新智元报道
编辑：好困桃子
去 GPU 化的浪潮，已经拦不住了！OpenAI 嫌英伟达太慢，Anthropic 砸 1486 亿投奔 TPU，老黄被迫 200 亿天价收购「叛徒」自救。如今，算力军备赛正式进入能效为王的新时代：谁先卡住「每焦耳每微秒」的极限，谁或许就是下一个十年的霸主。
再过两周，黄仁勋将站上 GTC 2026 的舞台。
他提前放了话：「我们准备了几款世界上前所未见的全新芯片。」
底气来自一份炸裂的成绩单——
英伟达 2026 财年年收入 2159 亿美元，净利润翻倍，数据中心业务三年翻了 13 倍。
在财报电话会上，CFO 直接甩出一个数字：客户已经部署了 9 吉瓦的 Blackwell 基础设施！
但诡异的一幕出现了。
财报发布当晚，英伟达盘后一度涨超4%。随后股价悄然转跌，次日直接低开低走，收跌 5.46%，一夜蒸发数千亿美元市值。
华尔街不是看不懂数字，是看懂了趋势。
前有 Anthropic 甩出 210 亿美元订单，全面采购基于谷歌 TPU 的算力系统；后有 Meta 跟谷歌签下数十亿美元芯片大单，大规模租用 TPU 训练模型。
为了给编程带来接近实时的响应体验，OpenAI 更是历史上首次将主力级产品 GPT-5.3-Codex-Spark，部署在了更低延迟与更低能耗的非 GPU 芯片 Cerebras 上。
英伟达最大的几个客户，正在集体分散筹码。
全球 AI 芯片中 GPU 架构和非 GPU 架构比例（数据来源：高盛全球投资研究部）
根据摩根大通的产能报告，谷歌计划在 2027 年部署 600 至 700 万颗 TPU，大部分供给 Anthropic、OpenAI、Meta 和苹果等外部客户。
高盛投资研究部的模型显示，全球 AI 服务器中非 GPU 芯片出货占比，将从 2024 年的 36% 升至 2027 年的 45%。
类似的，IDC 也预测，到 2028 年，中国非 GPU 服务器市场规模占比将逼近 50%。
GPU 的致命短板
一个更深层的转折正在发生：AI 的竞争焦点，正从单纯的算力规模，转向对能效比与延迟的极致追求。
过去拼谁卡多、谁集群大。
现在拼的是，同样花一块钱，谁能吐出更多 Token。
「每美元产生的 Token 数」正在取代峰值算力，成为衡量芯片商业价值的核心指标。
究其原因在于，GPU 的架构决定了，每次计算时数据都要在外部显存和计算单元之间来回搬运。
路径长、次数多，能耗就高、延迟就大。堆更多卡解决不了这个问题。
路透社爆料，OpenAI 已多次表达对英伟达芯片的「不满」——响应速度没达预期，在代码生成产品 Codex 上感受尤为明显。
压力迫使英伟达这条「巨龙」寻求改变。
图灵奖得主 David Patterson 教授在最新研究中指出，大模型每次 token 生成都绕不开数据搬运，而搬运能耗远高于计算本身。
未来的核心命题是「让数据离计算更近」。
为此，他给出了三个 AI 芯片的演进方向：近内存处理、3D 堆叠、低延迟互连。
实际上，这些都指向同一件事——用架构创新降低数据搬运的能耗和延迟。
换句话说就是，谁能用更低的能耗、更低的延迟跑通下一代模型，谁就能在未来十年的算力牌桌上占得先机。
谷歌 TPU 杀向商用市场
一直以来，谷歌 TPU 专供自家大模型训练和推理，外人用不到。
去年开始，谷歌把 TPU 推向了商用。
订单随即涌入。
博通 CEO 透露，Anthropic 下了 210 亿美元的大单；Meta 签下数十亿美元 TPU 租赁协议；潜在客户还包括苹果和已与 SpaceX 合并的 xAI。
原因不难理解。大模型进入规模化落地阶段，算力需求爆发、成本压力加剧，单一依赖 GPU 的瓶颈越来越明显。而谷歌 TPU 的性能，已经具备与顶级 GPU 分庭抗礼的实力。
2025 年推出的第七代 TPU，是谷歌迄今为止性能最高、可扩展性最强的 AI 芯片——
单芯片峰值算力 4614 TFLOPS（FP8 精度），最大集群 9216 颗芯片、总算力达 42.5 EFLOPS。
划重点：TPU v7 在同等算力输出下功耗仅为英伟达 B200 的 40% 至 50%。
不仅如此，谷歌自研的光电路交换机（OCS）技术，还让万卡级集群实现近乎线性的加速比。相比之下，传统 GPU 集群规模越大，通信损耗越严重；而 TPU 集群基本不吃这个亏。
Google TPU v5e、v5p、v6、v7 芯片关键性能对比
谷歌 TPU 崛起还有更为直接的例证：在 TPU 上训练的 Gemini 3，在多个权威基准测试中位居榜首，为业界顶尖模型之一。
回到成本账上。
TPU 凭借 AI 专用架构带来的2-4 倍能效优势，将大模型推理的综合成本相比 GPU 拉低 50% 以上。而这正是 Anthropic、Meta 们用订单投票的根本逻辑。
当下，大多数大模型企业已经在用 TPU+GPU 的组合来缓解成本压力。
去年 11 月，半导体研究机构 SemiAnalysis 对比大模型公司的采购成本后发现：与 OpenAI 相比，同时使用 TPU 与 GPU 的 Anthropic，在与英伟达谈判时拥有更强的议价权。
手里有 TPU，就多了一张跟老黄讨价还价的牌。未来头部 AI 公司大概率都会走「多芯片并行」路线。
