Gemini如何強勢反擊？TPU能搶佔GPU市場？博通起了甚麼作用？深度分析第22期：GOOG, AVGO, NVDA
在科技界的歷史長河中，「創新者的窘境」（Innovator’s Dilemma）是所有巨頭揮之不去的夢魘。
柯達發明了數位相機卻被其埋葬，諾基亞擁有智能手機技術卻不敢推向市場。
2022 年末，當 OpenAI推出了 ChatGPT，矽谷陷入觀望與焦慮。華爾街開始質疑這家靠搜尋廣告躺著賺錢的巨人，是否將會成為AI時代的輸家。
然而，三年過去了，Google 並沒有成為下一個柯達。
但這場反擊戰的真相，並不僅僅發生在我們看得到的螢幕上（Gemini vs. GPT），更發生在我們看不見的數據中心深處。
這是一場關於算力主權、晶片架構（TPU vs. GPU）以及供應鏈博弈的深層戰爭。
從山景城的「紅色代碼」到與 Broadcom 的結盟，從被 Nvidia 扼住咽喉到建立自研晶片的護城河，從AI的輸家到現在大有一統江山之勢，Google 正在進行一場科技史上最昂貴、最激進的「換心手術」。
我將會用這篇深度報告，為大家拆解 Google 在 AI 時代的完整戰略版圖，您將了解到：
危機與轉機：Google 如何克服內部的官僚主義，將 DeepMind 與 Google Brain 合併，並從「紅色代碼」的恐慌中催生出 Gemini 3.0。
技術的逆襲：Gemini 3.0 究竟憑什麼完勝對手？深入解析其背後的「經典擴展」策略、MoE 架構以及深度思考（Deep Think）能力。
隱形護城河：為什麼 TPU才是 Google 真正的底牌？深入解析 TPU 如何在成本和效率上，成為 Google 的「印鈔機」，以及TPU的隱憂。
幕後軍火商：揭秘 Broadcom（博通） 在這場戰爭中的關鍵角色。這對「軟硬體共生」關係如何運作？
雙面賽局：為何Google仍然要買入Nvidia GPU？背後有甚麼商業考量？
終局之戰：ASIC（自研晶片）最終會取代Nvidia 嗎？我們將通過分析，預判 AI 晶片市場從「獨裁」走向「劃江而治」的未來格局。
投資價值重估：深度剖析 Google 目前面臨的「薛丁格」投資屬性。
第一章：巨人甦醒前的惡夢——從「紅色代碼」到信任危機
在科技產業的興衰週期中，沒有什麼比「創新者的窘境」（Innovator’s Dilemma）更令人恐懼。
而在 2022 年末至 2025 年初，Google——這家曾經發明了 Transformer 架構（現代 AI 的基石）的巨人，似乎正一步步走向同樣的深淵。
ChatGPT 的 “T”
故事的轉折點發生在 2022 年 11 月。當 OpenAI 發布 ChatGPT 時，Google 總部山景城（Mountain View）內的氣氛瞬間凝固。
這不僅僅是一個新產品的發布，這是一場對 Google 護城河的直接突襲。
最諷刺的是：OpenAI 用來顛覆 Google 的武器，其核心設計圖完全來自 Google。
很多人可能不知道，ChatGPT 這個名字中的 “T”，指的正是 Transformer。
這要回溯到 2017 年，Google 的研究團隊發表了一篇名為《Attention Is All You Need》（你只需要注意力機制）的論文。這篇論文在當時並未引起大眾轟動，但在 AI 學術界卻引發了核爆。
在此之前，AI 閱讀文章就像是一個「死記硬背的小學生」（RNN/LSTM 架構）：它必須一個字一個字地讀，讀到句子結尾時，往往已經忘了開頭是什麼。
這導致舊時代的 AI 很難理解長文章或複雜的語意。
Transformer 架構改變了一切。
類比：上帝視角
想像你在讀一本書。
舊的 AI (RNN)：像是拿著一根吸管在看書，視野只有吸管那樣大，一次只能看到一個字，讀起來既慢又容易斷章取義。
Transformer：像是開啟了「上帝視角」。它能同時（Parallel）看到整頁的文字，並且擁有一種叫「自注意力機制 (Self-Attention)」的超能力。它能瞬間畫出文字間的關聯線——當它看到「銀行」這個詞時，它會同時關注上下文是「河流」還是「金錢」，從而瞬間理解這是「河岸」還是「金融機構」。
