新聞幕後／黃仁勳小心！谷歌「十年磨一劍」　TPU殺進決賽圈

財經中心／師瑞德報導

隨著多模態AI模型Gemini 3正式亮相，谷歌自研晶片TPU（Tensor Processing Unit）也從幕後走上台前。這顆曾在AlphaGo時期埋下伏筆、低調研發超過十年的AI加速器，如今直通AI晶片的決賽圈，挑戰輝達GPU霸主地位的野心昭然若揭。

根據谷歌雲內部高層透露，若TPU能成功擴大市場採用率，預期將有望瓜分輝達每年高達10%的收入份額。市場消息也迅速跟進：不僅谷歌正積極推廣TPU服務，Meta亦被傳出擬投資數十億美元購買TPU。摩根士丹利分析師甚至大膽預估，至2027年谷歌TPU對外銷售量將達百萬顆規模。

這一波來勢洶洶的攻勢，也令資本市場對輝達未來的競爭壓力深感不安。輝達近日罕見發表官方聲明，強調自家GPU在性能、通用性與可替代性等方面仍具有無法撼動的優勢，顯示AI晶片大戰已從實驗室蔓延至商業前線。

從「算力焦慮」走向自研晶片

谷歌開啟TPU研發之路，起因於2013年內部對「算力焦慮」的深刻感知。當時深度學習在谷歌產品線中快速擴散，而語音識別等AI任務消耗的運算量呈指數級上升。首席科學家Jeff Dean估算，僅若一億安卓用戶每日使用三分鐘語音轉文字功能，所需算力已達谷歌當時數據中心總和的兩倍以上。

這促使谷歌不得不尋找能打破通用晶片性能瓶頸的解法。考慮到GPU與CPU受限於馮諾依曼瓶頸，難以有效處理大規模矩陣運算，谷歌決定自研專為深度學習設計的ASIC加速器。這類晶片可高度針對AI推論任務優化，整體能效比提升可達10倍。

2013年底，谷歌正式啟動TPU初代項目。負責團隊來自Google Brain、DeepMind及數據中心硬體開發部門，其中核心成員如Jonathan Ross，擁有豐富的架構設計經驗。僅15個月後，初代TPU便完成設計、驗證與部署，展現驚人的研發效率。負責人Norm Jouppi回憶：「我們幾乎沒時間修正錯誤或重製掩膜，就直接出貨了。」

AlphaGo後走向開放，Transformer成分水嶺

2016年，AlphaGo戰勝圍棋世界冠軍李世石，讓TPU首次「破圈」亮相。這場震撼世界的AI事件，背後正是初代TPU提供算力支撐。真正的轉捩點則發生於2017年，谷歌團隊發表了Transformer架構，其計算特性與TPU設計高度契合，進一步奠定TPU作為AI基礎設施的核心地位。

同年，谷歌推出TPU v2並對外開放1,000台Cloud TPU供開發者與研究機構免費使用，進一步拓展生態圈。往後幾年，谷歌持續推進技術升級：從液冷系統、超節點計算、環形拓撲網絡，到大規模並行通信架構，TPU逐步建立起獨特且難以複製的技術護城河。

谷歌造晶哲學：成本導向、高度垂直整合

與矽谷不少初創或晶片新貴熱衷於「追逐AGI（通用人工智慧）」願景不同，谷歌自始至終都圍繞著一個更務實的指標：成本。從早年就思考使用ASIC替代通用晶片的可能性，到選擇捨棄通用性、堅持簡約的脈動陣列架構，TPU的設計策略無不圍繞「極致效率」與「控制資源投入」。

這種設計選擇最終為谷歌帶來的，不只是內部運算效能提升，更是形成了AI產業少見的全棧式能力：從晶片到雲平台，再到模型與應用部署，TPU成為貫穿整條AI價值鏈的「核心引擎」。相較於其他高度依賴外部供應商與雲服務的競爭對手，谷歌的AI硬體與基礎設施策略明顯更具主動權與延展性。

正如券商報告所指出，谷歌靠TPU建構出一套完整且垂直整合的「晶片-雲端-模型-應用」鏈條，進一步築起生態護城河。當Gemini 3橫空出世、TPU v7全面導入訓練環節，谷歌正式完成從跟隨者到領跑者的轉身。

輝達霸業遭遇挑戰，晶片戰火再起

面對谷歌TPU來勢洶洶，輝達感受到明顯壓力。儘管官方強調GPU在多任務處理、通用性與替代彈性上仍占優勢，但在AI推論場景中，「效率」、「成本」與「專用性」正逐漸成為新一代晶片設計的關鍵指標。

當Meta傳出計畫大規模採購TPU，投資人更是紛紛轉向觀望。谷歌TPU若能成功擴大外銷，甚至僅搶下輝達10%的年收入份額，就已足以改寫AI硬體格局。此消彼長的市場格局，也意味著AI晶片之戰，仍遠未落幕。

十年磨一晶，谷歌造TPU並非一場偶然，而是一場自上而下、貫穿技術與商業邏輯的系統性工程。當AI浪潮來到新一輪算力爭奪，TPU的登場，不只挑戰了現有王者，也重新定義了誰才有資格引領未來的AI基礎設施。