絕大多數(shù)人被英偉達(dá)（Nvidia）股價的狂歡蒙蔽了雙眼，認(rèn)為GPU是AI時代的終極答案。但事實(shí)可能恰恰相反。谷歌剛剛發(fā)布的Gemini 3在各項(xiàng)基準(zhǔn)測試中霸榜，而訓(xùn)練這個史上最強(qiáng)模型的，并非英偉達(dá)的GPU，而是谷歌自研的TPU。

這不僅僅是兩家公司的商業(yè)競爭，本質(zhì)上，這是“全能工匠”與“流水線”在物理極限上的一次碰撞。

深入淺出讓你明白TPU與GPU區(qū)別

為什么英偉達(dá)的GPU在面對谷歌TPU時，會顯得“笨重”？要理解這一點(diǎn)，我們不需要復(fù)雜的計算機(jī)架構(gòu)圖，只需要理解一個熱力學(xué)概念：數(shù)據(jù)搬運(yùn)的能耗。

你可以把英偉達(dá)的GPU想象成一個塞滿了成千上萬個頂級大廚的超級廚房。這些大廚（CUDA核心）全是通才，左手能做精美的圖形渲染（切菜），右手能搞科學(xué)計算（炒菜）。

但這個廚房有一個致命的架構(gòu)缺陷——馮·諾依曼瓶頸。

在GPU的傳統(tǒng)架構(gòu)里，工作流程是這樣的：

1. 幾千個大廚聽到指令。
2. 所有人同時沖向巨大的冰柜（內(nèi)存/顯存）去拿一顆蔥。
3. 跑回案板切一刀。
4. 再跑回冰柜把蔥放回去。
5. 如果需要切第二刀，重復(fù)上述過程。

聽起來是不是很荒謬？但這正是GPU并行工作的原理。這些“大廚”在大部分時間里，并不是在計算（切菜），而是在內(nèi)存和計算單元之間進(jìn)行瘋狂的“折返跑”。

在物理學(xué)上，這種信息的移動是有代價的。數(shù)據(jù)中心的風(fēng)扇呼呼作響，電表蹭蹭上漲，大部分能量并沒有用來產(chǎn)生智能，而是變成了廢熱。這就是熵增。

谷歌的TPU（張量處理單元）做了一個極端的減法。

TPU是一個嚴(yán)重的“偏科生”。它不會渲染游戲畫面，不能做通用計算，它從誕生那天起只做一件事：矩陣運(yùn)算。因?yàn)槟繕?biāo)單一，谷歌為它設(shè)計了一種名為“脈動陣列”（Systolic Array）的架構(gòu)。

這名字聽起來很玄幻，但原理極度簡單，它就是數(shù)據(jù)層面的流水線。

在TPU里，數(shù)據(jù)像血液一樣流動。第一個處理單元切完一刀，不跑回冰柜，而是直接順手遞給旁邊的第二個單元；第二個切完遞給第三個……數(shù)據(jù)在芯片內(nèi)部一步步被榨干價值，中間完全不需要訪問內(nèi)存。

這就叫數(shù)據(jù)復(fù)用（Data Reuse）。

這意味著，做同樣的算術(shù)題，英偉達(dá)的大廚跑了十趟冰柜，累得氣喘吁吁（高能耗）；而谷歌的流水線工人在原地動動是指頭就搞定了（低能耗）。在單芯片時代，這點(diǎn)電費(fèi)微不足道；但當(dāng)你把幾萬顆芯片連在一起，日夜不停地訓(xùn)練像Gemini 3這樣的大模型幾個月時，能耗的差異就變成了天文數(shù)字的成本差異。

74%的“過路費(fèi)”與谷歌的陽謀

物理層面的降維打擊，最終會映射到商業(yè)層面的血腥屠殺。

華爾街現(xiàn)在看著英偉達(dá)的財報狂歡，但谷歌在看這財報時，看到的是巨大的套利空間。我們來看一組核心數(shù)據(jù)：英偉達(dá)的毛利率約為74%。