OpenAI 与 Anthropic 购买算力的成本对比
性能跨越式提升，顶尖大模型规模化验证，头部公司主动布局——TPU 已从算力产业的补充路线，升级为主流路线。
英伟达一家独大的格局，正在被改写。
十年磨一剑
「TPU 之父」要造下一代 AI 芯片
2025 年底，英伟达斥资 200 亿美元，拿下 AI 芯片创企 Groq 的核心技术和团队。
这是英伟达史上最大的一笔交易，溢价近三倍。
Groq 创始人 Jonathan Ross，被称为「TPU 之父」，谷歌 TPU 的核心设计者之一。离开谷歌后，他创立 Groq 的目标很明确：做一颗超越谷歌 TPU 的芯片。
两者的差异在架构。
谷歌 TPU 走的是「固定架构+集群扩展」路线。
其中，芯片内部搭载固定计算单元，依托二维数据流运算；芯片间通过 3D Torus 拓扑实现高效互联。架构稳定，但灵活性有限。
谷歌 TPU 架构
Groq 的 TSP（Tensor Streaming Processor）则是一种「软件定义硬件」的数据流处理器。
其核心理念是，通过构建可重构的软硬件系统，在保持可编程性的同时，达到接近 ASIC 的极致性能。
具体来说，芯片内部做了功能切片化微架构设计，配合软件层的灵活配置，可根据不同任务实时调整计算逻辑和数据流路径。
同时，依托大容量片上 SRAM 及静态调度机制，显著提升了数据访存效率并降低搬运能耗。
美国 DARPA「电子复兴计划」（ERI）高度看好「软件定义硬件」方向，将其列为国家级战略核心。这也是 Groq 被称为「高阶 TPU」的原因。
数据显示，在相同推理任务中，Groq 芯片首 token 延迟比谷歌 TPU v7 降低 20% 至 50%，每 token 成本降低 10% 至 30%。
这场芯片革命，才刚开始加速
Groq 被收编，但「高阶 TPU」的进化没停。
国内清微智能、海外 Cerebras 等公司正在高效数据流动态配置和先进集成方式上持续突破。
1. 通过 3D Chiplet 技术构建三维立体数据流架构。
具体来说，「计算核心 +3D DRAM 芯粒」的组合在垂直与水平两个维度上形成了高效的数据流计算模式，突破了传统二维架构的效率局限。
三维架构可以依据计算任务的需求和数据特性，在两个维度上灵活调度数据流，最大化缩短传输路径，降低搬运过程中的延迟与能耗，从而进一步提升整体计算效率。
2. 依托算力网格技术构建灵活数据流计算范式。
传统固定组网存在扩展性和语义适配瓶颈。而算力网格技术则可以通过灵活组网，实现 Scale up 与 Scale out 的协同。
根据 AI 任务特性，系统能实时下发数据流的动态配置信息，在多种互联拓扑结构间灵活切换、精准调度。最终降低互联延迟，充分释放数据流架构的算力。
3. 通过前沿的晶圆级芯片技术，将数据流架构的优势发挥到极致。
这项技术将数据流架构从芯片尺度扩展到整片晶圆。
在整张晶圆上高密度集成大量计算核心，计算核心间的互联距离被极大缩短。带来的结果是，互联带宽实现数量级提升，通信延迟大幅降低。
数据流架构的算力规模与计算效能由此被推到极致。这也是为什么晶圆级芯片被视为数据流计算架构的理想物理载体。
以 Cerebras 为例。
数据显示，Cerebras CS 3 系统推理性能比英伟达旗舰 DGX B200 快 21 倍，成本与功耗均降低三分之一，在算力、成本、能效上展现出显著的综合优势。
在实测中，OpenAI 的 Codex-Spark 跑出了每秒超 1000 token 的生成速度，让代码编写第一次有了实时交互的体验。
Cerebras CS-3 vs 英伟达 GPU：大模型推理速度对比
GPU 独霸的时代，回不去了
谷歌 TPU 走出围墙，OpenAI 拥抱晶圆级芯片，英伟达天价收编 Groq。
这些信号均指向同一个方向：TPU 已变成巨头们真金白银押注的主战场。
算力世界的单极时代，正在被多元架构终结。
决定下一代 AI 天花板的，不是算力堆砌的军备竞赛，而是能耗、延迟、确定性共同构成的新指标。
对国产芯片来说，这场变局既是机遇也是挑战。 跟随者只能分残羹，走出自己的底层创新之路，才有资格参与下一轮全球算力洗牌。
参考资料：
全球算力格局震荡，“高阶 TPU”崛起！
https://www.theinformation.com/articles/google-strikes-multibillion-dollar-ai-chip-deal-meta-sharpening-nvidia-rivalry
https://groq.com/newsroom/groq-and-nvidia-enter-non-exclusive-inference-technology-licensing-agreement-to-accelerate-ai-inference-at-global-scale
https://openai.com/index/introducing-gpt-5-3-codex-spark/
https://cloud.google.com/blog/products/compute/ironwood-tpus-and-new-axion-based-vms-for-your-ai-workloads
