上周，谷歌發(fā)布了自家最新（第七代）TPU芯片Ironwood。圈里又冒出來(lái)一堆炸裂體的文章，講這顆芯片如何干翻英偉達(dá)…

實(shí)際情況怎么樣呢？先說(shuō)結(jié)論：毫無(wú)機(jī)會(huì)。

今天我們就來(lái)簡(jiǎn)單分析下，谷歌要想在AI芯片領(lǐng)域干翻英偉達(dá)，總共分幾步？

雖然是掛谷歌舉例子，但也同樣適用于圈里所有玩家，包括悄悄發(fā)力、躍躍欲試甚至希望遙遙領(lǐng)先的國(guó)產(chǎn)廠商們↓

干翻英偉達(dá)，只需要五步

?搞定芯片性能：

單拼芯片本身，Ironwood確實(shí)有點(diǎn)兒東西，尤其在FP8推理、內(nèi)存容量和功耗效率上，與Blackwell旗鼓相當(dāng)。

但僅僅看推理場(chǎng)景，英偉達(dá)在低精度（FP4）和混合精度任務(wù)中的優(yōu)化，以及集群互聯(lián)技術(shù)的成熟度，仍然優(yōu)勢(shì)明顯。更不用說(shuō)高精度和訓(xùn)練場(chǎng)景。

當(dāng)然，僅僅是谷歌這一小步，對(duì)國(guó)產(chǎn)芯片廠商已經(jīng)很有難度了。不過(guò)Ironwood的思路值得借鑒，那就是鎖定推理場(chǎng)景，提升能效比，爭(zhēng)取局部領(lǐng)先。

另外，只要我們的芯片性能超過(guò)閹割版，就算是成功的第一步。

?打破生態(tài)壁壘：

即便芯片性能過(guò)關(guān)，這一步更難。

英偉達(dá)的CUDA和軟件棧是AI開發(fā)的行業(yè)標(biāo)準(zhǔn)，谷歌的TPU生態(tài)（JAX、TensorFlow）覆蓋面有限，短期內(nèi)難以吸引大量開發(fā)者遷移。

國(guó)內(nèi)芯片同樣存在這樣的尷尬，計(jì)算平臺(tái)、AI框架、開發(fā)工具鏈都需要慢慢積累。

?消除市場(chǎng)慣性：

英偉達(dá)的GPU已在80-90%的AI工作負(fù)載中占據(jù)主導(dǎo)，客戶切換成本高，Ironwood的云端專屬模式進(jìn)一步限制了其吸引力。

谷歌的困境也是國(guó)產(chǎn)AI芯片的困境，畢竟客戶不愛吃螃蟹，對(duì)國(guó)內(nèi)利好的一點(diǎn)是芯片禁運(yùn)和信創(chuàng)需求，可以推動(dòng)客戶切換。

?解鎖全棧能力：

英偉達(dá)的GPU全面覆蓋訓(xùn)練、推理和邊緣計(jì)算，適用場(chǎng)景更廣；Ironwood主要在推理上優(yōu)化，無(wú)法對(duì)抗英偉達(dá)的全棧優(yōu)勢(shì)。

從未來(lái)趨勢(shì)看，推理是大需求，訓(xùn)練是小需求，國(guó)內(nèi)AI芯片如果能主攻推理（FP8/FP6/FP4），不追求訓(xùn)練核彈，未嘗不是更好的出路。

當(dāng)然低精度高速度反而對(duì)器件和工藝的要求更高，更難做。所以千萬(wàn)不要小看N家的低精度推理優(yōu)勢(shì)。

?持續(xù)迭代創(chuàng)新：

英偉達(dá)已明確從兩年一次的架構(gòu)更新轉(zhuǎn)向每年推出一款新芯片的節(jié)奏。

2025年下半年將推出Blackwell Ultra，2026年推出Vera Rubin，2027年推出Rubin Ultra，性能預(yù)計(jì)比Hopper架構(gòu)提升數(shù)十倍，目標(biāo)支持萬(wàn)億參數(shù)模型的實(shí)時(shí)推理和訓(xùn)練。

這種節(jié)奏，谷歌跟不上，業(yè)內(nèi)也沒有廠商跟得上，不過(guò)N記的多芯片設(shè)計(jì)和先進(jìn)制程依賴TSMC，有一定供應(yīng)鏈風(fēng)險(xiǎn)（當(dāng)然，國(guó)產(chǎn)芯片供應(yīng)鏈風(fēng)險(xiǎn)更大，即便已經(jīng)正在慢慢破局）。

總而言之，雖然英偉達(dá)AI芯片面臨AMD Instinct MI系列、Intel Gaudi 3和谷歌TPU等競(jìng)品在性能和成本上逐步追趕，客戶可能轉(zhuǎn)向多元化采購(gòu)。

國(guó)內(nèi)廠商也在不斷蓄力，力求局部替代，但綜合性能、生態(tài)、市場(chǎng)、場(chǎng)景、可持續(xù)性來(lái)看，每一步都任重道遠(yuǎn)。

