元股证券:ygzq.hk
AI短剧中的情节照进现实。
就在谷歌年度开发者大会进行时，AI业界领袖却毫不留情地砸场子！到底有多大怨念？
就在几天前的谷歌I/O大会进行期间，文生图AI知名企业Midjourney创始人兼CEO大卫·霍茨（ David Holz）却毫不留情地公开吐槽谷歌TPU，引发了硅谷AI圈的广泛讨论。
霍茨在X平台上表示，因为早年选择了谷歌TPU而非英伟达GPU作为核心训练基础设施，Midjourney的研究进度比本可以达到的水平落后了整整一年。“如果可以回到过去，我会一开始就完全采用英伟达芯片。”
这句话之所以具有巨大杀伤力，因为这是来自一家与谷歌有深度合作的知名AI企业，当初是谷歌云推广自家芯片的一张招牌，而且他们还靠谷歌TPU节省了三分之二的推理成本。这次吐槽相当于给英伟达做了最好的背书。
霍茨为什么如此不给谷歌面子，要在谷歌发布新芯片的时候砸场子？
一场真实代价的公开复盘
当然，霍茨不是随口抱怨，而是用真实代价做出的公开复盘。它触及了当前AI基础设施竞争最核心的矛盾：硬件性能的竞赛之外，软件生态的护城河才是真正决定胜负的战场。
要理解霍茨的懊悔，需要先厘清谷歌TPU和英伟达GPU在研究场景下的本质差异。
举个例子，GPU相当于通用并行计算的瑞士军刀。英伟达的CUDA平台从2007年就开始布局，今天已经积累了将近二十年的生态沉淀，成为AI行业通用的平台。
AI研究员最常用的框架PyTorch与CUDA深度绑定，Hugging Face上几乎所有开源模型权重默认GPU格式发布，Nsight性能分析器、NCCL通信库、TensorRT推理优化工具——这是一套完整的研究工具链。全球的AI研究员从学校开始就在CUDA上写代码，PyTorch是他们的母语。
而TPU则是另一种生态。它是专用集成电路，底层架构围绕脉动阵列设计，专门优化深度学习张量运算，在大规模稳定训练任务上效率极高。但它要求使用JAX或TensorFlow框架，对PyTorch的支持长期残缺不全。社区资源匮乏，调试工具不成熟，几乎所有的排错都要依赖谷歌自己的文档。
回到Midjourney的具体需求，他们做的是图像生成研究，需要大量自定义算子实验、快速原型迭代，以及随时调用Hugging Face生态里的扩散模型组件。这些工作在GPU+PyTorch的环境下如鱼得水，在TPU上却步履维艰。
举个简单例子，一个研究员想验证一个新想法，在GPU上可能只需要几小时；在TPU上，光是配置环境和适配框架就可能耗费几天。长期累积下来，就是霍茨所说的“落后了一年”。
当初为何选择谷歌TPU？
公告称，收入减少主要原因是即使太阳能玻璃产品销售量达到高于去年的水平，但平均售价有所下降。溢利减少主要源于固定资产减值拨备的增加。
不过需要强调的是，霍茨的吐槽专门针对研究和训练阶段。在推理阶段，这个逻辑就完全不同。这也是他们当初为什么迁移到谷歌TPU的直接动力，因为用谷歌TPU可以实打实地省钱，而且不用和巨头们争抢英伟达显卡。
早在2023年，谷歌云就高调官宣，Midjourney 已经选择谷歌作为其核心基础设施供应商。Midjourney 利用谷歌的 TPU v4/v5（基于 JAX 框架）来训练其第四代和第五代的文生图大模型；同时，租用谷歌云上的 英伟达 GPU 集群，来处理全球用户数以亿计的日常生成推理。
Midjourney的选择很现实。当时英伟达的 H100 被抢疯了，Midjourney 作为一个没有巨头撑腰的独立AI公司，根本排不上号。而谷歌的 TPU 算力管够，且对图像这种大规模矩阵运算的性价比（可以省下六成的成本）在纸面上非常诱人。
2025年第二季度，Midjourney将主力推理集群也从英伟达A100/H100迁移到谷歌Cloud TPU v6e，月度推理支出从约210万美元骤降至70万美元以下，年化节省超过1680万美元，回本周期仅11天。