Google 發明了這個「上帝視角」，並秉持著學術開放的精神，將其開源公諸於世。
他們以為這是在推動科學進步，卻沒想到，一家名為 OpenAI 的實驗室撿起了這份設計圖，並將其發揮到了極致。
被偷走的聖火
多年來，Google 內部的 LaMDA 模型在技術上並不遜色，但 Google 遲遲不敢發布。原因很簡單：聲譽風險與商業模式的衝突。
對於一家靠搜尋廣告賺取數千億美元的公司來說，一個會胡說八道的 AI 聊天機器人是巨大的風險；但對於一無所有的 OpenAI 來說，那是顛覆世界的武器。
當 ChatGPT 像病毒一樣席捲全球，Google 管理層隨即拉響了著名的「紅色代碼」（Code Red），代表了Google出現了生存危機。
如果用戶不再「搜尋」藍色連結，而是直接「詢問」AI 獲取答案，Google 的廣告帝國將在一夜之間崩塌。
創始人 Larry Page 和 Sergey Brin 被緊急召回，這在公司內部極為罕見。這兩位已經半退休的傳奇人物重回會議室，只為了一個目標：
喚醒這隻沉睡且自滿的巨人，在它被自己發明的技術殺死之前。
慌亂中的反擊與千億美元的代價
Google 的初步反擊是倉促且混亂的。2023 年初，為了回應 ChatGPT，Google 匆忙推出了 Bard。
然而，在首次公開演示中，Bard 錯誤地聲稱韋伯太空望遠鏡（JWST）拍攝了第一張太陽系外行星的照片（事實上是由歐洲南方天文台拍攝的）。
這個事實錯誤在天文學家眼裡或許只是小瑕疵，但在華爾街眼裡卻是致命的信號。
市場不需要一個完美的百科全書，但市場不能容忍 Google 在其最擅長的「資訊準確性」上輸給對手。
僅僅這一個錯誤，導致 Alphabet 股價單日暴跌接近10%，市值瞬間蒸發 1,000 億美元。
2024-2025：至暗時刻
如果說 Bard 的失誤是前奏，那麼 2024 年到 2025 年初則是 Google 的至暗時刻。投資者的焦慮並非空穴來風，數據支撐了恐慌：
搜尋帝國的裂痕：自 2015 年以來，Google 的搜尋市佔率一直穩居 90% 以上。但在 2024 年底，這一防線失守了。10 月份市佔率跌跛90%，隨後幾個月持續低迷。Perplexity 和 ChatGPT Search 等「答案引擎」正在改變用戶習慣——人們不想再點擊十個藍色連結，他們只想要答案。
產品信任崩塌：Google 試圖用 Gemini 奪回失地，卻再次跌跤。2024 年 2 月，Gemini 的圖像生成功能爆發了嚴重的「覺醒文化」（Woke AI）醜聞——它拒絕生成白人歷史人物的圖像，甚至生成了納粹裝束的有色人種士兵。這不僅是技術調整過度的問題，更讓開發者和企業用戶質疑：Google 的 AI 是否可控？是否中立？
蘋果的背刺傳聞：2025 年 5 月，市場傳出 Apple 考慮在 Safari 中取代 Google 作為默認 AI 搜尋引擎。這直接威脅到 Google 每年約 200 億美元的流量入口，導致股價再次重挫 。
當時的華爾街分析師們悲觀地認為，Google 陷入了一個「第 22 條軍規」（Catch-22）：
如果不全力推廣 AI，會被 OpenAI 取代；如果全力推廣 AI，昂貴的算力成本和不再點擊廣告的用戶，將會摧毀自己最賺錢的搜尋業務。
巨人似乎被困在了自己的黃金籠子裡。
本章重點摘要 (Key Takeaways)：
創新者的窘境： Google 發明了 Transformer 架構，卻因擔憂破壞高利潤的廣告商業模式，將先機拱手讓給 OpenAI。
信任崩塌： Bard 的演示失誤與 Gemini 的圖像生成爭議，導致 Google 市值蒸發千億美元，並動搖了市場對其技術可靠性的信心。
護城河鬆動： 搜尋市佔率跌破 90% 心理關卡，面臨 ChatGPT Search 與 Perplexity 等「答案引擎」對流量入口的直接掠奪。
在進入第二章之前，會員們可以投下你們的神聖一票，決定下星期「深入研究」的主題。
投票將在 3天後 結束。
