谷歌云正式发布其迄今最强大的人工智能基础设施，核心包含第七代张量处理单元（TPU）“Ironwood” 与扩展的 Arm 架构 Axion 处理器系列。这一发布标志着行业正从 “模型训练” 向 “面向数十亿用户的模型推理服务” 转型，而谷歌通过定制化芯片与垂直整合策略，试图在 AI 基础设施竞争中打破英伟达 GPU 的主导地位。更引人瞩目的是，AI 安全公司 Anthropic（Claude 系列模型开发商）宣布计划接入多达 100 万块 Ironwood TPU 芯片，这份价值数十亿美元的合作，成为迄今已知规模最大的 AI 基础设施协议之一，为谷歌定制芯片战略注入强力背书。
从行业背景来看，谷歌此次布局紧扣 “推理时代” 的核心需求。随着 Gemini、Claude 等前沿模型逐渐成熟，企业资源正从耗时耗力的模型训练，转向支撑每日数百万甚至数十亿次请求的推理服务。谷歌云 AI 与基础设施副总裁兼总经理阿明・瓦赫达特（Amin Vahdat）指出，推理场景对基础设施的要求远超训练 —— 训练可容忍批量处理与较长耗时，而推理必须保证极低延迟、超高吞吐量与极致可靠性。例如，响应时间超过 30 秒的聊天机器人或频繁超时的代码助手，即便模型能力再强也无法投入实用；尤其在智能体（Agentic）工作流中，AI 需自主执行任务而非仅响应指令，更需要专用加速器与通用计算的紧密协同，这正是谷歌定制芯片的核心发力点。
Ironwood TPU 的突破不仅体现在性能提升，更源于系统级的协同设计。相较于第六代 TPU，Ironwood 在训练与推理性能上均实现 4 倍以上提升，这并非单纯依赖晶体管数量增加，而是通过架构创新实现。其最显著的特点是规模化设计：单个 “Ironwood Pod”（由多芯片组成的超级计算机单元）可通过谷歌自研的芯片间互联（Inter-Chip Interconnect）网络，连接多达 9216 块芯片，互联带宽达 9.6 太比特 / 秒 —— 这一速度相当于不到 2 秒即可下载整个美国国会图书馆的数字资源。配套的高带宽内存（HBM）总量达 1.77 拍字节，足以同时供数千个处理器高速访问，相当于 4 万部高清蓝光电影的容量，谷歌称其 FP8 精度下的算力达 118 exaFLOPS，远超同类竞品。
为应对大规模集群的可靠性挑战，Ironwood 引入光电路交换（Optical Circuit Switching）技术，构建动态可重构的互联架构。当单个组件故障或需要维护时，系统可在毫秒内自动 reroute 数据流量，确保工作负载无感知续跑。这一设计源自谷歌五代 TPU 的部署经验，其液冷系统自 2020 年以来始终保持 99.999% 的可用性，年均 downtime 不足 6 分钟，完全满足企业级服务的严苛要求。
Anthropic 的合作堪称谷歌定制芯片战略的 “里程碑式验证”。这家公司计划接入的 100 万块 TPU 芯片，规模远超行业内常见的万级或五万级加速器集群，配套基础设施、网络与能耗投入预计形成一份价值数十亿美元的多年期合同。Anthropic 首席财务官克里希纳・拉奥（Krishna Rao）表示，双方长期合作的基础在于 TPU 的 “性价比与效率优势”，以及 Anthropic 在 TPU 上训练与部署模型的成熟经验。据披露，Anthropic 将在 2026 年获得 “超过 1 吉瓦” 的算力容量 —— 这一电力规模足以支撑一座小型城市，将用于满足 Claude 模型指数级增长的用户需求，从财富 500 强企业到 AI 原生初创公司均依赖其提供核心服务。Anthropic 计算部门负责人詹姆斯・布拉德伯里（James Bradbury）特别强调，Ironwood 在推理性能与训练扩展性上的双重提升，能帮助团队在保证用户体验的同时高效扩容。