换句话说，TPU在规模化推理上的性价比优势是真实的。霍茨真正懊恼的是：自己应该在研究阶段用英伟达打磨模型，推理阶段再迁移到谷歌TPU降本；而不是从一开始就在TPU上做研究，为此付出一年的进度代价。
英伟达护城河是生态？
霍茨的公开吐槽，本质上是一份对英伟达生态护城河的证词。英伟达的护城河不在于H100比TPU快多少，而在于无数研究员的工作习惯、数以万计的开源代码库，以及整个学术界默认GPU作为实验平台的行业惯性。
2026年，PyTorch在研究论文中的占有率仍高达85%。几乎所有前沿研究的代码都基于英伟达硬件。这意味着，任何想要使用TPU做研究的团队，都必须承担一个隐性成本：将自己与主流社区隔离，放弃大量现成的工具和资源，在一个相对小众的技术栈里独自探索。
这就是为什么即便TPU在某些指标上已经与GPU相当甚至更优，业界大多数研究实验室仍然默认选择GPU。或许硬件性能可以追赶，生态积累无法速成。黄仁勋花了将近二十年时间建造的这条护城河，正是英伟达最值钱的资产。
谷歌显然意识到了问题所在。在今年的谷歌云Next大会上，谷歌发布了第八代TPU，并首次采用双芯片策略：TPU 8t（训练）和TPU 8i（推理）。这是TPU历史上第一次将训练和推理分拆成两颗架构完全不同的专用芯片，就是为了解决霍茨吐槽的问题。
TPU 8t代号Sunfish，由博通合作设计，面向大规模预训练。超级Pod规模达9600颗芯片、共享2PB HBM，训练性价比比上代Ironwood提升2.7倍。TPU 8i代号Zebrafish，由联发科设计，专攻推理和serving，将片上SRAM扩大至384MB，芯片互联带宽翻倍至19.2 Tb/s，并引入全新的Boardfly网络拓扑，将1024芯片配置的最大网络跳数从16跳降至7跳，在大型MoE模型低延迟推理上性价比比Ironwood提升80%。两款芯片采用台积电2纳米工艺，预计2027年量产。
谷歌这次双芯片战略本身就是一次重要的战略承认：训练和推理已经分化成两种完全不同形状的工作负载，一颗芯片无法再同时优化两端。这与英伟达“一块GPU通吃”的路线形成了鲜明对比，也是谷歌对英伟达Vera Rubin NVL72和亚马逊Trainium3的正面回击。
而且谷歌这次不只是发布了新硬件。针对霍茨对TPU生态的抱怨，谷歌同步推出了TorchTPU项目——一个让PyTorch原生运行在TPU上的工程计划，目前处于预览版状态。
按照谷歌的路线图，TorchTPU将支持PyTorch的Eager Mode、与vLLM和TorchTitan深度集成、并最终实现到完整Pod规模的线性扩展。如果TorchTPU真正成熟，那些坚守PyTorch的研究团队将第一次能够在不重写代码的前提下使用TPU。
然而，TorchTPU目前仍是预览版，不是正式发布版。霍茨那种“改个架构、调个算子、快速验证想法”的研究工作流，在TPU 8t上是否真的像在H100上一样顺滑，还需要大量实战验证。一扇门已经打开，但门后的路有多平坦，2027年正式量产之后才能见分晓。
Claude为什么横跨三平台？
如果Midjourney对TPU的训练生态有这么多不满的话，那么现在AI行业新领头羊Anthropic是怎么解决脚踏三条船的挑战的？要知道他们同时在英伟达GPU、谷歌TPU和亚马逊Trainium三套硬件上训练和运行Claude。
Anthropic原本是处于AI第一集团的追赶者角色，财力远远不能和谷歌和OpenAI相比，因此他们接受了谷歌和亚马逊的巨额投资，交换条件之一就是使用这两个巨头的TPU和Trainium芯片。
谷歌和亚马逊都是Anthropic的战略投资者，两家巨头先后给Anthropic投资了近100亿美元。再加上微软投资的50亿美元，相当于全球三大云计算巨头在合力供养着Anthropic。
