谷歌的芯片不容小视

谷歌造芯的故事，要从2015年说起。

对中国同行，它是一面镜子，也是一种压力。它证明了一件事：软件巨头的尽头，可能是芯片；而芯片的尽头，是十年以上的体系化耐心。

01 一个被遮蔽的巨头

有一个容易被忽视的事实：在中文互联网语境里，谷歌一直被贴着一个“软件公司”的标签。谈到芯片，人们条件反射般想到的是英特尔、AMD、英伟达，是高通、台积电，或者扎克伯格和英伟达CEO黄仁勋那件标志性的皮衣。

但只要把镜头拉长一点，结论会令人不安：在全球互联网公司中，把自研芯片做得最深入、最系统、最可持续的，恰恰是谷歌。

没有之一。

这认知的错位有一个朴素而深刻的底层原因——美国实在是太“富”了。英特尔、AMD、英伟达、高通、博通、美满，随便拎出一家都是横跨半个地球的巨头。在一个坐拥如此丰厚芯片家底的国度里，谷歌的TPU长期处于“内部工具”状态，不直接对外销售芯片，自然难以进入聚光灯。它只是硅谷巨头们宏大叙事里的一个注脚。

直到2026年，这个注脚变成了正文。

02 十年冷板凳，一朝惊艳

谷歌造芯的故事，要从2015年说起。

那一年，AlphaGo击败李世石震动全球。很少有人意识到，AlphaGo的每一次落子背后，站着的是一块谷歌刚刚自研成功的专用芯片——第一代TPU（张量处理单元）。它不为通用计算而生，只为一件事疯狂优化：矩阵乘法。

这是谷歌战略眼光最凌厉的地方。当全行业还在讨论“CPU够不够用、GPU是不是未来”时，谷歌已经从自家搜索引擎、广告系统、YouTube推荐的庞大数据负载中敏锐判断：AI的算力需求将呈指数爆炸，通用芯片迟早会成为成本黑洞。不如自己造。

2017年，TPU v2引入BF16格式，开始支持训练；2018年TPU v3配合大规模液冷上线；2024年，第六代Trillium发布，较上一代性能提升4.7倍、能效提升67%，承担起Gemini大模型的训练重任；2025年，第七代Ironwood将单芯片FP8峰值算力推到4614 TFLOPS；2026年4月，第八代TPU更是首次拆分为TPU 8t（训练）与TPU 8i（推理）两条产品线，完成了从“通用大算力”到“任务分级”的成熟跃迁。

这条演进曲线最值得产业界品味的是：它没有一代是“噱头发布”，每一代都真实部署在谷歌自己的搜索、广告、YouTube推荐和Gemini训练推理之上。芯片是一个资本黑洞级行业，没有庞大的自用需求托底，任何自研芯片计划都很难撑过三代迭代——这一点，中国同行体会最深。

03 真正的分水岭：自用，还是卖货？

这正是我们“竞合”视角下最想强调的竞争格局差异。

在中文互联网圈，百度昆仑芯常被与谷歌TPU相提并论。客观地说，昆仑芯是中国互联网公司自研芯片的代表作，技术积累与工程能力都属上乘。但如果严格对照谷歌，两者的差距不在芯片本身，而在商业化半径上：谷歌的TPU不仅自用，还作为谷歌云的核心算力对外提供服务，如今更是直接卖给第三方客户；而包括昆仑芯在内的中国互联网公司自研芯片，绝大部分仍停留于自用阶段，很难形成对外的、规模化的第三方供给。

当然，中国并非没有对外供给的芯片力量——寒武纪、燧原、壁仞、沐曦等独立芯片公司正在奋起直追，构成了中国AI算力产业蓬勃向上的一面。但注意这里的关键区别：中国的芯片供给是“分散的创业公司”，美国的芯片供给却是“巨头亲自下场”。前者在融资、流片、生态建设上步步惊心；后者则背靠每年千亿美元级的资本开支、自家万亿级参数的模型消耗量，以及完整的云计算分发渠道。