第二章：帝國的反擊——Gemini 的誕生與 Google DeepMind 的整合
面對內憂外患，Google 做出了其歷史上最重要的一次組織架構調整。
結束內戰：Google DeepMind 的誕生
長期以來，Google 內部存在兩個頂級 AI 實驗室：Google Brain（由 Jeff Dean 領導，Transformer 的發源地）和 DeepMind（由 Demis Hassabis 領導，AlphaGo 的締造者）。這兩個部門雖然同屬 Google，但在文化和資源上長期處於競爭甚至對立狀態。
為了對抗 OpenAI，Google 必須結束這場內戰。2023 年，Google 宣布將兩者合併為 Google DeepMind。這是一個強制的聯姻，目的是集中所有的算力（TPU）和最聰明的大腦，共同打造一個能終結比賽的模型——Gemini。
從追趕到超越：Gemini 3 的逆襲
早期的 Gemini 版本（1.0 和 1.5）雖然縮小了與 GPT-4 的差距，但始終處於「追趕者」的角色。直到 2025 年 11 月，隨著 Gemini 3 Pro 的發布，戰局發生了根本性的逆轉。
這一次，Google 沒有再犯錯。
1. 硬實力的碾壓：在 GPT-5 的陰影下突圍
2025 年 8 月發布的 GPT-5.1 雖然強大，但被市場普遍認為「缺乏革命性」，它更像是一個平衡的通用工具，而非科學怪傑。
這給了 Google 絕佳的機會。
Gemini 3 Pro 發布當天即登頂 LMArena 排行榜（Elo 分數突破 1501），在「純推理」領域將 GPT-5.1 遠遠甩在身後：
人類終極考試（Humanity’s Last Exam）：這是公認最難作弊的基準測試。Gemini 3 取得了 37.5% 的驚人分數（開啟深度思考後達 41%），而 GPT-5.1 僅為 26.5%。這 11% 的差距在 AI 領域如同鴻溝。
數學推理（MathArena Apex）：Gemini 3 展現了統治力，得分 23.4%，相比之下 GPT-5.1 僅能處理基礎邏輯。
破除迷信：為什麼矽谷曾認為「擴展定律」已死？
在 Gemini 3 發布前夕，矽谷瀰漫著一股悲觀情緒。許多研究者認為 Scaling Laws（擴展定律） 已經撞上了天花板。
理由似乎很充分：
數據枯竭：高質量的互聯網文本快被餵光了。
邊際效應遞減：過去增加 10 倍算力能讓智商翻倍，現在似乎只能提升 10%。
不可持續的成本：訓練成本呈指數級上升，但模型變聰明的速度卻在變慢。
市場普遍認為，單純靠「堆料」的時代結束了，必須尋找全新的架構魔法。然而，Google DeepMind 的工程師們看著內部數據，得出了一個截然不同的結論：
牆並不存在，只是你們的梯子不夠長，或者爬梯子的姿勢不對。
2. 硬實力的碾壓：經典擴展（Classical Scaling）的復活
Gemini 3 的核心哲學是對 「經典擴展（Classical Scaling）」 的極致執行。
什麼是經典擴展？
簡單來說，就是在不改變基礎 Transformer 架構的前提下，通過增加基礎資源（數據集大小、算力、參數數量、上下文窗口），來換取性能的對數級增長。
Google 證明了只要解決了瓶頸（如數據質量和並行效率），模型能力依然能隨著資源投入而線性提升。
3.行業標準的極致化：MoE 與深度推理
在純文本和邏輯推理領域，Gemini 3 其實並沒有發明新魔法，而是將行業標準推向了物理極限。
Gemini 3 在三個關鍵維度上擊敗了 GPT-5：
第一招：混合專家架構（MoE）的巔峰
與 GPT-5 和 Llama 4 一樣，Gemini 3 也採用了 MoE 架構。它擁有超過 1 兆（Trillion） 個參數，但在處理每個查詢時，僅激活其中的 150-200 億 個參數。這並非 Google 獨有，但 Google 利用其TPU算力規模將其推向了極致。
什麼是混合專家模型 (MoE)？
想像一家擁有一萬名醫生的超級綜合醫院。
舊時代的「稠密模型」(Dense Model)：就像是一個全科醫生，不管你來看什麼病，他都要調動大腦裡所有的醫學知識（從眼科到骨科）過一遍。這既慢又累，而且很難樣樣精通。
