谷歌 TPU 能撼动英伟达吗？ 周末健身时听了硅谷 101 关于谷歌 TPU 工程师的采访揭秘，感觉很有意思。 听完后有了一些新的认识和思考，总结原文核心观点，并记录自己的想法。 1️⃣ 播客中的结论 （另有详细 AI 文字版本总结，较长见图 2） 1） Gemini 有个很反直觉的特性：用的人越多，速度越快。 这是 TPU 架构决定的。并行计算 + 复用缓存机制，刚好把算力打满的时候效率最高。 当然，双刃剑的另一面也出现了。 去年 Gemini 3 发布，GPT 大批用户涌入，服务频繁崩溃…… 本质原因就是 TPU 产能跟不上，扩容没追上用户增速。 2）英伟达 GPU vs 谷歌 TPU，各有各的护城河。 英伟达的优势在软件：CUDA 生态太成熟，通用性强，改不动。 谷歌 TPU 的优势在软硬件结合：跑特定大模型算法时，性能可以直接碾压英伟达。 苹果已经成为 TPU 第一大买家，Anthropic 也在大量采购。 理由很简单：不想把鸡蛋全放在英伟达一个篮子里。 3) 台积电的护城河比想象的还要深。 不管是英伟达、谷歌、苹果……所有芯片全得靠台积电做，台积电的工艺和良品率水平没有第二家可以替代。 更离谱的是台积电产能根本不够用，各大厂商都在排队抢。 卖铲子是稳，我也会坚定看好和持有台积电。 4）TPU 类似于是把算法放进硬件，有点像用 ASIC 挖矿的感觉。 GPU 是通用的，TPU 是定制的。 谷歌芯片团队需要提前一两年向台积电下单，这意味着他们现在做的芯片，是为两年后的 AI 算法设计的。 所以谷歌的 AI 团队和芯片团队必须深度绑定，今天押注的算法方向，决定了两年后芯片能不能用上。 押对了是降维打击，押错了两年全打水漂。 而这层约束对于英伟达来说无需面对。 2️⃣ 说点个人想法 所谓软硬件结合，就是通用硬件设计能力不够，或者成本过高， 干脆直接为某一类算法设计硬件。 就硬件设计水平来讲是比不上通用硬件的。 英伟达为什么不做 NPU/TPU？ 因为没法扩大自己的优势。太多厂商能做了，大家都做就和手机厂商一样。 举个栗子🌰： 基本上安卓机都有了红外遥控，也就是万能遥控功能， 苹果为什么不做？ 这个功能难吗？不难； 客户有需求吗，有。 那为什么苹果为什么不做呢？ 我想商品形态可能真不一定是「完全由需求」决定的。 如果两个集合，相同元素占比越大，越没有辨识度。 想想我们对手机的印象：苹果/ 非苹果。 如果用安卓，大部分人是不在乎小米，oppo，vivo，华为的， 因为他们同质化太高了，用户粘性相对低。 类比计算器和计算机的区别，计算机是通用计算，计算器就是特定计算。 计算器的功耗当然低了，只能做特定计算。 TPU 相对于英伟达的 GPU 没有硬件设计壁垒。 只是在想办法降本。 同时，通过降本赚的盆满钵满的公司是很少的，提出新概念，开辟新方向的才能起飞，也容易炒概念。 目前的神经网络计算主要就是张量计算， 卷成本对于英伟达来讲是下下策。 因此不能单独地看 TPU 是怎么说自己的优势的。 单从 Google 的角度来看，做 TPU 是最好的选择。 但是从英伟达的角度来看，打成本战是下下策。 因为英伟达已经掌握了先发优势，英伟达的 cuda 生态，以及英伟达的顶尖 gpu 设计能力。 Google 做不了 GPU ？ 肯定不是。 摩尔都能做，谷歌怎么可能做不了，多出点钱还怕挖不到人吗？ 芯片的前期投入太大了，如果 Google 一开始做 GPU 没人用，就会面临本都收不回来的情况。 同规模下，Google 做 TPU 成本比 GPU 低，还能打包出售自己的 Gemini， 属于上策。