2025年7月26日，达T的崛上海，谷歌谷歌参展WAIC世界人工智能大会。挑战视觉中国/图

2026年1月初，英伟美国知名半导体与AI研究机构SemiAnalysis披露，达T的崛人工智能公司Anthropic计划直接采购近一百万颗谷歌最新一代TPU v7系列芯片。谷歌相关交易尚未获得谷歌确认，挑战但已引发广泛关注。英伟

长期以来，达T的崛在大模型训练与推理的谷歌核心算力市场，英伟达的挑战GPU（图形处理器）几乎是最优选择。凭借其强大的英伟CUDA软件生态和通用计算能力，英伟达得以制霸行业基础设施。

相比之下，谷歌自研的TPU（张量处理器）虽存在多年，却鲜少进入公众视野。

变化发生在过去一年。全球两款顶尖大模型——谷歌的Gemini 3和Anthropic的Claude 4.5 Opus，被爆出大部分训练和推理都依赖于TPU。苹果、Meta、Midjourney甚至OpenAI，也都传出在不同场景下已使用或计划使用TPU的消息。

与此同时，谷歌对TPU的供给方式，也从单纯依附云服务租赁，转向更为机动的商业化路径。TPU与GPU究竟有何不同？它是否正在成为AI算力竞争中的有力变量？

为谷歌而生

TPU的诞生，源于谷歌内部的一场算力危机。

早在2006年，谷歌就考虑过为人工智能构建专用芯片（ASIC）的可能性。但直到2013年，谷歌才真正意识到，未来对AI计算的需求，或将远超当时基础设施所能承载的上限。

那时，谷歌正计划在全球范围内推出语音识别功能。其首席科学家杰夫·迪恩（Jeffery Dean）曾在采访中介绍，团队做过粗略估算，如果数亿用户每天使用3分钟语音识别服务，所需算力将是谷歌全部数据中心算力的两倍。

谷歌团队评估了多种现有方案，结论是它们甚至难以满足其产品当下的基础机器学习需求，更无法拥护未来增长。于是，谷歌决定设计一种全新的芯片。

硬件工程师诺曼·乔皮(Norman Jouppi)于2013年加入谷歌，成为TPU项目的关键推动者之一。

他后来向媒体回忆，团队曾考虑像微软一样，采用FPGA（可编程芯片）路线。这类芯片可以按需编程以适配不同任务。但在实际测试中，它在AI计算上的性能表现并不优于GPU，成本还更高。最终，团队转向自研专用芯片TPU。

按照谷歌的划分，CPU（中央处理器）如同计算机的“通用大脑”，处理各类繁琐指令；GPU（图形处理器）配合CPU，用于图形处理、图像渲染和繁琐的数学计算。

而TPU只专注一件事，高效执行AI所需的大量矩阵运算。其核心在于一种名为“脉动阵列”的架构。

CPU和GPU的计算方式，本质上都是指令驱动型，为了通用性，数据在计算过程中往往需要被反复读取和搬运。

而在TPU里，成千上万个乘加单元被密切排列在