硅谷之战：谷歌 TPU 对阵英伟达 Blackwell

关键要点

• 成本效益：Google的TPU v6（Trillium）在推理任务上比Nvidia H100/Blackwell提供4.7倍更好的每美元性能。
• 能效之王：Google的TPU在相同工作负载下消耗少67%的电力，随着数据中心能源需求飙升，这是一个关键因素。
• 新挑战者：Google的”Ironwood”（TPU v7）在保持卓越效率的同时，与Blackwell的原始性能相匹敌。
• 结论：Nvidia仍然统治训练领域，但Google正在赢得大规模AI推理的战争。

在过去三年里，“AI硬件”一直是一个名字的同义词：Nvidia。该公司的H100及后续的Blackwell芯片一直是黄金标准，为从ChatGPT到Gemini的一切提供动力。但随着AI行业从”训练”（构建模型）转向”推理”（运行模型），这个算计正在改变。

Google登场。当全世界都在争夺Nvidia的配额时，Google一直在悄悄完善自己的定制芯片：张量处理单元（TPU）。随着**Trillium（v6）和即将推出的Ironwood（v7）**架构的发布，Google不只是提供一个替代方案；他们声称在对超大规模计算商最重要的指标上占据优势：成本和能源。

这不仅仅是一场规格表之战。这是两种哲学的碰撞：通用灵活性（Nvidia）对专业化效率（Google）。这个选择将定义AI时代的经济学。

背景：来龙去脉

Nvidia的垄断

Nvidia的统治地位并非偶然。他们的CUDA软件生态系统创造了一条”护城河”，让开发者极难转换。如果你想训练一个前沿模型，你就用Nvidia GPU。就这样。这使Nvidia能够获得巨额利润，Blackwell机架的成本高达300万美元以上。

Google的持久战

Google走了一条不同的路。十多年前就意识到标准CPU和GPU无法跟上他们的AI需求，他们开始专门为自己的工作负载（搜索、地图，以及现在的Gemini）构建TPU。多年来，这些一直是内部机密。现在，它们是Google Cloud AI产品的支柱。

理解硬件

Nvidia Blackwell（B200/GB200）

Nvidia的Blackwell是一头猛兽。它被设计成”包办一切”的芯片。

• 优势：巨大的内存带宽、令人难以置信的原始计算能力，以及处理任何类型AI工作负载（训练、推理、科学模拟）的能力。
• 劣势：耗电且极其昂贵。这就像开一辆一级方程式赛车去杂货店，快，但对许多任务来说是杀鸡用牛刀。

Google Trillium（TPU v6）与Ironwood（TPU v7）

Google的TPU是精密仪器。它们剥离了GPU的图形渲染遗产，纯粹专注于矩阵数学（AI的核心）。

• 优势：极致的能源效率、光学互连（允许数千个芯片作为一台”超级计算机”协同工作），以及更低的成本。
• 劣势：编程难度更高（需要JAX/TensorFlow专业知识），对非AI任务的灵活性较差。

数据：用数字说话

这些数字为企业买家描绘了一幅鲜明的图景。

成本比较（3年TCO）

来源：AINewsHub、CloudOptimo

性能指标

• 推理：TPU v6比Nvidia当前一代提供4.7倍更好的每美元性能。
• 效率：在特定的transformer工作负载中，Google的芯片提供100%更好的每瓦性能。

行业影响

向推理的转变

随着Gemini 3和GPT-5等模型成为数十亿人使用的产品，行业支出正从训练（制造模型）转向推理（服务模型）。这正中Google下怀。Nvidia的芯片在训练方面非常出色，但对于每天服务数百万次查询来说，它们是昂贵的过度配置。

“围墙花园”效应

Google的TPU只能通过Google Cloud获得。你不能买一个TPU放在自己的数据中心里。这迫使公司做出选择：与Nvidia保持灵活性（在AWS、Azure或本地部署），还是为了更好的经济性锁定在Google的生态系统中。

挑战与限制

尽管有这些规格，Nvidia不会消失。

1. CUDA护城河：Nvidia的软件生态系统仍然遥遥领先。大多数AI研究人员是在CUDA上学习的。将代码移植到Google的JAX或TensorFlow可能是一件头疼的事。
2. 可用性：你几乎可以从任何云提供商那里租用Nvidia GPU。TPU只有Google提供。
3. 多功能性：如果你的工作负载发生变化，GPU大概能应对。TPU是专家工具；如果你的模型架构不契合其优势，性能可能会下降。

这对你意味着什么

如果你是AI初创公司：

• 研发和训练坚持使用Nvidia。灵活性值这个价钱。
• 如果达到规模，考虑将部署转移到TPU。50%的成本节约可能是盈利与破产之间的差别。

如果你是投资者：

• 随着推理成为主导工作负载，Nvidia的利润率可能面临压力。
• Google Cloud拥有尚未被完全定价的巨大结构性成本优势。

底线

这场”硅之战”不是一个芯片杀死另一个的问题；而是关于专业化。Nvidia Blackwell仍然是训练领域无可争议的王者，是创新的引擎。但Google的TPU已经征服了推理，即经济的引擎。

进入2026年，预计将看到一个分叉的市场：Nvidia拥有企业和研究云，而Google、AWS（Trainium）和Meta（MTIA）拥有超大规模计算商的内部工作负载。就目前而言，Google已经打响了一记96亿美元的警告：效率，而不仅仅是原始算力，才是AI的未来。

资料来源 (3)

• ainewshub.org Nvidia vs Google TPU 2025 Cost Comparison
• theregister.com Google's Ironwood TPUs AI
• cloudoptimo.com TPU vs GPU: What's the Difference in 2025?