太長(zhǎng)不看的分界線，以下為詳細(xì)分析

第一戰(zhàn)：性能戰(zhàn)

Ironwood是谷歌首款專門針對(duì)推理優(yōu)化的TPU，旨在滿足生成式AI和復(fù)雜推理模型（比如MoE模型）的計(jì)算需求。關(guān)鍵技術(shù)亮點(diǎn)如下：

單芯片峰值性能為4,614 TFLOPs（FP8精度），集群規(guī)模可擴(kuò)展至9,216個(gè)芯片，提供42.5 Exaflops的計(jì)算能力。

谷歌聲稱這一性能是全球最強(qiáng)大超級(jí)計(jì)算機(jī)El Capitan（1.7 Exaflops，F(xiàn)P64精度）的24倍以上。聽起來(lái)很NB吧，但谷歌這里玩了數(shù)字游戲，拿FP8與FP64的比較，有點(diǎn)不講武德。

Ironwood相比前代Trillium（第六代TPU），每瓦性能提升2倍，跟第一代TPU比，更是提升3,600倍，功耗效率提升近30倍。

每芯片配備192GB高帶寬內(nèi)存（HBM），是Trillium的6倍，帶寬達(dá)7.2-7.4 TB/s。

增強(qiáng)的芯片間互聯(lián)（ICI）帶寬達(dá)1.2 Tbps（雙向），比Trillium提升1.5倍，支持大規(guī)模同步通信。（ICI相當(dāng)于谷歌的NVlink）

單項(xiàng)PK，英偉達(dá)的比較：

Ironwood單芯片4,614 TFLOPs@FP8與英偉達(dá)B200（4,500 TFLOPs@FP8）性能相當(dāng)，但B200在FP4精度下可進(jìn)一步提升吞吐量（適合低精度推理）。

Ironwood的9,216芯片集群（42.5 EFLOPs）在理論峰值上領(lǐng)先，但英偉達(dá)的NVL144集群可以提供更高FP4性能。

同時(shí)，英偉達(dá)的NVLink和NVSwitch互聯(lián)技術(shù)在高密度集群中表現(xiàn)出色，在分布式任務(wù)中優(yōu)于谷歌的ICI。

顯存方面，Ironwood的192GB HBM和7.2 TB/s帶寬領(lǐng)先于B200（141GB HBM3e，4.8 TB/s帶寬），對(duì)內(nèi)存密集型推理任務(wù)（如長(zhǎng)上下文LLM）更有優(yōu)勢(shì)。

但英偉達(dá)在HBM3e技術(shù)上更靈活，支持Micron等供應(yīng)商，在供應(yīng)鏈穩(wěn)定性上占優(yōu)。

Ironwood的能效比優(yōu)于B200，尤其在FP8推理任務(wù)中，但英偉達(dá)在FP4和稀疏計(jì)算優(yōu)化上仍有領(lǐng)先。

不過(guò)，英偉達(dá)的Blackwell平臺(tái)整體功耗偏高（單卡約700W），堪稱電老虎，可能在超大規(guī)模部署中面臨電力瓶頸。

而Ironwood在能效比上，還是占據(jù)了一定優(yōu)勢(shì)。

小結(jié)一下↓

從技術(shù)角度看，Ironwood在FP8推理性能、內(nèi)存容量和功耗效率上與英偉達(dá)Blackwell系列旗鼓相當(dāng)，甚至在特定場(chǎng)景（如內(nèi)存密集型推理）略有優(yōu)勢(shì)。

英偉達(dá)在低精度（FP4）和混合精度任務(wù)中的優(yōu)化，以及集群互聯(lián)技術(shù)的成熟度，仍使其在多樣化AI工作負(fù)載中更具競(jìng)爭(zhēng)力。

純看推理，谷歌這款芯片還比較能打，這一局算是基本打平吧。

第二戰(zhàn)：市場(chǎng)與應(yīng)用場(chǎng)景戰(zhàn)

Ironwood的定位是推理優(yōu)先和云端專屬。

Ironwood是谷歌首款專為推理設(shè)計(jì)的TPU，針對(duì)生成式AI的實(shí)時(shí)響應(yīng)需求。推理正成為AI工作負(fù)載的主導(dǎo)部分，谷歌這波操作很應(yīng)景。

同時(shí)，Ironwood僅通過(guò)Google Cloud提供（256或9,216芯片配置），不對(duì)外銷售硬件，鎖定云服務(wù)生態(tài)。

從目標(biāo)客戶看，支持Gemini、AlphaFold等前沿模型，同時(shí)吸引生成式AI初創(chuàng)企業(yè)和需要超大規(guī)模推理的客戶，比如蘋果曾用8,192個(gè)TPU v4訓(xùn)練其基礎(chǔ)模型。

