TPUs掀起AI产业风暴你需要了解谷歌的AI芯片

谷歌首席执行官桑达尔·皮查伊（Sundar Pichai）帮助谷歌重新进入AI领域。 （Nathan Laine/Bloomberg）

谷歌突然成为人工智能领域的中心。这一切始于该公司备受瞩目的新Gemini 3 AI模型的发布，该模型是在谷歌自家AI芯片上训练而成。随着《The Information》的一篇报道https://www.theinformation.com/articles/google-encroaches-nvidias-turf-new-ai-chip-push的传播，该报道指出Meta Platforms正在与谷歌商谈购买这些被称为Tensor Processing Units（TPU）的芯片，以填补人工智能数据中心——这一领域目前由Nvidia的炙手可热的图形处理器（GPU）主导。

自11月18日Gemini 3发布以来，Alphabet的股价上涨了12%，而Nvidia的股价则下跌了3.4%。谷歌母公司Alphabet目前市值达3.86万亿美元，成为全球第三大公司，紧随第一大公司Nvidia（4.38万亿美元）和第二大公司苹果（4.1万亿美元）之后。谷歌的成功也带动了其合作伙伴Broadcom的股价，后者帮助设计TPU芯片，自Gemini 3发布以来股价上涨了16%。

在2010年代谷歌大力推动自己的AI事业时，遇到了其他Nvidia客户长期以来面临的问题：传统服务器无法满足需求，Nvidia硬件价格昂贵，且难以按谷歌所需的大规模数量采购。在谷歌的运营规模下，必须开发内部解决方案。

谷歌的TPU于2015年首次亮相。在外界尚不知晓该硬件之前，它已经开始为谷歌众多产品（如地图、照片和翻译）的后台处理提供动力。

时间跳转至2025年，谷歌已进入第七代TPU。公司继续在内部使用TPU为其产品提供支持。最近，谷歌还成功找到了少数外部客户，这些客户原本可能使用Nvidia硬件进行相同的AI工作。苹果在其Apple Intelligence模型上使用了TPU，而估值达3500亿美元的AI初创公司Anthropic也在其多云战略中签下了TPU协议。

Gemini 3获得了用户的认可，使人们再次将目光聚焦在TPU作为替代Nvidia运行AI工作负载的选项上。正如谷歌在2010年代所发现的，Nvidia GPU依然昂贵且供应紧张，相比巨大的需求，无人愿意过度依赖单一供应商来获取AI最关键的基础设施。

自2021年以来，Nvidia数据中心收入增长了2400%。Nvidia硬件在2012年成为AI研究领域的标准。当2022年底的AI热潮开始时，这些年的努力使Nvidia恰好处于风口浪尖。

尽管Nvidia的芯片仍被称为图形处理器，但其用途早已远远超出驱动个人电脑显示器。GPU擅长将任务拆分成许多部分并并行运行，这正是游戏玩家能够以120帧每秒流畅运行游戏的原因，也是其在AI计算以及其他高性能领域的强大之处。

相比之下，TPU只做一件事——为深度学习执行矩阵运算——但它的效率极高。在合适的条件下，TPU的成本结构比Nvidia GPU更具优势。深度学习已成为过去十年AI研究的核心，推动我们进入了大型语言模型时代，驱动着聊天机器人和代码助手等新型AI应用。GPU功能更全面，但对于许多当前的AI负载，TPU就像一辆子弹列车——它只从一个地方到另一个地方，但如果你只需要“从A到B”，它速度极快。

毫无疑问，客户希望不再如此依赖Nvidia，但目前他们仍不得不如此。这就是Nvidia在第三季度实现惊人的73%毛利率的原因，几乎是300%的毛利加成。客户愿意为Nvidia的产品支付溢价，因为像TPU这样的替代品尚无法满足其全部需求。

但没有什么会永远持续下去。Intel在数据中心芯片市场长期占据主导地位。在Nvidia和Advanced Micro Devices的三足竞争中，Intel在2021年第一季度获得65%的数据中心芯片收入。到2024年，Nvidia的市场份额已超过80%，Intel的份额已降至个位数。

其他主要云服务商也拥有自己的AI芯片，且越来越多的参与者正在涌入这一领域。Anthropic所采用的策略可能是未来的一个缩影。它与Amazon Web Services、Microsoft Azure以及Google签订大型合同，这些合同涉及Nvidia GPU、Google TPU以及Amazon.com自研的Trainium硬件。Anthropic正在分散其供应商和芯片使用，降低其对手风险。

在某个时刻，Nvidia的市场份额和毛利率将受到挑战。谷歌Gemini的成功正在引起一些投资者对这一时刻是否已经到来的疑问。但我认为这还远未到来，因为Nvidia的市场份额依靠其软件，而非硬件。

自2004年起，Nvidia开始开发名为CUDA的软件。其初衷是让GPU有能力处理除图形以外的各类任务，但编程难度很大。CUDA允许开发者使用C等通用编程语言，随后编译为GPU能够理解的形式。

如今，几乎所有AI研究人员都熟悉如何使用CUDA；而熟悉谷歌软件的人则要少得多，谷歌的软件成熟度也远低于CUDA。

我们将知道，当竞争对Nvidia构成实质性威胁时，其珍贵的毛利率开始下滑，这表明Nvidia正通过降价来保护销量。

但目前，CUDA仍是一座高墙，竞争对手需要花费很长时间才能突破。

请写信给Adam Levine，邮箱地址为：adam.levine@barrons.com