Google开卖TPU，大厂想要靠AI芯片生产“低价token”

先说一个核心信息：Google正式向第三方数据中心和客户直接出售自研TPU芯片及配套AI算力硬件。要知道，TPU过去一直是Google在AI领域的“秘密武器”，第三方只能通过云数据中心租用，业界甚至一度认为这块芯片不会对外出售——直到今年6月，这个局面被打破了。

那么TPU到底是什么？全称叫Tensor Processing Unit，也就是张量处理器。它和CPU、GPU不同，专为AI计算中的矩阵与张量数学运算设计，处理这类计算任务的效率极高。听起来像辅助芯片？并非如此。当下AI大模型技术的本质，就是对海量数据进行复杂的数学运算（主要是矩阵乘法）。Google的做法是：把数千块TPU组合成超算集群，再用CPU主机进行任务拆解与数据转换，最终搭建出效率极高的AI算力中心。

图源：Google

正是这套体系，让Gemini能以更低的订阅费用和更高的使用额度，从OpenAI那里抢走不少用户。单独看token价格，Gemini也是海外AI产品中旗舰模型定价较低的——主流模型定价甚至与DeepSeek等国产厂商相当。此外，TPU天然擅长处理日常用户的海量计算请求，与未来AI生态可谓“专业对口”。外界眼馋这套芯片已久，Google官宣销售计划后，很快又公布了一项50亿美元的合作：与著名私募公司黑石共同建造一座容量为500兆瓦的大型算力中心。消息放出后，找Google询价或合作的企业想必不在少数，尤其是那些想自建算力中心的公司。有人可能会问：亚马逊该急了吧？这不等于明抢云服务生意？其实不然——眼下最头疼的恐怕是英伟达。

Google给英伟达来了一记“釜底抽薪”？

先问一个问题：英伟达为什么能在AI时代成为最重要的公司之一？答案如果只是“GPU算力强”，那只说对了一半。英伟达真正厉害的地方，是它早就不只卖GPU。CUDA、NVLink、DGX、InfiniBand网络、AI软件库、开发者生态、服务器合作伙伴、云厂商适配——这些东西共同构成了它的护城河。当你买来一块英伟达算力卡并启动时，买的不只是一块卡，而是一整套已被行业验证的AI生态。对大多数公司来说，CUDA生态省去了“重复造轮子”的麻烦，也省下了大量精力和成本。

这也是为什么很多AI公司明知道英伟达GPU很贵，仍然不得不用。在AI大爆发时期，“成本”可以忽略，唯一的指标是能不能领先对手或更快地追赶对手。但AI大模型进入普及期后，大家想要的就不只是“速度”了。面对庞大的用户基数，效率和性价比成为新的重点。

Google显然看到了这一点，所以押注TPU，并将其打包成一套完整方案。这套方案里的芯片，目标不是从算力性能上打败英伟达，而是把Google多年在芯片、数据中心、网络、存储、调度和模型训练上积累的经验，包装成企业可以直接购买的云服务能力。这才真正是Google“学英伟达”的地方——学的不是卖芯片，而是卖系统和生态，把一系列硬件变成客户可以使用的“生产力”。对那些希望把算力中心掌握在自己手中的企业来说，这种方案有不小的吸引力。

那么英伟达要慌了？倒也不至于。但头疼是真头疼——旗舰算力卡虽然赚钱，但市场不可能永远处于“有多少买多少”的状态。企业会逐渐把目光投向更具性价比的芯片，届时Google的TPU方案势必会冲击英伟达的这部分市场。不过，对整个AI行业来说，英伟达目前仍是算力市场最认可的通用标准，CUDA生态的地位也不是一两代芯片就能轻易撼动的。尤其是在大模型训练环节，很多团队已经围绕英伟达体系积累了大量经验，贸然切换平台风险并不低。比如DeepSeek，他们最新模型采用华&为昇腾芯片训练，还是在与华&为深度合作后，经过几个版本迭代才实现的。

图源：昇腾

但站在Google的角度看，它并不需要在所有场景里取代英伟达。只要能抓住一部分企业客户，并证明自己的效率高于其他算力生态，就能从AI基础设施市场切走一块蛋糕。尤其是在推理阶段，Google的TPU算力服务器优势更为明显。token用起来的消耗速度，不亚于开闸放水——前有Uber四个月烧光一年预算、某企业一个月花掉5亿美元token费用，后有微软限制员工权限、勒令他们使用自家算力。可以预见，随着AI在各领域使用频率越来越高，会有更多案例证明：token成本才是未来AI竞争的关键。谁的token成本更低，谁就能把AI普及到更多业务线，去抢占用户和市场。