MoE 架構：這家醫院有一個聰明的「導診台」（Router）。當你進來時，導診台會判斷你是「骨折」還是「感冒」，然後只把你分配給對應的那 2-3 位專家。
優勢：醫院整體規模雖大（參數量大，知識淵博），但處理每個病人時只動用極少資源（推理成本低，速度快）。Gemini 3 就是這樣一座擁有頂級專家的超級醫院。
第二招：推理能力：Deep Think 與 100 萬 Token 的護城河
100 萬 Token 上下文（Context Window）：
GPT-5：依然徘徊在 128k 到 256k Token。
Gemini 3：起步即 100 萬（1M）Token。這不僅是記憶力的差別，這是 「代理（Agentic）」 能力的質變。Gemini 可以一次性「讀」完整個項目的代碼庫或幾十本法律卷宗，並進行跨文檔推理。這讓它在真實工作場景（如審計、代碼重構）中擁有對手無法企及的「上帝視角」。
同時，Gemini 3 引入了類似 OpenAI o3 的「深度思考」模式。在面對複雜數學題（MathArena Apex 得分 23.4%）或代碼任務時，模型不會急著回答，而是先進入「內部沙盤推演」。
什麼是深度思考 (Deep Think)？
諾貝爾獎得主丹尼爾·卡尼曼將人類思維分為「系統 1（快思考）」和「系統 2（慢思考）」。
快思考 (System 1)：就像有人問你「2+2 等於幾？」，你脫口而出「4」。這是直覺，也是大多數早期 AI（如 GPT-3.5）的工作方式——基於概率的「文字接龍」。
慢思考 (System 2)：就像有人問你「234 乘以 956 等於幾？」。你無法脫口而出，你必須拿出一張草稿紙，列出算式，一步步計算，甚至回頭檢查有沒有算錯。
Gemini 的進化：Deep Think 模式就是給了 AI 這張「隱形的草稿紙」。在給你答案前，它已經在內部進行了多輪推理和自我糾錯。這讓它在數學和編程上的準確率有了質的飛躍。
第三招：原生多模態（Native Multimodal）
大多數競爭對手在處理視覺信息時，本質上仍是「拼湊」（Stitched）架構。而 Gemini 3 採用了單一統一 Transformer 堆疊。
為了理解這種差異的巨大影響，我們必須回到感知的本質。
什麼是多模態 (Multimodal)？
人類是天生的多模態生物。當你和朋友聊天時，你同時在做三件事：聽他的聲音（音頻）、看他的表情（視覺）、理解他的話語（文本）。這三種信息在大腦中是無縫融合的。
舊時代的「拼湊」AI (如早期的 GPT-4V)：它本質上是一個純文字大腦。為了讓它「看圖」，工程師需要外掛一個視覺識別器，把圖片轉化成文字描述（例如：「圖片中有一直貓坐在沙發上」），再餵給大腦。這就像是「盲人聽廣播」——中間隔了一層翻譯，丟失了大量細節（如光影、微表情、氛圍）。
Gemini 的「原生」AI (Native Multimodal)：它從出生那一刻起，就是在影片、圖片、聲音和文字的混合數據中訓練長大的。它不需要翻譯。它看到圖片就像人類一樣，是直接感知的。
戰場表現：這種架構優勢在 Video-MMMU（視頻理解） 上展現得淋漓盡致，準確率達到 87.6%。Gemini 3 能理解視頻中的因果關係、物理規律甚至情感氛圍，而對手只能做到識別物體。
Google 終於證明：Transformer 的發明者，回來了。
戰略轉向：從「實驗品」到「生產力」
Google 吸取了之前的教訓，Gemini 3 的發布策略極為激進：
直接植入搜尋引擎：Google 不再猶豫是否會蠶食廣告收入，直接在 Search 中部署 Gemini 3 的 AI 模式。這向市場傳遞了一個強烈信號：我們的模型成本已經低到可以大規模商用，且速度快到可以處理數十億次查詢。
操作型 AI（Operational AI）：Google 不再將 Gemini 定位為「陪你聊天的助手」，而是定位為「幫你工作的代理（Agent）」。利用 Google Workspace 的生態優勢，Gemini 3 可以自動抓取 Gmail 的收據、對照日曆行程、並在 Sheets 中生成財務報表。這直接切中了微軟 Copilot 的腹地，讓企業用戶重新評估切換成本。
