布的系统为例，它就是针对特定的客户需求，在几个月内完成的一款定制化组合。

随着 AI 计算从服务人类用户到走向支撑海量 AI 智能体自动运行，企业对于能跨越大上下文窗口进行推理的加速器需求激增。AI 智能体需要记住之前的对话、查阅大量的资料，并在多步推理之中保持逻辑连贯。

这对芯片的内存容量以及带宽提出了严苛的要求。传统通用芯片在面对这种连续且庞大的数据吞吐时，往往是显得力不从心。谷歌首席技术官 Amin Vahdat 在官方博客中表示，这种计算模式的变化，正是此次新系统诞生的商业背景。那就是企业不再仅仅需要极致的算力，更需要能够高效处理海量上下文、并且能够保障数据绝对安全的定制化系统。

除了内存以及安全的挑战，软件栈的协同也是决定算力是否可以真正转化为产出的关键。谷歌发现硬件只有配合高度优化的编译器和调度工具，才可以发挥出最大效能。为此，这次他们不仅更新了硬件，还一并开源了模型状态层 TPU Sync。

这项技术能够把芯片的高带宽内存、主机的动态随机存取存储器、共享存储以及数据中心网络统一起来，变为一个协同设计的单一内存层级。它可以在毫秒级自动把庞大的缓存数据移出芯片，也能在不同节点之间流式传输上下文。这种从系统全局出发的优化方式，可以有效缩短模型生成第一个字的时间，让强化学习的权重同步变得更高效。

（来源：谷歌）

16 年教授级芯片老兵掌舵，直接汇报谷歌 CEO 皮查伊

主导谷歌这项底层基础设施战略的，是谷歌 AI 与基础设施高级副总裁兼首席技术官 Amin Vahdat。Amin Vahdat 拥有美国加州大学伯克利分校计算机科学博士学位，早年曾在施乐帕克研究中心实习，后在美国杜克大学和美国加州大学圣地亚哥分校任教。

他于 2010 年正式加入谷歌，长期主导 TPU 芯片、Jupiter 网络以及 Borg 集群管理系统等核心基础设施的研发，2025 年被提拔为谷歌 AI 基础设施首席技术专家，直接向谷歌 CEO 皮查伊汇报。

图 | Amin Vahdat（来源：谷歌）

他在官方博客中阐述了谷歌的底层逻辑，其表示设计一颗全新的芯片，需要在硅片上排布高达数十亿个的晶体管，这会受制于物理定律和漫长的制造周期，往往需要数年时间之久。可是围绕芯片去打造一个系统，包括封装、高速内存、光网络以及安全配置，却可以在几个月内实现交付。

一直以来，谷歌的底牌在于模块化和系统平衡。他们把芯片当成一块块积木，通过系统级的灵活性，在细分战场上建立了据点。这种思路让其能够以更快的节奏，交付出来专用的超级计算机。

为了进一步地释放系统的潜力，谷歌还在网络拓扑和集群管理花了心思。他们推出了云通路技术，让用户可以通过单一控制器，像操作一台本地机器那样，去编排跨越多台设备的大规模张量处理单元系统，从而能够在大规模预训练或强化学习中，应对硬件故障所带来的中断，实现快速切片热插拔以及弹性重新分片。

（来源：谷歌）

在集群的物理连接上，谷歌利用动态切片技术，将物理硬件的配置和逻辑切片的形成解耦。基于光路交换技术，他们能够根据实际任务的大小，即时地组装出更大规模的拓扑，也能将其划分为更小的隔离工作负载。这种拓扑上的灵活性，极大地缩短了作业的启动时间和故障恢复周期，优化了整体集群的利用率。

谷歌也开始利用 AI 来协助构建下一代基础设施，比如他们使用 AlphaChip 强化学习系统进行芯片布局，以及使用 Gemini 在几个小时内生成原本需要几周才能完成的版图设计。这种使用自家 AI 加速自家硬件研发的循环，成为了谷歌和其他 AI 厂商竞争时的优势之一。

这场算力之争的胜负尚无定论，甚至谷歌的主业也并不在这方面，而最终取决于谁能更高效地承接智能体时代爆发出的真实需求。

谷歌的攻势是非常清晰的，即它利用系统级的灵活性，在安全推理、超大内存等细分但关键的战场上建立战略据点。而英伟达的动荡期，恰好给了谷歌一个展示另一种选择的时间窗口。随着底层硬件以及软件生态的完善，在未来的 AI 基础设施市场，注定会迎来更加多元的芯片竞争格局。

参考资料：

https://blog.google/innovation-and-ai/infrastructure-and-cloud/global-network/tpu-8i-max-and-8tx/?utm_source=X&utm_medium=unpaidsoc&utm_campaign=FY26-Q4-GLOBAL-STO885-onlineevent-er-aiinfrafutr-255935&utm_content=blog_organic_post_5&utm_term=sprint2&linkId=64357564

https://www.linkedin.com/in/vahdat

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成