对于中国同行而言，这既是一面可供参照的镜子，也是一种无形中的鞭策。它揭示了一个规律：软件企业的终极形态，或许在于芯片；而芯片的终极形态，则依赖于超过十年的系统性耐心。
01 一个被低估的玩家
一个常被忽略的现象是：在中文网络环境中，谷歌始终被贴上“软件公司”的标签。当提及芯片时，人们本能地会联想到英特尔、AMD、英伟达，或是高通、台积电，甚至扎克伯格与英伟达CEO黄仁勋那件标志性的皮衣。
然而，若将时间跨度拉长，得出的结论令人警醒：在全球互联网企业中，将自研芯片推进得最深入、最体系化、最具可持续性的，恰恰是谷歌。
没有其他公司能与之匹敌。
这种认知偏差背后，有一个朴素且深刻的根本原因——美国的半导体产业基础实在太“雄厚”了。英特尔、AMD、英伟达、高通、博通、美满电子，随便挑出一家，都是横跨全球的行业巨头。在这样一个芯片资源如此丰富的国家里，谷歌的TPU长期扮演着“内部工具”的角色，不直接对外销售，自然难以吸引外界的目光。它只是硅谷巨头宏大叙事中的一个脚注。
直到2026年，这个脚注才演变成了故事的主线。
02 十年默默耕耘，一朝惊艳亮相
谷歌造芯的故事，始于2015年。
那一年，AlphaGo击败李世石，震惊世界。但很少有人意识到，AlphaGo每一步落子的背后，都依赖于谷歌刚刚成功研发的专用芯片——第一代TPU（张量处理单元）。它并非为通用计算而设计，而是专注于一件事：优化矩阵乘法运算。
这体现了谷歌战略眼光中最犀利之处。当整个行业还在争论“CPU是否够用、GPU是否是未来”时，谷歌已从自身搜索引擎、广告系统、YouTube推荐等庞大的数据负载中敏锐地预判：AI的算力需求将呈指数级增长，通用芯片迟早会成为成本瓶颈。不如自行研发。
2017年，TPU v2引入BF16格式，开始支持训练；2018年，TPU v3配合大规模液冷系统上线；2024年，第六代Trillium发布，性能较上一代提升4.7倍，能效提升67%，承担起Gemini大模型的训练任务；2025年，第七代Ironwood将单芯片FP8峰值算力推至4614 TFLOPS；2026年4月，第八代TPU更是首次拆分出TPU 8t（训练）与TPU 8i（推理）两条产品线，实现了从“通用大算力”到“任务分级”的成熟跨越。
这条演进曲线最值得产业界深思的是：没有一代产品是“噱头式发布”，每一代都真实部署在谷歌自身的搜索、广告、YouTube推荐以及Gemini训练和推理中。芯片是一个资本黑洞型行业，没有庞大的内部需求作为支撑，任何自研芯片项目都难以撑过三代迭代——这一点，中国同行体会尤为深刻。
03 真正的分水岭：自用还是销售？
这正是我们以“竞合”视角最想强调的竞争格局差异。
在中文互联网圈，百度昆仑芯常被拿来与谷歌TPU比较。客观而言，昆仑芯是中国互联网公司自研芯片的代表作，技术积累与工程能力均属上乘。但如果严格对照谷歌，两者的差距并不在于芯片本身，而在于商业化的广度：谷歌的TPU不仅自用，还作为谷歌云的核心算力对外提供服务，如今更是直接销售给第三方客户；而包括昆仑芯在内的中国互联网公司自研芯片，绝大多数仍停留在自用阶段，难以形成对外规模化供给。
当然，中国并非没有对外提供芯片的力量——寒武纪、燧原、壁仞、沐曦等独立芯片公司正在奋起直追，构成了中国AI算力产业蓬勃向上的一面。但这里有一个关键区别：中国的芯片供给主要来自“分散的创业公司”，而美国的芯片供给则来自“巨头亲自下场”。前者在融资、流片、生态建设上步步惊心；后者则背靠每年千亿美元级的资本开支、自家万亿级参数的模型消耗量，以及完整的云计算分发渠道。
2026年的几个标志性事件，让这场格局变化彻底浮出水面：
•Anthropic的天价订单：2025年10月，谷歌承诺向Anthropic供应最多100万块TPU，价值数百亿美元；2026年4月，Anthropic再下数吉瓦规模的TPU订单。最大竞争对手之一的算力命脉掌握在谷歌手中——这在商业史上几乎是前所未有的一幕。
