AI 芯片这场仗，长期以来只有一个主角的名字被反复提起：英伟达。但谷歌这周的动作提醒所有人，牌桌上的玩家正在变多。谷歌云本周一口气发布了两款第八代 TPU 新系统——TPU 8tx 与 TPU 8i Max，第八代产品线由此扩至四款。这不是一次常规的产品迭代，而是一次有明确分工的出击：一款冲着受监管行业去，一款冲着多智能体这种最吃内存带宽的新 workload 去。与此同时，谷歌披露的客户数字、甲骨文的合作计划，以及韩国半导体产业链的反应，共同拼出了一幅图景：定制 AI 芯片正在从谷歌的内部工具，变成一门对外做的生意。
对北美华人读者来说，这场芯片竞赛并不遥远。它决定了未来几年 AI 服务的价格、速度和选择面，也决定了云厂商之间的议价权。英伟达的财报、Anthropic 的模型迁移、谷歌的芯片外售，这些新闻看似各自独立，其实讲的是同一件事：AI 算力的供给正在从一家独大，走向多极竞争。
一次发两款，第八代 TPU 扩至四款
根据谷歌云 2026 年 11 月 13 日发布的文章，以及《韩国先驱报》2026 年 11 月 11 日的报道，谷歌云本周正式推出 TPU 8tx 与 TPU 8i Max 两款新系统。两款产品同属第八代 TPU 家族，发布之后，谷歌第八代 TPU 产品线扩至四款。
这个节奏本身值得注意。TPU 最初是谷歌为自家搜索、YouTube 和后来的 Gemini 模型打造的内部加速器，外界一度只能隔着财报和技术博客猜测它的进展。如今谷歌几乎是按代际、按场景成体系地对外推销 TPU，把它做成和英伟达 GPU 正面对抗的产品线。两款新品的分工也说明，谷歌不再满足于用一款通用芯片打天下，而是针对不同客户的痛点分别出牌。
需要说明的是，TPU 8tx 与 TPU 8i Max 的定位并不重叠。前者服务于对合规和数据安全要求最严的客户，后者服务于对内存带宽要求最高的推理场景。理解了这个分工，也就理解了谷歌这轮发布的逻辑。
TPU 8tx：冲着受监管企业与政府去的
TPU 8tx 面向的是受监管企业与政府客户。这类客户对 AI 算力的需求并不只是快，还有一整套合规要求：数据能不能出境、模型权重会不会泄露、审计能不能过关。过去，这些要求常常意味着要牺牲性能，或者干脆放弃使用最先进的云端 AI 芯片。
TPU 8tx 的硬件组合是 TPU 8t 芯片搭配定制 AMD CPU 主机与低延迟 Boardfly 网络。这个组合里有两点值得展开。首先是定制 AMD CPU 主机，说明谷歌在系统层面已经不拘泥于单一供应商，而是在芯片、主机、网络三个层面做协同设计。其次是 Boardfly 低延迟网络，它解决的是芯片之间、节点之间通信的延迟问题，对大规模训练和推理的效率有直接影响。
更关键的是硬件级机密计算。TPU 8tx 提供硬件级的机密计算能力，敏感数据与模型权重在内存中使用时受保护隔离。换句话说，即便是在云端运行，数据在使用过程中也能得到隔离保护，而不是只在存储和传输环节加密。这对银行、医疗机构和政府部门尤其重要，因为它们的合规审查往往卡在“数据在内存里明文出现的那一刻”。
性能方面，谷歌称 TPU 8tx 的延迟比 TPU 8t 低至多 2 倍，同时性能损耗接近零。这是一个很有针对性的承诺：受监管客户最怕的就是“为了合规牺牲性能”，而 TPU 8tx 试图把这个取舍抹掉。当然，“低至多 2 倍”是上限表述，实际效果会因工作负载而异，读者在评估时应把这个数字理解为谷歌给出的最佳情况，而非所有场景的保证。
对受监管客户来说，真正难的从来不是买到算力，而是让合规部门点头。银行要证明客户数据不会在处理过程中外泄，医疗机构要证明患者信息在使用时同样受保护，政府部门则要面对更严格的审计要求。硬件级机密计算瞄准的正是这个环节：敏感数据与模型权重在内存中使用时受保护隔离，等于把合规审查中最容易被卡住的那一刻也包进了硬件设计里。再加上定制 AMD CPU 主机与低延迟 Boardfly 网络的系统级配合，谷歌想传递的信息很明确，合规不应该再成为用不上先进算力的理由。当然，低至多 2 倍是上限表述，实际效果因工作负载而异，真正做选型时还是要拿自己的任务实测，而不是只看发布数字。
TPU 8i Max：两颗芯片塞进一个封装
如果说 TPU 8tx 打的是合规牌，TPU 8i Max 打的就是性能牌，具体来说是内存带宽牌。TPU 8i Max 把两颗低延迟 TPU 8i 芯片封进同一封装、同一机架占位，算力、SRAM 与 HBM 带宽均为 TPU 8i 的两倍。
