英伟达主光圈外，谷歌AI生态悄然成形
英伟达在台上抢尽风头，而谷歌在后台悄悄造出了一整片“气候系统”。
当你回头一看，会发现它在AI基础设施的布局，已经没有任何公司能追得上。
一、Ironwood：AI推理时代的“算力标杆”
2025年4月，谷歌发布了第七代自研张量处理单元（TPU）——Ironwood 。 2025 年 11 月 6 日 (美国时间)，谷歌正式宣布 Ironwood 将在 “未来数周内”(coming weeks) 全面商用，这是谷歌首次明确给出该芯片的商用时间表。
这颗芯片的规格几乎刷新了业界认知：单颗算力达4614 TFLOPS（FP8精度），搭载192GB HBM3E内存，带宽高达7.37 TB/s ，与上一代TPU v5p相比性能提升十倍。
对于云端客户，Ironwood提供两种配置：256颗与9216颗芯片版本。后者即一个完整的TPU Pod，总算力达到 42.5 ExaFLOPS 。相比之下，英伟达目前主推的GB300 NVL72系统只有 0.36 ExaFLOPS 。（此对比基于 2025 年 11 月初公开的官方数据，适用于特定 FP8 计算场景。）
这意味着在大规模推理任务中，谷歌的系统性能已超过英伟达一个数量级。
Ironwood的设计目标很明确：降低AI推理阶段的总拥有成本（TCO） 。
谷歌CEO劈柴（Sundar Pichai）在发布会上直言，Ironwood的能效是上一代Trillium（TPU v6）的两倍。它的架构围绕“专用化”理念打造——牺牲通用性换取极致效率。
在大模型进入“推理时代”的今天，Ironwood的定位也非常清晰：
Trillium（v6）负责训练，Ironwood负责推理，两者形成“资本支出—运营支出”的内循环。
二、TPU十年：从救火项目到系统哲学
谷歌TPU的发展是一部典型的“危机驱动创新”史。
2013年，公司内部意识到神经网络的计算需求将迫使数据中心规模翻倍。那意味着巨额电力成本和运营风险。于是，一个小团队在15个月内“急行军”造出了TPU v1。
这颗28nm工艺、功耗仅40W的芯片，当年就为AlphaGo提供算力支持。它的能效比（TOPS/W）比CPU和GPU高出30至80倍。
谷歌第一次意识到：在大规模推理场景下，通用芯片不是答案。
随后的每一代TPU，都围绕两个核心命题演化：
一是算力密度的极限 ；二是系统集成的规模 。
·TPU v2（2017） ：引入bfloat16格式，实现从推理到训练的跃迁。
·TPU v3（2018） ：首次采用液冷，单Pod扩展至1024颗芯片。
·TPU v4（2021） ：v4 Pod 在规模化时“每芯片互连带宽”较其它网络技术高 10倍，与英伟达A100并驾齐驱。
·TPU v5（2023） ：分为v5e（高效型）与v5p（性能型），为Gemini 1.0提供训练支撑。
·TPU v6 Trillium（2024） ：性能达918TFLOPS，引入SparseCore专核，应对Transformer与MoE模型的计算瓶颈。
到了Ironwood（v7），谷歌完成了一个闭环：
从训练到推理、从模型到云端、从芯片到系统——TPU已不再是一颗芯片，而是一种基础设施哲学。
三、造芯之外：CPU与虚拟机的另一面
很多人只关注谷歌的TPU，却忽略了它同时在CPU领域也有动作。
2025年，谷歌推出了自研的 Axion CPU ——一颗基于Arm架构的通用处理器，面向云端的日常计算任务。
围绕这颗芯片，谷歌发布了两款新产品：
·Axion虚拟机（N4A） ：价格性能比比同代x86虚拟机高出一倍；
·Axion裸金属实例（C4A） ：提供专属物理服务器，适配Android开发、车载系统与模拟计算等高一致性任务。
表面看，这只是CPU产品线的延伸；但本质上，它是谷歌完善自身“云计算底座”的关键一步。
在AI算力的金字塔中，TPU是塔尖，而CPU是塔基。
前者决定算力峰值，后者决定资源效率。两者合起来，才是谷歌真正意义上的“AI基础设施自给自足”。
四、从芯片到生态：AI Hypercomputer
当英伟达以显卡堆叠定义“算力”，谷歌则在构建一个自我循环的“气候系统”。
这个体系有一个名字：AI Hypercomputer 。
它不仅是数据中心架构的整合，更是一种从芯片—模型—云—生态的闭环逻辑。
在这一逻辑下，谷歌的AI算力不再通过单纯销售硬件获利，而是通过生态放大 。
2025年10月，Anthropic宣布扩大合作，获得高达100万个TPU芯片 的使用权，合同价值数百亿美元，对应超过1吉瓦算力容量 。
Anthropic、Cohere、Character.AI、Essential AI——
这些名字在外界看来是独立的AI公司，但它们在算力和模型底座上，都深度绑定谷歌的TPU集群和Gemini家族。
这背后，是谷歌 quietly 建立的 AI Infrastructure Fund（AI基础设施基金） 。
它的模式并非传统投资，而更像是“算力换股权”的生态融资：
谷歌以TPU资源和云服务为筹码，投资早期AI公司，反过来再扩大自身生态的算力需求。
结果是，一个自我繁殖的生态循环 诞生了：
谷歌训练Gemini → 提供TPU算力 → 投资使用TPU的创业公司 → 创业公司回流算力需求 → 谷歌获得回报与数据积累。
这就是谷歌真正的护城河。
不是性能领先的某一代TPU，也不是Gemini的参数量，而是一个可以不断进化的系统。
结语：在光照之外
过去十年，全球AI产业的聚光灯几乎都照在英伟达身上。
但在聚光之外，谷歌已经悄悄构筑了自己的“算力大陆架”。
它从TPU v1的救火实验，走到了Ironwood的成熟生态；
从单一芯片制造商，变成了一个拥有数据、算法、硬件、云服务与资本的全栈AI公司 。
在未来的几年里，当市场还在讨论GPU供需、HBM价格和AI服务器出货量时，谷歌的TPU体系将继续以一种低调但稳健的方式扩张。
它不是在追逐潮流，而是在重写基础设施的定义 。
这或许正是谷歌的风格：
当别人在点亮灯光，它早已在设计电网。