巨头们可不是单纯的财务投资。这些投资有一大部分都折现成了谷歌和亚马逊的营收，因为Anthropic目前使用着超过百万张亚马逊Trainium芯片，专门用于训练和部署最新的Claude模型，同时使用着数十万张谷歌TPU，并计划在未来逐步拓展到百万TPU阵列。
与此同时，谷歌云、AWS以及微软Azure也是Claude在全球B端市场的主要分发平台。三大万亿级巨头都想用自己的销售网络帮Claude卖货，自己获得营收提成，更重要的是，把算力流量留在自家的服务器里，同时搭售自家的云服务。
这种全面通吃的局面，也让 Anthropic 成为硅谷历史上成长速度最快、底牌最足的独立AI巨头。最近他们还与SpaceX达成了算力租赁协议，每年要支付150亿美元使用马斯克在田纳西州超算中心囤积的英伟达GPU芯片带来的算力。
那么，Anthropic是怎么做到同时使用三大平台芯片的？
配资炒股Anthropic官方表述是：不同工作负载匹配最适合的芯片。英伟达GPU承接研究实验和快速原型；谷歌TPU和亚马逊Trainium分别承接大规模训练和推理的主力工作负载，两家超级计算机供应商之间形成制衡，防止单一平台绑架定价权。
Anthropic与亚马逊的合作规模尤其引人注目。双方已签署协议，Anthropic将在未来十年向AWS投入超过1000亿美元，获得最多5吉瓦的算力容量，覆盖Trainium2到Trainium4。
有趣的是，在最新谷歌云Next大会宣布与Anthropic深入合作的时候，亚马逊站出来“公开邀赏”，声称Claude的训练完全在Trainium上完成，Project Rainier——这个目前运行超过100万颗Trainium2芯片的集群——是全球最大的AI训练集群之一。
与此同时，Anthropic在谷歌Cloud Next大会前不久宣布扩大与谷歌和博通的合作，获得多吉瓦的下一代TPU容量，预计2027年投入使用。
Anthropic靠什么脚踩三条船？
Anthropic能走出这条路，有一个关键的技术DNA：公司核心创始团队来自Google Brain，JAX是他们的母语。从一开始，Anthropic就将JAX作为核心训练框架——JAX的设计哲学是硬件无关，同一套代码通过XLA编译器可以在GPU、TPU乃至Trainium上运行。
这与Midjourney的路径恰好相反：Midjourney先在PyTorch+GPU的生态里建好研究工作流，再试图迁移到TPU，迁移成本才造成了一年的损失。
然而这种多平台策略也是有代价的，Anthropic每次模型更新都要在三套架构上分别测试，每个bug都有三个潜在成因，部署复杂度是单一平台方案的三倍。这是三平台策略必须承付的工程账单。
谷歌的 TPU 体系基于传统的 JAX 和 XLA 编译器。亚马逊的 Trainium 体系则基于 AWS 自研的 Neuron SDK。 这意味着，Anthropic 核心的分布式训练框架，不能直接平移。
因此，Anthropic的工程团队必须派驻顶尖的底层硬件优化专家，与谷歌和亚马逊的芯片团队闭门联合开发，将复杂的算子、混合精度训练代码，用三套完全不同的硬件底层汇编逻辑重写并优化。这种人力成本和时间沉淀，确实远超纯粹使用英伟达生态的 OpenAI。
相比之下，Midjourney 的团队规模极小，根本没有 Anthropic 那种可以跟巨头芯片团队闭门魔改底层的千人工程兵团。在面对 TPU小众的 JAX/XLA 编译环境时，一旦遇到诡异的硬件级 Bug，整个团队只能停工去死磕底层代码。
此外，2025年8至9月，Claude用户报告了明显的性能下降。Anthropic的事后复盘披露了三个独立的基础设施漏洞：上下文窗口路由错误影响了某一平台上16%的Sonnet 4请求；TPU服务器配置错误导致Opus 4和Sonnet 4输出损坏；XLA编译器漏洞困扰Haiku 3.5长达两周。