“同一机架占位”这个细节很关键。数据中心的机架空间、供电和散热都是硬约束，客户不可能无限制地加机器。在不增加占位的前提下把算力与带宽翻倍，意味着同样一个机柜能跑更大的模型、处理更长的上下文，这是数据中心运营者最愿意听到的改进。
TPU 8i Max 面向的是多智能体工作负载。所谓多智能体，是多个 AI 智能体协同完成任务的架构：一个负责检索、一个负责推理、一个负责核查，彼此之间频繁交换信息。这种架构对内存带宽极其敏感，因为智能体之间传递的中间结果往往非常庞大，带宽一旦跟不上，整个系统就会被卡住。
谷歌表示，TPU 8i Max 可以跨超大代码库或数小时视频推理而不被内存带宽卡住。这两个例子选得很具体：超大代码库意味着智能体要同时理解成百上千个文件之间的调用关系，数小时视频则意味着模型要记住并推理极长的视觉序列。两者都是传统架构容易在带宽上“翻车”的场景，也是谷歌想用 TPU 8i Max 拿下的高地。
多智能体架构之所以对带宽如此敏感，是因为智能体之间不是各干各的，而是要不断交换中间结果。一个负责检索的智能体把结果交给负责推理的智能体，推理结果再交给负责核查的智能体，每一次交接都是一次大规模数据搬运。带宽一旦跟不上，算力再强也只能空转等数据。TPU 8i Max 把两颗低延迟芯片封进同一封装、同一机架占位，算力、SRAM 与 HBM 带宽都翻倍，针对的正是这个瓶颈。对数据中心运营者来说，同一机架占位这个细节同样关键：机架空间、供电和散热都是硬约束，在不增加占位的前提下把算力与带宽翻倍，意味着同一个机柜能跑更大的模型、处理更长的上下文，这正是他们最愿意听到的改进。
开源与软件栈：降低迁移门槛才是关键
芯片再强，如果开发者用不顺手，也很难抢市场。谷歌这轮发布在软件和开源上同样下了功夫。TorchTPU 已开源，PyTorch 代码与 Hugging Face 模型可在 TPU 上原生运行，vLLM 与 SGLang 后端开箱即用。
这句话对开发者意味着，迁移成本被大幅压低。PyTorch 是目前 AI 开发最主流的框架，Hugging Face 则是模型分发的事实标准，两者能在 TPU 上原生运行，意味着团队不需要为了换芯片而重写代码。而 vLLM 与 SGLang 是目前推理服务最常用的两个后端，开箱即用进一步缩短了从“拿到芯片”到“跑起服务”的时间。
TPU Sync 也已开源，它的卖点是突破内存墙。内存墙指的是芯片算力增长快于内存带宽增长，导致算力常常“等数据”的瓶颈。TPU Sync 试图在软件层面缓解这个问题，与 TPU 8i Max 的硬件翻倍形成配合。
在云端部署层面，Cloud Pathways 已在 GKE 上全面可用，Slurm 集群则处于预览中。GKE 是谷歌云的 Kubernetes 服务，Cloud Pathways 全面可用意味着企业可以在自己熟悉的容器编排环境里调用 TPU 资源。谷歌还披露了一个规模数字：过去 90 天，GKE 上处理了超过 1.3 亿个 Cloud TPU 芯片小时。这个数字说明 TPU 在谷歌云上的实际使用量已经相当可观，不再是小范围试水的产品。
此外，Gemini Omni 1.2 Flash 已上谷歌云。模型与芯片同台发布，是谷歌一贯的打法：自家模型跑在自家芯片上，既能展示性能，也能给客户一个“开箱即用”的参考配置。
客户近 100 家，甲骨文明年上云
谷歌称，目前 TPU 客户近 100 家，包括在自有数据中心部署的企业。这个数字有两层含义。一是客户群体已经不只是谷歌云的租户，还包括把 TPU 部署在自己数据中心里的企业，这意味着 TPU 正在走出谷歌云的边界。二是“近 100 家”的规模虽然与英伟达的客户群无法相比，但对于一款几年前还主要供内部使用的芯片来说，已经是一个明确的商业化信号。
更值得关注的是甲骨文的计划。甲骨文计划明年通过其云平台提供谷歌芯片。这意味着谷歌的芯片将出现在竞争对手的云上。对甲骨文来说，这是在 AI 算力竞赛中补齐短板的一步；对谷歌来说，这是把芯片卖到自家云之外的渠道扩张。两家公司在云计算市场本是竞争对手，如今在芯片供给上却成了合作伙伴，这本身就说明 AI 算力短缺的现实正在改写厂商之间的关系。
谷歌还确认，与联发科合作的 TPU 8t 项目正在进行。联发科的加入意味着 TPU 的供应链和设计合作正在向亚洲芯片厂商扩展，这与韩国媒体关注的 HBM 供应链话题是同一条线上的不同环节。
