2025 年的AI 芯片市場正處于一個微妙的轉捩點。盡管英偉達憑借其Blackwell 架構仍維持著技術和市場占有率的絕對領先地位，但Google( GOOGL-US ) TPU 的全面商業化，正使英偉達看似牢不可破的定價權開始松動。

據半導體行業研究機構SemiAnalysis 的測算，英偉達過去的最大客戶Google，如今已成為其最大的對手。

隨著Anthropic 高達1GW 的TPU 采購細節曝光，Google 已正式脫離「云服務商」的標簽，轉型為一家直接向外部出售高性能芯片與系統的「商用芯片供應商」。

當頂級AI 實驗室能夠利用TPU 訓練出超越GPT-4 的模型，且Google 愿意開放軟體生態并提供金融杠桿時，英偉達高達75% 的毛利率神話便不再牢不可破。

Google「主動出擊」：Anthropic 成關鍵引爆點

長期以來，Google 的TPU 猶如其搜尋演算法，是深藏不露的內部核武器。然而，SemiAnalysis 獲取的供應鏈情報顯示，這一策略已發生根本性逆轉。

最直接的案例來自頂級大模型公司Anthropic。 Anthropic 已確認將部署超過100 萬顆TPU，這筆交易的結構極具破壞力，揭示了Google 「混合銷售」的新模式：

直接銷售： 首批約40 萬顆最新的TPUv7 ，將不再透過云端租賃，而是由長期合作伙伴博通( AVGO-US ) 直接出售給Anthropic，價值約100 億美元。博通在本次交易中從幕后走向臺前，成為算力轉移的隱形贏家。

云端租賃： 剩余的60 萬顆TPUv7 將透過Google 云進行租賃，涉及高達420 億美元的剩余履約義務（RPO），直接支撐了Google 云近期積壓訂單的暴漲。

這代表，Google 不再吝嗇于將最先進的算力外售。除了Anthropic，Meta( META-US ) 、SSI、xAI 等頂級AI 實驗室也出現在了潛在客戶名單中。

面對這一突如其來的攻勢，英偉達罕見地展現出防御姿態，不得不針對「循環經濟」（即投資初創公司購買自家芯片）的市場質疑發布長文辯解，凸顯英偉達確實受到威脅。

成本為王：TPU 的碾壓性TCO 優勢

客戶轉向Google 的理由很純粹：在AI 軍備競賽中，性能是入場券，但總擁有成本（TCO）決定生死。

SemiAnalysis 的模型數據顯示，Google TPUv7 在成本效率上對英偉達構成碾壓優勢。

從Google 內部視角看，TPUv7 伺服器的TCO 比英偉達GB200 伺服器低約44%。即便加上Google 和博通的利潤，Anthropic 透過GCP 使用TPU 的TCO，仍比購買GB200 低約30%。

這種成本優勢并非僅靠壓低芯片價格實現，更源于Google 獨特的金融工程創新：透過云端平臺提供財務保障。

在AI 基礎設施建設中，存在一個明顯的期限錯配：GPU 集群的經濟使用壽命通常只有4 到5 年，而數據中心場地的租賃合約則長達15 年以上。

這種時間上的不匹配，使得Fluidstack、TeraWulf 等新興算力服務商很難獲得融資。

針對這個問題，Google 利用一種「表外信貸支持」（IOU）機制來解決這一問題：如果中間商無法支付租金，Google 會介入提供財務擔保，確保算力資源得以穩定運作。

這項金融工具直接打通了加密貨幣礦工（擁有電力與場地）與AI 算力需求之間的堵點，建立了一個低成本、獨立于英偉達生態之外的基礎設施體系。

Google 殺手锏：系統工程與光互連技術

如果說價格戰是戰術層面的對壘，那么系統工程則是Google 戰略層面的護城河。

雖然單顆TPUv7 在理論峰值算力（FLOPs）上略遜于英偉達Blackwell，但Google 透過極致的系統設計抹平了差距。

TPUv7 在記憶體頻寬和容量上已大幅縮小與英偉達旗艦芯片的差距，采用了更務實的設計哲學：不追求不可持續的峰值頻率，而是透過更高的模型算力利用率（MFU）來提升實際產出。

更值得注意的是，Google 真正的殺手锏是其獨步天下的光互連（ICI）技術。不同于英偉達依賴昂貴的NVLink 和InfiniBand/Ethernet 交換機，Google 利用自研的光路交換機（OCS）和3D Torus 拓撲結構，建構了名為ICI 的片間互連網路。

這一架構允許單個TPUv7 集群（Pod）擴展至驚人的9,216 顆芯片，遠超英偉達常見的64 或72 卡集群。 OCS 允許透過軟體定義網路，動態重構拓撲結構。

這代表如果某部分芯片故障，網路可以在毫秒級繞過故障點，重新「切片」成完整的3D 環面，極大地提升了集群的可用性，且光訊號在OCS 中無需進行光電轉換，直接物理反射，大幅降低了功耗和延遲。

Gemini 3 和Claude 4.5 Opus 這兩大全球最強模型均完全在TPU 上完成預訓練，這本身就是對TPU 系統處理「尖端模型預訓練」這一最高難度任務能力的終極背書。

Google拆除最后的圍墻：軟體生態的改變

長期以來，TPU 在外部市場的普及一直受到軟體生態的限制。 Google 堅持使用自家JAX 語言，而大多數全球AI 開發者則習慣于PyTorch 與CUDA。

然而，隨著商業利益的擴大，Google 開始調整策略。

SemiAnalysis 指出，Google 軟體團隊的績效指標（KPI）已經從「服務內部需求」轉向「開放與兼容外部生態」。官方明確表示，將全面支持PyTorch Native 在TPU 上的運行。

原本依賴低效率的Lazy Tensor 轉換的方式，也被XLA 編譯器直接對接PyTorch Eager Execution 模式所取代。

這代表，像Meta 這類以PyTorch 為主的公司，可以幾乎無縫地將現有程式碼部署到TPU 上。

同時，Google 也積極向vLLM、SGLang 等開源推理框架貢獻程式碼，進一步打通TPU 在開源AI 生態中的兼容性。

這一策略轉變，正在逐步削弱英偉達原本牢不可破的「CUDA 護城河」。隨著軟體與硬體的雙重進攻，矽谷AI 算力霸主之爭才剛揭開序幕。