2025 年底，隨著 Gemini 3 的成功落地和 Google Cloud 利潤的飆升，華爾街的敘事徹底改變了。投資者意識到，之前的擔憂雖然合理，但低估了 Google 的底蘊。
霸權的幻覺——為什麼軟體沒有護城河？
不過，當華爾街為 Gemini 3.0 的跑分歡呼，慶祝 Google 重回王座時，資深的矽谷工程師們卻保持著一份冷靜。
因為他們深知 AI 行業的一個殘酷定律：在軟體架構的世界裡，沒有秘密。
Gemini 3.0 的勝利是真實的，但它也是極度脆弱的。
六個月的魔咒：透明的創新
Gemini 3.0 引以為傲的「稀疏混合專家模型（Sparse MoE）」、「深度思考（Deep Think）」以及「原生多模態」，雖然強大，但並非 Google 獨有的黑科技。
OpenAI 和 Anthropic 的頂級研究員只要看一下 Gemini 的技術報告，可能就可以在幾個月內反推出其背後的原理。
歷史數據無情地揭示了這場「蛙跳遊戲（Leapfrog Game）」的本質——領先優勢通常只能維持 6 到 9 個月：
2023.03：GPT-4 震驚世界（獨霸）。
2024.06：Claude 3.5 Sonnet 在編程領域反超。
2025.08：GPT-5.1 發布，雖無驚喜但穩住了基本盤。
2025.11：Gemini 3.0 在推理上領先。
這意味著，OpenAI ，Anthropic，Grok等的下一代模型很可能已經在訓練中，並準備在半年後再次刷新紀錄。
依靠算法取得的優勢，就像沙灘上的城堡，漲潮時就會消失。
本章重點摘要 (Key Takeaways)：
組織重組： Google 克服官僚主義，強勢合併 Brain 與 DeepMind，集中算力資源與頂尖人才，結束了內部的路線之爭。
技術逆襲： Gemini 3.0 憑藉「經典擴展」策略與 MoE 架構，在推理與數學領域超越 GPT-5.1，並利用 100 萬 Token 上下文建立差異化優勢。
原生多模態： 不同於對手的「拼湊」架構，Gemini 具備原生理解視聽資訊的能力，在影片理解等領域展現統治力。
軟體的脆弱性： 儘管目前領先，但軟體算法容易被逆向工程，單純依靠模型性能的領先優勢通常僅能維持 6-9 個月。
第三章：矽谷的地下堡壘——TPU 的十年長征
既然軟體容易被複製，那麼 Google 真正的護城河在哪裡？答案在於「垂直整合的反饋迴圈」。
真正讓Gemini與眾不同的，是其獨家的TPU。
Gemini是世界上第一個完全不依賴 NVIDIA GPU，而是全流程在 Google 自研晶片 TPU（張量處理單元）上訓練和推理的前沿模型。
這為 Google 帶來了四個競爭對手無法複製的優勢：
沒有「NVIDIA 稅」：
OpenAI 和微軟每購買一塊 H100 或 Blackwell 晶片，都要支付給 NVIDIA 高達 70% 的毛利。
而 Google 使用自研的 TPU v6 (Trillium) 和 v7 (Ironwood)，成本僅為競爭對手的一半甚至更低。
這意味著在同樣的預算下，Google 可以部署 4 倍 於對手的算力。
集群規模與光學護城河：
NVIDIA 的集群通常受限於通訊瓶頸，且依賴昂貴的 InfiniBand 交換機。而 Google 的 TPU Pods 採用獨特的光學環面互連技術（3D Torus）。
Google 自研的光學電路開關（OCS）不僅讓 9,000 多顆晶片像一顆超級大腦一樣協同工作，更關鍵的是，其製造成本僅為 NVIDIA 同級交換設備的 1/10。這讓 Google 能夠以對手無法想像的低成本，構建出超大規模的超級電腦。
能源效率（每瓦特性能）：
在 AI 耗電量成為全球危機的 2025 年，TPU v7 (Ironwood) 的能效比是前代的 2 倍，整體能效比 2018 年的第一代 TPU 提升了 30 倍。