与联发科合作的 TPU 8t 项目正在进行，这条线同样值得留意。联发科的加入意味着 TPU 的供应链和设计合作正在向亚洲芯片厂商扩展，而甲骨文计划明年通过其云平台提供谷歌芯片，则是渠道层面的扩张：谷歌的芯片将出现在竞争对手的云上。供应链与渠道两条线一起铺开，说明谷歌把 TPU 当作一门对外做的生意在经营，而不是只服务自家搜索、YouTube 和 Gemini 的内部工具。客户近 100 家、包括在自有数据中心部署的企业，这个规模放在几年前还主要供内部使用的芯片身上，已经是一个明确的商业化信号。
韩国半导体厂商的新机会与 2000 亿美元数字的限度
《韩国先驱报》的报道把视角转向了供应链：谷歌向外销售定制 AI 芯片，给三星电子与 SK 海力士带来分散 HBM 需求的新机会。HBM 即高带宽内存，是 AI 芯片不可或缺的配套部件，目前需求高度集中在少数客户身上。谷歌 TPU 的外售，意味着三星与 SK 海力士的 HBM 订单来源有望更加分散，不再过度依赖单一买家。
Counterpoint Research 预测，定制 AI 服务器芯片的 HBM 位元需求在 2024 至 2028 年间将增长 35 倍。这是一个相当惊人的增速预期，背后是定制芯片整体出货量上升的判断。需要提醒的是，这是一个预测数字，跨度四年，实际增速会受到 AI 投资节奏、芯片设计成败和内存产能等多重因素影响，不宜把它当作已经锁定的订单量。
读这类预测要分清两个层次：一个是行业方向，即定制芯片的 HBM 需求确实在快速上升，谷歌 TPU 的外售给三星电子与 SK 海力士带来了分散需求的新机会，订单来源有望不再过度依赖单一买家；另一个是具体订单，即谁家拿到多少、什么时候交付，这要看后续的实际签约与产能安排。同样，三星与博通 7 月签署的谅解备忘录也是如此：潜在合作价值到 2030 年超过 2000 亿美元，这个估算横跨 HBM、代工制造与先进封装等多项业务，而且不含已确认的 HBM 订单。把它理解为合作框架下的潜在价值上限，而不是已经签下的合同金额，才是准确的读法。
报道还提到，三星与博通在 7 月签署了涵盖 HBM、代工制造与先进封装的谅解备忘录，潜在合作价值到 2030 年超过 2000 亿美元。博通是谷歌 TPU 开发的主要伙伴，因此这份备忘录常被解读为三星打入谷歌 TPU 供应链的信号。但这里必须写明一个重要限度：该估算横跨多项业务，涵盖 HBM、代工制造与先进封装等多个领域，而且不含已确认的 HBM 订单。也就是说，2000 亿美元是合作框架下的潜在价值上限，不是已经签下的 HBM 合同金额。把框架价值误读为订单金额，是这类新闻最容易出现的偏差。
不止英伟达一家说了算，但护城河还在
把这轮发布放回更大的图景里看，AI 芯片的竞争格局正在松动。本站此前已经写过，Anthropic 只用三天就把 Claude 搬上了 AMD 芯片；Anthropic 的新旗舰模型 Claude Fable 5.2 也已发布，办公 AI 的打法正在变化。这些动向与谷歌 TPU 的外售指向同一个方向：CUDA 生态的护城河没有消失，但水位正在下降，替代方案的切换成本正在降低。
英伟达方面的消息同样值得对照。本站此前报道了英伟达 CEO 相关风波与 11 月 17 日的财报。财报季向来是检验一家芯片公司成色的时刻，而这一次，市场关注的不只是英伟达自己的数字，还有谷歌、AMD 等竞争对手的进展会不会反映在英伟达的订单与定价上。
不过，冷静一点看，谷歌 TPU 要真正动摇英伟达的地位，还有几道坎要过。一是生态深度，CUDA 积累了十多年的开发者工具、库和社区，TorchTPU 的开源是一个起点，但追赶需要时间。二是产能与交付，近 100 家客户是个不错的起点，但与英伟达遍布全球的出货规模相比仍有差距。三是客户结构，甲骨文的上云计划和自有数据中心部署都是积极信号，但能否转化为持续的大单，还要看后续几个季度的实际落地。
对普通读者和从业者来说，更实际的结论是：AI 算力的选择面正在变宽。无论是创业公司选云，还是工程师选技术栈，未来几年都不再是“只有英伟达一个答案”。谷歌 TPU 8tx 与 TPU 8i Max 的发布，正是这个变化的最新注脚。芯片战的下半场，竞争会更激烈，而受益的可能是所有用 AI 的人。
暂无评论内容