英偉達(dá)的定位則是全棧覆蓋，硬件銷售+云服務(wù)并舉，其GPU同時(shí)支持訓(xùn)練和推理，覆蓋從云端到邊緣的廣泛場(chǎng)景。

銷售模式不僅提供GPU硬件，還與云大廠合作，提供GPU實(shí)例，市場(chǎng)覆蓋更廣。比如云頭牌AWS，就推出了英偉達(dá)GPU實(shí)例全家桶。

而國(guó)內(nèi)云，只要不受限的，也都會(huì)把英偉達(dá)GPU作為首選。

Ironwood高度集成于谷歌生態(tài)，適合依賴Google Cloud的客戶，但靈活性太低。

而英偉達(dá)的開放生態(tài)支持多種框架（TensorFlow、PyTorch）和部署環(huán)境，適應(yīng)性更強(qiáng)。

所以，這一局，谷歌完敗。

第三戰(zhàn)：生態(tài)與軟件支持戰(zhàn)

Ironwood與谷歌Pathways運(yùn)行時(shí)、JAX和Vertex AI深度整合，支持Gemini、Llama等模型。Pathways可高效分布式計(jì)算、跨數(shù)萬(wàn)TPU協(xié)同工作。

但是，TPU生態(tài)相對(duì)封閉，嚴(yán)重依賴谷歌的TensorFlow和JAX框架，PyTorch支持有限。（雖然vLLM近期宣布支持TPU）

谷歌云提供一站式AI服務(wù)，對(duì)初創(chuàng)企業(yè)吸引力較大。

反觀英偉達(dá)，CUDA、TensorRT、Triton Inference Server和NAIE套件支持幾乎所有主流AI框架，開發(fā)者體驗(yàn)更優(yōu)。

同時(shí)有龐大開發(fā)者社區(qū)和第三方優(yōu)化，模型遷移成本低，跨平臺(tái)兼容性強(qiáng)。

從靈活性看，英偉達(dá)的GPU可在幾乎所有云服務(wù)上部署，以及本地部署，客戶選擇余地更大。（買不起和買不到的另當(dāng)別論）

這一局，谷歌仍然毫無(wú)取勝機(jī)會(huì)。

第四戰(zhàn)：成本與價(jià)格戰(zhàn)

谷歌并未公開Ironwood的定價(jià)，但TPU歷來(lái)以高性價(jià)比著稱，尤其在Google Cloud上運(yùn)行大規(guī)模推理任務(wù)時(shí)。同時(shí)，Ironwood的能效比很不錯(cuò)。

可是這一切的前提是：客戶需完全依賴Google Cloud，初期遷移成本（如模型優(yōu)化、框架適配）可能較高。

英偉達(dá)GPU價(jià)格較高，就不用說(shuō)了，賊貴。

但其性能通用性、易用性和生態(tài)優(yōu)勢(shì)抵消了部分成本劣勢(shì)，可以大大降低客戶踩坑成本，畢竟填坑的隱形成本更高。

還有一點(diǎn)，英偉達(dá)現(xiàn)在開始推FP4推理優(yōu)化了，有機(jī)會(huì)進(jìn)一步降低推理成本，尤其在邊緣場(chǎng)景中。

這一局，仍然是英偉達(dá)的優(yōu)勢(shì)局。

第五戰(zhàn)：產(chǎn)品迭代能力戰(zhàn)

谷歌的優(yōu)勢(shì)在于自研生態(tài)垂直整合（從芯片到模型再到云服務(wù)的全棧），優(yōu)化深度推理任務(wù)。

同時(shí)自有數(shù)據(jù)中心規(guī)模巨大，自己吃狗糧就ok，同時(shí)目前大規(guī)模需求都是推理，Ironwood的定位恰好精準(zhǔn)。

但是英偉達(dá)的客戶基礎(chǔ)和開發(fā)者社區(qū)難以撼動(dòng)，短期內(nèi)Ironwood難以引發(fā)大規(guī)模切換。

更重要的是，英偉達(dá)的產(chǎn)品迭代能力，猶如已經(jīng)提速的跑車，后來(lái)者很難追趕。

比如，英偉達(dá)已明確從兩年一次的架構(gòu)更新轉(zhuǎn)向每年推出一款新芯片的節(jié)奏。

2025年下半年將推出Blackwell Ultra，2026年推出Vera Rubin，2027年推出Rubin Ultra，性能預(yù)計(jì)比Hopper架構(gòu)提升數(shù)十倍，目標(biāo)支持萬(wàn)億參數(shù)模型的實(shí)時(shí)推理和訓(xùn)練。

所以，谷歌的Ironwood更適合在推理領(lǐng)域切分市場(chǎng)份額，但其云端專屬模式很難與英偉達(dá)直接精準(zhǔn)。

其他玩家（如AMD的MI300X、AWS的Trainium、Intel的Gaudi、以及菊廠的昇騰910）雖然也在挑戰(zhàn)英偉達(dá)，但短期內(nèi)很難形成足夠威脅。

所以，干翻英偉達(dá)只需要五步，但是每一步都堪比登天路。