配合 Google 數據中心低至 1.1 的 PUE 值（行業平均為 1.58），這讓 Google Cloud 在推理成本上擁有 50-70% 的結構性利潤優勢。當對手還在為電費和散熱頭痛時，Google 已經將每百萬 Token 的推理成本壓低至 0.30-0.50 美元（行業標準約為 1.00 美元）。
競爭對手的困境：OpenAI 想要優化模型時，他們必須受限於 Nvidia GPU 的硬體設計。Nvidia 的晶片是為了「通用性」而設計的，並非專門為了某個特定的 MoE 架構優化。
市場的證詞：用腳投票
這種成本優勢並非 Google 自吹自擂。著名的 AI 繪圖公司 Midjourney 在將業務遷移至 TPU 後，月度算力支出從 200 萬美元驟降至 70 萬美元，節省了 65% 的現金流。
而更具戰略意義的是，儘管 Anthropic 背後有 Amazon 的數十億投資，他們依然在 2025 年簽署協議，承諾使用 100 萬顆 TPU。
Anthropic 的財務長直言：「TPU 提供了最強的價格性能比。」這證明了在極致的經濟效益面前，連戰略盟友的關係都得讓位。
當全世界都在瘋搶 Nvidia 的 H100 顯卡，甚至馬斯克都開玩笑說「GPU 比毒品還難買」時，Google 卻顯得異常淡定。
這份淡定，源於 2013 年的一場生存危機。
2013 年的紅色警報
故事回到 2013 年。當時 Google 的工程師進行了一次令高層背脊發涼的計算：如果每位 Android 用戶每天只使用 3 分鐘的語音辨識，Google 就需要將現有的數據中心規模擴大兩倍。
這在經濟上是自殺行為。當時的 CPU（中央處理器）就像大學教授，雖然博學但算術慢；而 GPU（圖形處理器）雖然算得快，但它是為了畫圖形設計的，對於 Google 這種單一且巨大的矩陣運算需求來說，效率依然不夠極致。
Google 面臨一個選擇：要麼等著利潤受衝擊，要麼自己造芯。
但為什麼當時最強的 CPU 和 GPU 救不了 Google？要理解這點，我們必須先拆解 AI 的運算本質。
核心解密：為什麼 AI 只是數學題？
如果說 AI 是一個黑盒子，那打開盒子，你會發現裡面沒有大腦，只有無數個正在瘋狂做乘法的小學生。
什麼是「矩陣乘法」？（以「期末算分」為例）
想像你是一位大學教授，要計算全班同學的期末總成績。
矩陣 A（學生表現/數據）：
學生甲：作業 80 分，期中考 70 分，期末考 90 分。
...（這裡有幾十億個學生）
矩陣 B（評分權重/模型參數）：
作業佔 20% (0.2)，期中考佔 30% (0.3)，期末考佔 50% (0.5)。
所謂的 AI 運算，就是把這兩張表疊在一起算：
學生甲總分 = (80 x 0.2) + (70 x 0.3) + (90 x 0.5) = 82 分。
在 LLM 中，學生表現是你輸入的問題，評分權重是模型腦中一兆個參數。AI 的運作，本質上就是每秒鐘進行幾千兆次這種「分數 x 權重」的加法與乘法運算。
TPU的結構性優勢是甚麼？
既然只是算加減乘除，為什麼 CPU 和 GPU 比不上 TPU？
CPU（博學的教授）：CPU 就像一位數學教授，懂微積分、懂邏輯。但你叫教授去算一億張考卷的加權平均，他會瘋掉。因為他一次只能算一題，而且算之前還要喝口茶、推一下眼鏡（讀取記憶體），效率極低。
GPU（聰明的助教團）：GPU 就像你請了 5,000 個大學生助教，每人發一台計算機。這比教授快多了！但他們有個致命傷：每算完一個步驟，助教就要把數字寫在黑板上（寫回記憶體），下一個步驟再抬頭看黑板。這個「抬頭、低頭」的動作（數據搬運），浪費了大量時間與電力。
TPU（全自動閱卷機）：Google 的 TPU 是專門為了「算分」發明的 ASIC（專用晶片）。它的秘密武器叫做 「脈動陣列 (Systolic Array)」。
想像一條流水線：數據（學生成績）像水流一樣流進晶片。第一關乘上 0.2，直接把結果「推」給右邊的格子加上 0.3 的運算，再推給下一個。
差異關鍵：
GPU：算一步 -> 存檔 -> 讀檔 -> 算下一步。
TPU：算 -> 傳 -> 算 -> 傳（數據在晶片內部流動，幾乎不碰記憶體）。