算力变成基本资源，云厂商的机会来了

有个网友的比喻非常贴切：训练模型就像买车，推理服务则像每天要烧的汽油。就算是大户人家，也不能天天让所有车都烧98号油。Google提供的算力就像是92号汽油——动力可能有些不足，但车一样跑，活一样干，而且更便宜。

此前也有一篇文章专门讨论过：AI算力正在变得越来越像电、水、宽带这样的基本资源。用户不需要知道“算力”是怎么生产出来的，但会像关心水电费一样关心算力的价格。这个“用户”既可以是个人，也可以是企业、城市，甚至国家。

所以，在未来AI市场中，英伟达仍然很重要——没有高性能芯片，一切都无从谈起。但当算力需求变成长期、稳定且规模化的基础资源后，话语权反而会逐渐转到云服务厂商手中。这也是为什么Google、微软、亚马逊、阿里云、华&为云这些云厂商不再满足于只做英伟达GPU算力的“转售商”，而是都在布局自己的算力生态——当然，不是说他们就不继续采购英伟达GPU，市场需要，客户也需要，同样能卖出好价钱。

图源：雷科技

但与此同时，他们的真正发展重心必将转向自己的生态。这也是英伟达最需要警惕的事情——毕竟英伟达如今的市值，很大程度上是以其“AI基础底座”为前提计算的。一旦英伟达失去对非顶级算力卡市场的掌控，就可能逐渐回到5年前在游戏显卡市场的位置：虽是顶尖，但并非非你不可。

事实上，如果把视角拉回国内，类似的变化已经出现。以前讨论国产AI算力卡时，焦点往往是算力性能对比，讨论单卡性能距离顶尖还有多远。这个问题固然重要，但如果只盯着芯片性能本身，就会忽略另一个关键：国内云厂商正在把芯片、集群、云平台、模型服务和行业解决方案变成一个完整的AI生产系统，这才是国产AI最核心的竞争力。这不是某个人的观点，而是华&为云、阿里云等核心云服务商正在做的事情。以华&为的昇腾云服务为例，虽然屡次出圈的仍然是昇腾芯片，但华&为早已围绕昇腾算力提供云化工具链、超节点集群、模型迁移、训练推理优化和行业落地能力。

图源：微博

华&为也在把这套算力生态推向更多国产AI公司。除了前面提到的DeepSeek，还有百度、科大讯飞、智谱、MiniMax等头部AI大厂。可以说，华&为已经逐渐搭建好自己的算力生态，接下来要做的就是将更多伙伴拉上车，然后用更低的token价格去占领市场。

阿里云同样如此。他们在今年5月发布了真武M890训推一体AI芯片，而在此之前，真武810E也早已大规模部署到阿里云的灵骏智算平台中。在今年的阿里云峰会上，阿里云直接宣布平头哥真武系列AI芯片累计出货量已达56万片，年化营收规模跨入百亿级别。可以说，在学习英伟达这件事上，国内云服务厂商不仅走得更快，而且走得更早。

最强算力？不，全世界需要“最优算力”

当然，英伟达并不会因为Google开始卖TPU，就突然失去AI时代的核心位置。至少在很长一段时间里，GPU、CUDA和开发者生态，依然会是整个AI产业绕不开的标准。尤其是在大模型训练、高性能计算和通用AI开发场景中，英伟达仍然是目前最成熟且最被行业认可的选择。但问题是，AI算力市场正在进入下一个阶段。

过去大家争的是“谁的芯片更强”，而现在企业真正关心的，正在变成“谁能把算力变得更便宜”。这时候，Google、华&为云、阿里云这类云服务厂商的优势就开始显现：它们拥有海量的个人和企业客户、数据、应用和场景，同时也更擅长把各种硬件包装成一套可以直接使用的生产力系统。换句话说，AI时代真正稀缺的，已经不只是芯片本身，而是把芯片变成生产力的系统能力。

当算力越来越像水、电、宽带这样的基础资源，最终胜出的公司，未必是那个单卡性能最强的厂商，而是那个能以更低成本、更高效率，把AI算力持续交付给客户的厂商。Google开卖TPU其实是一个信号——它在提醒整个行业：AI基础设施的竞争，已经不只是芯片大战，而是系统大战。