•Meta租赁谷歌TPU：极度缺算力的Meta被曝签下数十亿美元合同，租赁谷歌TPU集群。
•蚂蚁集团的200%提升：2026年8月，Google I/O Connect China上披露，蚂蚁集团将高强度计算负载迁移至谷歌TPU v7，实现了200%的训练性能提升。
•吞链式的资本运作：2026年8月，谷歌与迈威尔科技达成协议，后者为其定制AI推理加速器、存储控制器等，接入TPU生态；谷歌最多以121.82亿美元投资，持股约6.7%。
至此，谷歌完成了从“自用芯片”到“芯片+云服务+投资绑定”的三级火箭闭环。CFO阿什克纳齐在财报会上坦言：2026年TPU收入只占一小部分，大部分订单将在2027年兑现。换句话说，这盘大棋，谷歌自己才刚刚落子。
04 为何无人提前察觉？竞争格局的“盲区”
现在回答那个核心问题：为什么谷歌做了十年芯片，产业界却长期视而不见？
第一，英伟达的“光环”过于耀眼。在AI芯片的叙事领域，英伟达几乎垄断了话题定义权。CUDA生态二十年的积累，使“GPU=AI算力”成为行业的肌肉记忆。相比之下，TPU的JAX/XLA生态门槛更高、心智占有率更低。这既是真实的短板，也是认知上的遮蔽。
第二，谷歌的商业模式天然“低调”。英特尔卖芯片，AMD卖芯片，英伟达卖芯片——而谷歌长期将TPU藏在自己的数据中心墙内。一项不外销的技术，在资本市场上是“成本项”而非“收入项”，媒体自然缺乏报道的切入点。直到2026年二季度开始向第三方数据中心交付，TPU才第一次以“商品”的身份进入公众视野。
第三，也是最容易被低估的：体系化能力。谷歌真正的护城河并非某一块芯片，而是芯片—模型—编译器—网络—数据中心—云的垂直一体化。自研的光学电路交换机（OCS）支持Pod内网络拓扑动态重构；XLA编译器将软硬协同的效率压榨到极致；DeepMind又能预判未来模型形态、提前锁定架构方向。这种“全栈自研、内生迭代”的能力，是单纯购买英伟达GPU的公司永远无法复制的。有分析指出，谷歌TPU在自有优化负载上的性价比可达英伟达方案的数倍。
05 竞合棋局：谷歌的三重身份
从产业竞争与合作的交叉点审视，谷歌实际上同时扮演着三个角色：
对英伟达而言，它是挑战者。TPU出货量2025年约250万片，2026年目标上调50%，总量预计突破370万片；在推理市场，ASIC正按IDC预测从2024年15%的份额向2030年80%的预测值狂奔。谷歌正是这条替代曲线的最大推动者。
对OpenAI、Meta、Anthropic等公司而言，它既竞争又共生。它用Gemini与所有人争夺模型地位，同时将TPU卖给他们、租给他们。2022年谷歌资本开支约310亿美元，2026年预计飙升至约1800亿美元，自研芯片是投入核心。
对中国同行而言，它是一面镜子，也是一种鞭策。它证明了一个事实：软件企业的尽头，可能是芯片；而芯片的尽头，是十年以上的系统性耐心。蚂蚁集团迁移至TPU的案例还提醒我们：当芯片变成云服务的一部分，算力竞争的边界早已跨越国界。
06 结语
回到标题的那句话：谷歌的芯片，不容小视。
它并非某一颗芯片的胜利，而是一种范式的胜利——需求定义芯片，体系决定胜负。在一个被英伟达光芒照得刺眼的时代，谷歌用十年时间默默建成了一座算力帝国，然后在一个恰当的年份，将其转化为商业。
对产业界而言，忽视它的代价，可能比想象中来得更快。而对中国的AI芯片产业来说，寒武纪、沐曦等公司的奋起直追固然可贵，但更深层的问题仍在：我们能否出现一个既有顶级自用需求、又有开放分发能力的平台级玩家？
这场竞赛，或许才刚刚开始。
本文来自微信公众号“竞合人工智能”，作者：竞合，36氪经授权发布。