數據一旦進入晶片，就會像心臟泵血一樣，在運算單元之間直接流動與傳遞，過程中幾乎不接觸記憶體。
這解決了晶片設計中最大的痛點：通訊比運算更耗能。
TPU 省去了最昂貴的「數據搬運」過程，這就是為什麼它在處理矩陣乘法（Matrix Multiplication）時，能實現比 GPU 更高的吞吐量和更低的能耗。
從「出餐」到「研發」的進化史
理解了原理，我們就能看懂 TPU 這十年的戰略轉型。這涉及兩個概念：
訓練 (Training)：像「讀醫學院」，需要海量算力和高精度，非常昂貴。
推論 (Inference)：像「醫生看診」，應用知識回答問題，要求速度快、成本低。
TPU v1 (2015)：完美的得來速機器人
第一代 TPU 是一個純粹的 「推論」 晶片。它不負責學習，只負責應用。它使用簡單的計算方式（8-bit），就像快餐店店員，不求精準到小數點後十位，但求速度極快。這解決了 Google 語音辨識的燃眉之急。TPU v2 - v4 (2017-2022)：學會學習
隨著 AI 競賽升級，Google 需要自己訓練模型。於是 TPU 開始進化，引入了 bfloat16 技術。簡單來說，bfloat16 就像一個「聰明的量杯」。在做菜（訓練 AI）時，你不需要知道鹽巴精確到 3.14159 克，你只需要知道是「3.1 克」就夠了。犧牲一點點微不足道的精確度，換取了極快的運算速度和更低的硬體成本。TPU v5 & v6 (2023-2024)：分工與反擊
這是 Gemini 誕生的關鍵時期。Google 發現「一刀切」的晶片效率不夠，於是將 TPU v5 拆分為兩條路：v5e (Efficiency)：專攻「省錢」，用最低的成本運行模型，讓 Google Cloud 的價格打趴對手。
v5p (Performance)：專攻「蠻力」，是當時訓練 Gemini 1.0 的主力軍。緊接著推出的 TPU v6 (Trillium) 則是為了對抗 NVIDIA H100 而生，性能較前代提升了 4.7 倍，確保了 Google 在算力大戰中不落下風。
TPU v7 Ironwood (2025)：為 MoE 而生的怪獸
到了 Gemini 3.0 時代，為了支撐龐大的 MoE 架構，Google 推出了 Ironwood。這款晶片不再是單打獨鬥，而是透過光學互連技術，將成千上萬顆晶片織成一張巨大的網。它專門為了讓多個「專家模型」同時協作而設計。
隱藏的真相：TPU 不只是為了聊天機器人
外界常有一個誤解，認為 Google 造 TPU 只是為了訓練 Gemini 這種語言模型。大錯特錯。
在 ChatGPT 出現之前的許多年裡，TPU 其實一直在默默支撐著 Google 最賺錢的業務——推薦系統（Recommendation Systems）。
舉例：你的「下一部影片」是誰決定的？
當你在 YouTube 上滑動手指，或者在 Google Search 裡看到精準的廣告時，背後運作的並不是 LLM，而是龐大的推薦算法。這些算法需要處理數十億用戶和數百億內容之間的匹配（Embedding Tables）。這就是 TPU 在第5代引入 SparseCore 架構的原因。
推薦系統的挑戰：這類運算需要頻繁地在海量數據中查找特定的用戶特徵（稀疏運算），這與語言模型的邏輯不同。
TPU 的統治力：Google 的 TPU 基礎設施每天處理超過 20 億 YouTube 用戶的推薦請求。數據顯示，在處理這類推薦任務時，TPU v5p 的訓練速度是前代的 1.9 倍。Snap (Snapchat) 的遷移報告也證實了這一點：透過系統性的 TPU 優化，他們實現了 70% 的成本削減，總體擁有成本（TCO）比同級 GPU 基礎設施低了 55%。
所以，TPU 不僅是 Google 未來的「氧氣面罩」（AI），更是它現在的「印鈔機」（廣告與推薦）。
競爭對手的困境：架構決定命運
為什麼 OpenAI 和微軟難以複製 Gemini 的「經典擴展」策略？因為 Nvidia 的 GPU 是為了「通用性」設計的，而 Google 的 TPU 是為了「擴展性」設計的。