Anthropic在自己的研究论文中反复强调：不要使用复杂的框架，保持架构的极度简单与可组合性。模型层设计得越纯粹、越少花活，在面对多芯片平台交叉测试时，底层暴露出的硬件 Bug 就越少，从而用“设计上的克制”化解了“平台上的繁复”。
付出了这笔高昂的工程账单后，Anthropic 收获了全行业最羡慕的果实。根据最新的 TCO（总拥有成本）数据，谷歌 TPU 和亚马逊 Trainium 在大规模推理时的性价比，比英伟达平台整整高出 50% 以上。
相比较OpenAI 赌的是“英伟达纯血生态+ Stargate 级单点超大算力”；而 Anthropic 则是用三倍的工程成本，硬生生把自己逼成了一个“跨平台黏合体”。
这种底层基建的全面跑通，让 Claude 在如今多模态智能体大规模并发、大流量吞吐的工业落地战役中，拥有了全行业最便宜、最不被单一方卡脖子的无限算力大后方。这就是多平台策略牺牲短期人力、换取长期战略制高点的终极兑现。
未来格局：专用芯片时代的竞争逻辑
话题回到霍茨的那条推文，某种程度上是AI基础设施进入新阶段的一个缩影。接下来几年的竞争格局，已经开始清晰。
训练侧的格局是：英伟达仍然是研究实验和快速迭代的首选平台，但在超大规模稳定训练上，TPU和Trainium正在以性价比优势侵蚀份额。谷歌TPU 8t的2.7倍性价比提升、亚马逊Trainium3的持续进化，意味着前沿AI实验室将越来越倾向于“研究用GPU、训练用专用芯片”的混合策略。
推理侧的格局更加有利于挑战者。推理是AI基础设施中增速最快的部分——2026年初推理已占AI算力总支出的55%，预计到2030年将占75%。在这个场景下，TPU和Trainium的专用优化能带来Midjourney那样65%的成本削减，经济账算得通。谷歌TPU 8i正是针对这一趋势的定向武器。
生态侧的战局则更为长期。TorchTPU能否真正让PyTorch研究员无缝迁移到TPU，是谷歌2027年最重要的挑战。亚马逊的策略则更为务实：Trainium与PyTorch的兼容性一直是其主打卖点，通过Bedrock平台上十万家以上的企业客户积累，正在悄悄构建自己的应用层生态。
但英伟达绝不会坐视对手侵蚀自己的护城河，CUDA的持续进化和Blackwell架构的推出，是对“GPU不是研究唯一选择”论调的最直接反击。
供给侧的变量也同样值得关注，谷歌TPU的大规模量产受制于台积电的先进封装产能，原计划2026年达到400万颗的目标已推迟至2027年。台积电现有AP8工厂已满负荷，新的AP7平台首期产能已全部分配给苹果处理器，第二期年底才能投入。这意味着即便需求旺盛，TPU的供给在2026年仍将是制约因素，反而给英伟达留下了缓冲空间。
对大多数中小型AI公司而言，霍茨的懊恼仍然具有实际意义：研究阶段全用英伟达，生态摩擦最低，迭代速度最快。等到模型架构稳定、推理规模上来，再评估TPU迁移的经济账。这不是因为英伟达更好，而是因为生态成本在规模较小时会压倒硬件成本。
对Anthropic这个量级的前沿实验室，三平台策略的逻辑截然不同：它不只是为了省钱，而是为了确保在任何单一供应商出现问题时，Claude的训练和服务都不会中断；同时用多平台需求作为筹码，在与亚马逊和谷歌的谈判中保持议价能力。
硬件性能vs生态效率，性价比vs研究速度，专用优化vs通用灵活，这是当前AI芯片战争最核心的几大矛盾张力。谷歌用双TPU战略试图两端兼顾，亚马逊用Trainium的兼容性策略绕过生态壁垒，英伟达则用二十年积累的软件护城河抵御所有挑战者。
没有人能买到所有筹码，也没有哪家公司的选择是错的券商杠杆，都要付出不同的代价。在AI基础设施的棋盘上，芯片性能早已不是唯一的计分方式。（新浪科技）
海量资讯、精准解读，尽在新浪财经APP
正规配资炒股提示：本文来自互联网，不代表本网站观点。