11月9日，谷歌推出两款自研TPU芯片8tx和8iMax。

加上今年4月发布的8t和8i，谷歌第八代TPU阵容已扩充至四款，首次实现一年连发四款。此举被视为对英伟达的直接挑战。

谷歌再发两款新芯片

谷歌这次发布的两款新芯片，分工非常明确：一个解决数据安全，一个解决内存瓶颈。

先看TPU 8tx，它的核心卖点是“机密计算”。

通常，数据在存储或传输时可以加密，但在内存中处理时必须解锁。这对处理敏感信息的政府机构和受监管企业而言，是一个长期存在的安全隐患。

8tx的做法是将安全防护下沉到硬件层。即便芯片在运行中，也能对敏感数据和模型权重进行隔离。

硬件配置上，它沿用了TPU8t的芯片，但主机搭配了第五代AMDEPYC处理器，并采用低延迟的Boardfly网络。这使得其推理延迟最高可比8t降低一半，且性能损失微乎其微。

对客户而言，这意味着可以在同一个系统内用私有数据微调模型，免去了敏感数据在不同集群间搬运的风险。

再看TPU 8iMax，它直指“内存墙”问题。

当几十个AI智能体同时在庞大的代码库或长视频中进行协同推理时，内存带宽极易成为瓶颈。谷歌的解法是“双芯封装”：将两颗TPU8i芯片集成到单一封装中，使计算能力、片上SRAM和HBM带宽全部翻倍。

这种设计在现有机架空间内实现了双倍的芯片容量，直接提升了单位面积和单位功耗的计算密度，以应对多智能体并发时的卡顿问题。

该芯片主要面向编码助手、数学推理和药物发现等需一次性处理海量信息的任务。

需要注意的是，8tx和8i Max并非从零设计的新架构，而是基于现有处理器的重新设计版本，目的是满足特定客户的定制化需求。

谷歌芯片业务负责人Amin Vahdat表示，这四款TPU产品将针对不同的客户需求进行优化。他认为，这符合谷歌一贯坚持的理念，即未来将属于专业化，而专业化带来的优势依然十分显著。

降低开发门槛

硬件之外，谷歌这次在软件生态上下了更大的功夫。

长期以来，TPU的短板不在算力，而在“不好用”。开发者习惯了英伟达的CUDA生态，若要将代码迁移至TPU，往往需要重写大量底层代码，迁移成本极高。谷歌此次的系列动作，核心目的就是降低这道门槛。

在兼容性上，谷歌开源了Torch TPU。过去，PyTorch代码和HuggingFace上的模型想跑在TPU上，需要大量适配；现在，这些代码可以在TPU上原生运行，开发者不用推倒重来。这标志着谷歌正主动向主流开发者生态靠拢，以降低客户的迁移成本。

针对智能体时代的延迟痛点，谷歌开源了TPU Sync。当智能体处理百万级上下文时，数据在芯片内存与外部存储间频繁搬运，会导致延迟急剧上升。TPU Sync相当于为TPU集群增加了一个统一的内存调度层，将键值传输延迟和首字延迟降低了90%以上，直接缩短了智能体的响应时间。

在性能验证上，谷歌在InferenceX和AgentX这两项行业基准测试中，基于TPU的软件栈跑出了业界领先的性价比。这两项测试衡量的并非芯片的峰值速度，而是真实智能体编码和长上下文任务中的实际表现。谷歌试图借此证明，TPU在实际业务负载中具备成本优势。

这三步棋指向同一个目标：让TPU从“谷歌内部好用的算力”，转变为“开发者愿意接入的平台”。

毕竟，硬件参数再强，如果缺乏开发者生态的支撑，商业闭环也难以成立。

正面挑战英伟达

硬件和软件之外，市场数据也在为谷歌的“挑战”提供底气。

据谷歌披露，TPU的销售对9月份季度的业绩做出了重大贡献，谷歌云收入翻了一番多，达到307.1亿美元。

目前，TPU业务已拥有近100家客户，涵盖前沿实验室、交易公司、零售商和大学等，并且开始允许客户把TPU直接部署到自己的数据中心。

客户版图还在向外扩张。10月份，OpenAI被曝计划采购谷歌AI芯片以减少对英伟达GPU的依赖。同月，谷歌还宣布已与甲骨文达成合作，后者将从2027年起成为首家提供TPU的外部超大规模云服务商。

从云服务到客户自有数据中心，从自家模型到外部大客户，TPU正试图切入英伟达长期占据的私有化部署市场。

不过，挑战英伟达并非易事。

英伟达2027财年第二季度最新财报显示，当季营收达962.21亿美元，同比增长106%；其中数据中心业务收入为890亿美元，同比增长117%。

相比之下，谷歌云在截至9月的季度收入为307.1亿美元，两者体量仍有明显差距。

CUDA生态积累了十几年的开发者习惯和工具链，更不是靠一次开源就能轻易撬动的。

TPU能否从“谷歌自家好用”变成“开发者愿意用”，还要看客户自有数据中心的落地规模和实际采用率。