2026年的几个标志性事件，让这场格局之变彻底浮出水面：

•Anthropic的世纪订单：2025年10月，谷歌向Anthropic承诺供应最多100万块TPU，价值数百亿美元；2026年4月，Anthropic再下数吉瓦规模的TPU订单。最大竞争对手之一的算力命脉，握在谷歌手里——这在商业史上几乎是前所未有的一幕。

•Meta租谷歌的TPU：极度缺算力的Meta被曝签下数十亿美元合同，租赁谷歌TPU集群。

•蚂蚁的200%：2026年8月，Google I/O Connect China上披露，蚂蚁集团将高强度计算负载迁至谷歌TPU v7，实现200%的训练性能提升。

•吞链式的资本动作：2026年8月，谷歌与迈威尔科技达成协议，后者为其定制AI推理加速器、存储控制器等，接入TPU生态；谷歌最多以121.82亿美元投资，持股约6.7%。

至此，谷歌完成了从“自用芯片”到“芯片+云服务+投资绑定”的三级火箭闭环。CFO阿什克纳齐在财报会上坦承：2026年TPU收入只占一小部分，大部分订单将在2027年兑现。换句话说，这盘大棋，谷歌自己才刚刚落子。

04 为什么没人提前看见？竞争格局的“灯下黑”

现在回答那个核心问题：为什么谷歌做了十年芯片，产业界却长期视而不见？

第一，英伟达的“光”太强。在AI芯片的叙事场域里，英伟达近乎垄断了话题定义权。CUDA生态二十年的积累，让“GPU=AI算力”成为行业肌肉记忆。相比之下，TPU的JAX/XLA生态门槛更高、心智占有率更低。这既是真实的短板，也是认知的遮蔽。

第二，谷歌的商业模式天然“低调”。英特尔卖芯片，AMD卖芯片，英伟达卖芯片——而谷歌长期把TPU藏在自家数据中心的墙内。一项不外销的技术，在资本市场上是“成本项”而非“收入项”，媒体自然缺乏报道的抓手。直到2026年二季度开始向第三方数据中心交付，TPU才第一次以“商品”的身份进入公众视野。

第三，也是最容易被低估的：体系化能力。谷歌真正的护城河不是某一块芯片，而是芯片—模型—编译器—网络—数据中心—云的垂直一体化。自研的光学电路交换机（OCS）支持Pod内网络拓扑动态重构；XLA编译器让软硬协同的效率压榨到极致；DeepMind又能预判未来模型形态、提前锁定架构方向。这种“全栈自研、内生迭代”的能力，是单纯买英伟达GPU的公司永远无法复制的。有分析指出，谷歌TPU在自有优化负载上的性价比可达英伟达方案的数倍。

05 竞合棋局：谷歌的三重角色

站在产业竞争与合作的交叉点上审视，谷歌其实同时扮演着三个角色：

对英伟达，它是挑战者。TPU出货量2025年约250万片，2026年目标上调50%、总量预计突破370万片；在推理市场，ASIC正在按IDC预测从2024年15%的份额向2030年80%的预测值狂奔。谷歌正是这条替代曲线的最大推手。

对OpenAI、Meta、Anthropic们，它既竞争又共生。它拿Gemini和所有人抢模型身位，同时把TPU卖给他们、租给他们。2022年谷歌资本开支约310亿美元，2026年预计飙升至约1800亿美元，自研芯片是投入核心。

对中国同行，它是一面镜子，也是一种压力。它证明了一件事：软件巨头的尽头，可能是芯片；而芯片的尽头，是十年以上的体系化耐心。蚂蚁迁移到TPU的案例还提醒我们：当芯片变成云服务的一部分，算力竞争的边界早已跨出国界。

06 结语

回到标题的那句话：谷歌的芯片，不容小视。

它不是某一颗芯片的胜利，而是一种范式的胜利——需求定义芯片，体系决定胜负。在一个被英伟达的光芒照得刺眼的时代，谷歌用十年时间默默建成了一座算力帝国，然后在一个恰当的年份，把它变成了生意。

对产业界而言，忽视它的代价，可能比想象中来得更快。而对中国的AI芯片产业来说，寒武纪、沐曦们的奋起直追固然可贵，但更深层的问题仍在：我们能否出现一个既有顶级自用需求、又有开放分发能力的平台级玩家？

这场竞赛，或许才刚刚开始。