一年四款芯片,谷歌把算力切成几层货架

11月9日,谷歌发布第八代TPU的两款新变体,TPU 8tx和8i Max,第八代由此扩展到四款。谷歌芯片部门过去大约两年推出一代,今年一年发了四款,节奏变了。

这两款并非全新硅设计,是在4月发布的TPU 8t与TPU 8i基础上的重新配置。8tx主打硬件级机密计算,让敏感数据和模型权重在计算过程中保持加密,瞄准政府机构、金融机构与受监管行业,主机侧搭配AMD第五代EPYC处理器。8i Max对准推理中的内存墙,采用双芯片封装,计算能力、内存容量和HBM带宽都提到8i的两倍,支持百万Token级别的超大上下文,适合药物研发、数学推理和编程这类一次要吃进大量信息的任务。

把两代产品拆成四种用途,背后是一种判断。谷歌首席技术官Amin Vahdat的说法是,未来在于专用化。算力需求正在分化,训练和推理是两件事,机密场景和长上下文也是两件事,用一颗通用芯片覆盖所有场景,效率会一路打折。

商业化也在往前走。今年4月谷歌首次向部分客户直接销售TPU系统,第三季度财报显示TPU销售已成为云业务收入的重要增长来源,客户接近100家,苹果、Meta、甲骨文在列,OpenAI也有采购计划。

护城河却不只在硅片上。英伟达最稳的一层是CUDA,很多开发者把它当作默认编程模型,迁移成本不能低估。训练市场的地位尤其稳固,有交易公司的技术负责人坦言,训练仍主要依靠英伟达。供货端也有约束,TPU需求旺盛、货源被预订一空,零部件短缺制约产能,AI基础设施支出放缓的担忧同样存在。

这件事的意义,不在于谁在某一天跑分更高,而在于算力正从一种通用的稀缺资源,变成按场景分好的几个货架。选择多了,采购方的议价空间自然打开,模型公司也多了第二条路。硬件追平只是入场券,真正决定订单归属的是软件生态和交付能力,谁能把迁移成本降下来,谁就能把性能优势变成账单上的数字。

发表评论

您的邮箱地址不会被公开。 必填项已用 * 标注