谷歌这次玩得够狠，自家AI芯片直接比TPU快6到10倍，这不是造芯，这是要造核弹吧？ 谷歌被自家AI模型逼疯了，干脆造了一款专供Gemini“开小灶”的芯片，速度直接飙到TPU的10倍，但万一模型架构换口味，这宝贝可能变砖头。 谷歌被自己养的AI怪兽逼到墙角造了个偏科芯片...

朋友问了两个问题：GPU 逻辑运算是不是不如 CPU？CPO 出来后光模块是不是就没未来了？两个问题都把系统问题压成了单点对决。本文从 CPU、GPU、TPU 的设计出发点讲起，经过内存墙、互连和软件栈，最后回到光模块，把这条线走完。不背产品参数，只讲“为什么这样设计”--参数每年都换，设计逻辑十年不变。

Kubernetes上AI、边缘计算和电信工作负载的增长，推动了对硬件管理的新需求。设备管理工作组通过动态资源分配（DRA）框架，优化GPU、TPU等硬件的配置和共享，解决了传统设备插件API的局限性。DRA已在Kubernetes 1.34中正式发布，支持更灵活的硬件需求描述和调度。

谷歌推出TPU开发者中心，旨在简化机器学习从业者与专用加速硬件的互动。该中心整合了文档、迁移指南和开发环境，目标是将模型训练时间从数周缩短至数小时，尤其适用于参数超过70亿的语言模型，显著降低训练成本和时间。

谷歌计划在2028年向英特尔下达300万颗TPU AI芯片订单，这为英特尔的晶圆制造业务提供了重要机会。随着AI需求激增，台积电的产能不足，英特尔的制造能力受到关注。英伟达也在考虑与英特尔的合作。英特尔的EMIB封装技术可能成为其竞争优势，但其交付能力仍需验证，以挑战台积电的市场地位。

谷歌与美满电子和英特尔合作，定制网络芯片以提升TPU单元性能。该芯片将由英特尔代工，预计2027年底量产，未来用于新数据中心。同时，谷歌与联发科共同开发TPUv8e，强调高效网络芯片在数据中心连接中的重要性。

Midjourney因使用谷歌TPU导致研究进度延迟一年，后悔未坚持使用英伟达芯片。硬件切换引发的软件兼容性问题和调试困难，显示出英伟达CUDA生态的优势。研究人员应专注于模型优化，而非硬件兼容性。选择芯片时，稳定性和生态系统的重要性远超成本。

谷歌向竞争对手Anthropic投资400亿美元，旨在通过资金和TPU芯片建立闭环交易，确保算力霸权。此举使谷歌在AI竞争中占据优势，强化其在云计算市场的地位。

OpenAI正式发布GPT-5.5，具备更强的任务处理能力和更少的token消耗。Meta通过内部工具监控员工操作以训练AI，引发隐私担忧。库克回顾苹果地图失误，称其为重大错误，同时自豪于Apple Watch的成就。Google推出第八代TPU，提升训练和推理性能。

谷歌发布了第八代TPU芯片，提供121 ExaFlops的算力，旨在提升AI模型训练效率。然而，Gemini模型在编程智能体和工具调用方面表现不佳，存在死亡循环和错误调用问题，导致软件体验未能充分发挥硬件的潜力。开发者社区对谷歌的优先策略表示担忧，认为应更关注软件能力的提升。

谷歌在Cloud Next上推出了TPU 8t和TPU 8i两款新芯片，分别针对训练和推理进行优化。TPU 8t适合训练，保持3D环形互连，而TPU 8i则提升内存带宽，专注于推理性能。谷歌认为，单一加速器无法同时满足这两种需求，分化是提升性价比的关键。新芯片支持裸金属访问，方便开发者使用。

黄仁勋在访谈中强调Nvidia的使命是将电子转化为Token，认为AI芯片不应被视为武器。他指出，出口限制只会加速中国芯片自主化，损害美国市场。他对未来AI需求持乐观态度，认为将推动软件工具的需求增长，并提到Nvidia的成功在于其庞大的生态系统和跨云平台的灵活性。

本文讨论了CPU、GPU和TPU的区别及适用场景。CPU适合通用计算，处理复杂逻辑；GPU通过大量核心并行处理重复性任务，如矩阵运算；TPU专为神经网络设计，优化矩阵乘法。选择处理器取决于工作负载特性。

MatX公司由前谷歌TPU员工创办，获得5亿美元融资，计划于2027年推出新型AI芯片，旨在实现高吞吐量和低延迟，挑战英伟达的市场地位。创始人Reiner Pope和Mike Gunter拥有丰富的软硬件经验，MatX将融合两种主流芯片设计理念。