Gemini 3 之所以能實現 100 萬 Token 的超長上下文和高效的稀疏計算（MoE），是因為 TPU v7 (Ironwood) 採用了獨特的光學環面互連技術（3D Torus）。
Nvidia 集群：受限於通訊瓶頸，當卡數超過一定數量時，數據傳輸會堵塞，導致訓練效率邊際遞減。
TPU Pods：可以讓 9,000 多顆晶片像一顆超級大腦一樣協同工作，極大降低了通訊延遲。
這就是為什麼 Google 敢於堅持「擴展定律」——因為他們擁有唯一能支撐這種規模擴展的基礎設施。
ASIC 的阿基里斯之踵：一場豪賭
既然 TPU 這麼好——便宜、高效、省電——那為什麼全世界不都來造 TPU，反而還要排隊搶購 Nvidia 的 GPU 呢？
因為這是一場豪賭。而賭注是：時間與靈活性。
TPU 的死穴：矽晶片的「三年魔咒」
設計一款高階晶片不是寫程式，寫錯了改一行代碼就好。從定義架構、設計驗證、流片製造到最終部署，通常需要 2-3 年。這意味著 Google 今天的 TPU v7，其實是基於 2-3 年前對 AI 的預測所設計的。
Google 的噩夢場景
TPU 的強大建立在一個假設上：「AI 的未來，依然是矩陣乘法。」目前的 LLM（如 Gemini）有 95% 以上的運算都是矩陣乘法，所以 TPU 如魚得水。但是，AI 演算法變動極快：
2012 年流行 CNN。
2017 年變成了 Transformer。
最近又出現了 MoE 和 Mamba 架構。
如果明天一位天才研究員發明了一種全新的 AI 架構，不再依賴矩陣乘法，而是充滿了複雜的邏輯判斷（If-Then-Else），TPU 的流水線就會卡住（就像閱卷機讀到作文紙）。這時候，保留了較多通用計算能力的 NVIDIA GPU 就會重新佔據優勢，因為那些「助教」雖然動作多，但他們腦筋比較靈活，懂得隨機應變。
對於微軟、Meta 來說，買 NVIDIA GPU 是買「保險」。即便明年 AI 算法大改，只需更新幾行軟體代碼，這批顯卡依然能用。這就是為什麼在演算法劇烈演變的今天，通用性仍然價值連城。
結論：兩條不同的賽道
至此，AI 晶片市場分裂成了兩個平行宇宙：
Nvidia 走的是「通用」路線：通用、強大、軟體生態無敵，適合所有想嘗試 AI 的公司，也是應對未知的最佳保險。
Google 走的是「專用」路線：專用、高效、成本極低。這條鐵路只通往一個目的地——TensorFlow/JAX 框架下的 Gemini 模型。
然而，要造出如此強大的 TPU，光靠 Google 的軟體天才是不夠的。他們需要一個懂『物理』的合作夥伴，一個在矽谷陰影中運作的軍火商。
本章重點摘要 (Key Takeaways)：
成本與規模優勢： 自研 TPU 讓 Google 免於支付高昂的「Nvidia 稅」，並透過光學互連技術（OCS）構建出比競爭對手更低成本、更大規模的算力集群。
架構解密： TPU 採用「脈動陣列」架構，讓數據在晶片內流動而不頻繁讀寫記憶體，解決了馮·諾伊曼瓶頸，在矩陣運算上實現極致能效。
雙重用途： TPU 不僅是用於訓練 AI 的氧氣面罩，更是支撐 Google 廣告與 YouTube 推薦系統（印鈔機）的核心算力支柱。
潛在風險： TPU 專為矩陣運算優化，若未來 AI 算法轉向複雜邏輯或非矩陣架構，將面臨靈活性不足的挑戰。
第四章：沉默的合夥人——Broadcom 的軍火哲學
在媒體頭條上，你只會看到 「Google TPU」 的字樣，但在矽谷的深層供應鏈裡，每個人都知道一個公開的秘密：Broadcom，其實是Google TPU帝國的重要一員。
這家被稱為「半導體界私募基金」的公司，正安靜地坐在賭桌的另一端，從每一顆 TPU 的出貨中抽取驚人的過路費。
Keep reading with a 7-day free trial
Subscribe to FOMO研究院電子報 to keep reading this post and get 7 days of free access to the full post archives.