与 Ironwood 互补的是谷歌 Axion 处理器家族的扩展。作为定制 Arm 架构 CPU，Axion 聚焦 AI 应用的通用支撑工作负载 —— 无需专用加速器的微服务、容器化应用、开源数据库、数据分析与 Web 服务等。此次推出的 N4A 实例在预览阶段即展现出显著优势，谷歌称其性价比较当前主流 x86 虚拟机提升 2 倍；而首次亮相的 C4A 裸金属实例，则为 Android 开发、汽车系统与有严格授权要求的软件，提供专属物理服务器支持。Axion 的定位凸显了谷歌的基础设施逻辑：TPU 负责 AI 模型的密集计算，Axion 则处理数据摄入、预处理、应用逻辑与 API 服务等 “辅助但关键” 的任务，二者协同构成完整的 AI 应用栈。早期客户反馈印证了这一策略的价值：Vimeo 在 N4A 实例上测试核心转码工作负载，性能提升 30%；ZoomInfo 的数据处理管道运行于 Java 服务时，性价比提升 60%，充分体现通用计算优化对 AI 效率的间接增益。
软件生态的完善则让硬件性能真正转化为开发者效率。谷歌将 Ironwood 与 Axion 整合进 “AI 超算（AI Hypercomputer）” 体系，该系统融合计算、网络、存储与软件，据 2025 年 10 月 IDC 研究，使用该系统的客户三年平均 ROI 达 353%，IT 成本降低 28%，团队效率提升 55%。具体优化包括：谷歌 Kubernetes 引擎（GKE）新增 TPU 集群的高级维护与拓扑感知能力，实现智能调度与高弹性部署；开源框架 MaxText 支持监督微调（SFT）与生成式强化策略优化（GRPO）等先进训练技术；而推理网关（Inference Gateway）通过前缀缓存感知路由等技术，将首 token 响应延迟降低 96%，服务成本减少 30%—— 例如在对话 AI 中，网关可将共享上下文的请求路由至同一服务器，避免冗余计算。
值得关注的是，谷歌在基础设施物理层面的创新。为支撑 AI 时代的超高功率需求，谷歌推出 ±400 伏直流供电系统，单机架功率可达 1 兆瓦，较传统部署提升 10 倍。其工程师在 2025 年 4 月的博客中预测，2030 年前机器学习机架功率将突破 500 千瓦。目前，谷歌正与 Meta、微软合作推进高压直流配电的接口标准化，并选择 400 伏规格以复用电动汽车供应链，降低成本并提升规模化能力。冷却方面，谷歌第五代冷却分配单元将贡献给开放计算项目（OCP），其液冷系统已在 7 年间部署于 2000 多个 TPU Pod，水的散热效率是空气的 4000 倍，足以应对单芯片超 1000 瓦的散热需求。
这一系列动作背后，是谷歌对 AI 芯片市场格局的挑战。当前英伟达凭借 80%-95% 的市场份额主导 AI 加速器领域，但云厂商正通过定制芯片寻求差异化。亚马逊有 Graviton CPU 与 Inferentia/Trainium 加速器，微软开发 Cobalt 处理器并传闻布局 AI 芯片，而谷歌的 TPU、Axion 组合构成了主流云厂商中最完整的定制芯片 portfolio。尽管定制芯片需数十亿前期投入，软件生态落后于英伟达 CUDA 平台，且面临模型架构快速迭代的风险，但谷歌坚信垂直整合的长期价值 —— 正如其十年前开发首款 TPU，间接推动了 Transformer 架构的诞生。
除 Anthropic 外，早期客户已展现出积极反馈。开发创意 AI 工具的 Lightricks 研究总监约夫・哈科恩（Yoav HaCohen）表示，Ironwood 的测试表现让团队有信心为全球数百万用户打造 “更细腻、精准、高保真的图像与视频生成工具”。不过行业仍存在疑问：当前数百亿美元的基础设施投入能否持续？定制芯片是否真能在经济上优于英伟达 GPU？模型架构演进是否会让现有芯片过时？
对谷歌而言，这一策略延续了其数十年的技术逻辑：通过定制基础设施实现通用硬件无法支撑的应用，再将其开放给无需承担巨额投入的客户。随着 AI 从实验室走向服务数十亿用户的生产场景，基础设施层 —— 包括芯片、软件、网络、供电与冷却 —— 正与模型本身同等重要。而 Anthropic 100 万块芯片的订单表明，谷歌针对推理时代的定制芯片赌注，或许正赶上需求爆发的关键拐点。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/gu-ge-tui-chu-xing-neng-ti-sheng-4-bei-de-ai-xin-pian-zhan