這意味著什么？意味著微軟、Meta、亞馬遜每花100塊錢買英偉達(dá)的卡，只有26塊錢是付給了臺積電的代工費(fèi)和物料成本，剩下的74塊錢，是交給黃仁勛的“AI時代過路費(fèi)”。

如果你是谷歌，你要訓(xùn)練Gemini 3：

• 方案A（用英偉達(dá)）：你必須頂著74%的溢價燒錢，這是極高的資本支出（CapEx）
• 方案B（用自研TPU）：芯片設(shè)計自己搞，只需付給臺積電代工費(fèi)。這74%的利潤，全部留在了自己兜里。

這就是為什么谷歌敢宣稱其TPU算力性價比是GPT-4o的24倍。這不完全是算法的奇跡，這是商業(yè)模式對物理成本的極致壓榨。谷歌是在貼著成本價跑，而競爭對手是在頂著高昂的溢價跑。

那么問題來了，既然TPU這么便宜又好用，谷歌為什么不把它像顯卡一樣賣給大眾？

這正是谷歌最高明、也最“雞賊”的地方：把肉爛在鍋里。

谷歌不賣鏟子（芯片），它賣的是“挖洞服務(wù)”（云算力）。
英偉達(dá)作為硬件廠商，必須把鏟子做得通用，還得維護(hù)龐大的銷售渠道。而谷歌的策略是：想用TPU？沒問題，來Google Cloud租服務(wù)器。

這一招極其兇狠：

1. 廣告效應(yīng)：用Gemini 3的強(qiáng)悍性能作為TPU的最佳廣告（Look，最強(qiáng)模型是用TPU訓(xùn)出來的）。
2. 客戶鎖定：吸引Anthropic、Midjourney等頭部玩家進(jìn)入谷歌云生態(tài)。
3. 避開鋒芒：避開了英偉達(dá)最堅(jiān)固的護(hù)城河——CUDA

英偉達(dá)真正的壁壘不是芯片，而是過去15年幾百萬程序員用一行行代碼堆出來的CUDA軟件生態(tài)。這道“嘆息之墻”讓無數(shù)想造芯片的公司望而卻步。但谷歌通過“只租不賣”的云服務(wù)模式，在云端屏蔽了底層硬件的差異，讓用戶在不知不覺中繞過了CUDA的壁壘，直接使用TPU的算力。

4. 結(jié)語：進(jìn)化的宿命

我們正處在一個計算架構(gòu)大遷徙的前夜。

這不僅是谷歌與英偉達(dá)的戰(zhàn)爭，更是通用計算與專用計算的周期律。在生物學(xué)中，單細(xì)胞生物往往是全能的，但隨著生命體變得復(fù)雜，必然演化出心臟、肝臟、大腦等高度專用的器官。

英偉達(dá)的GPU就是那個全能的單細(xì)胞，在AI爆發(fā)初期，它的靈活性至關(guān)重要。但在AI模型參數(shù)邁向萬億、十萬億級別的今天，能源效率和成本控制成了生死的關(guān)鍵。這時候，像TPU這樣高度進(jìn)化的“專用器官”，在物理定律的加持下，展現(xiàn)出了難以抗拒的優(yōu)勢。

英偉達(dá)并沒有輸，它依然占據(jù)著90%的市場，CUDA依然堅(jiān)不可摧。但谷歌正拿著一把名為“能效比”的鏟子，試圖挖開這道墻角。

對于我們?nèi)祟惗?，這或許是一個啟示：當(dāng)一個行業(yè)發(fā)展到極致，競爭的本質(zhì)不再是“誰能做更多的事”，而是“誰能以更低的熵增，完成最重要的事”。

我是樗散生，不懂這個“樗”字怎么讀，你也可以叫我廢柴兄，我們下期見。