谷歌财报分析 5 AI芯片领域的布局

本期播客

用 AI 分析谷歌财报 5 AI芯片领域的布局

接上一篇, 本篇分析“谷歌自研的AI算力（TPU/GPU）芯片, 在技术指标、部署规模方面和友商(云厂商)以及英伟达的对比.”

谷歌在AI芯片领域的布局采取了“双轨并行”策略：一方面深度绑定英伟达（NVIDIA）以保持生态兼容性，另一方面通过自研 TPU（Tensor Processing Unit） 实现底层自主和极致的性价比。

根据2025年Q3财报及行业技术数据，以下是谷歌自研芯片在技术、规模及竞争格局中的深度分析：

1. 技术指标：TPU vs. 英伟达（GPU）

谷歌目前的主力是第六代 Trillium (TPU v6) ，并已开始向第七代 Ironwood (TPU v7) 演进。

分析： 英伟达在“单芯片性能”和“通用性”上无可匹敌；而谷歌TPU的优势在于集群效率。通过独家的光交换技术，TPU可以像一台超级计算机一样协同工作，在处理万亿参数模型时，通信损耗远低于英伟达集群。

2. 部署规模与资本开支

2025年是谷歌AI基础设施的“质变年”：

• 资本支出（CapEx）： 谷歌2025年全年预算上调至 910-930亿美元，其中约 2/3 直接投向了TPU、GPU和数据中心服务器。
• 部署规模： * 谷歌已拥有全球最大的自研AI加速器集群。据Q3财报透露，其核心客户 Anthropic 已计划接入规模达 100 万个 TPU 的集群。
• 谷歌内部的 Gemini 2.0 几乎完全在 TPU 上完成训练和推理，这为其节省了巨大的购买GPU的溢价成本。
• 外部采用： 除了自用，Apple（用于Apple Intelligence训练）和 OpenAI（用于部分推理加速）也开始租用谷歌的 TPU，显示出 TPU 生态正在突破谷歌自身的边界。

3. 与友商（云厂商）的横向对比

在自研芯片领域，谷歌、亚马逊（AWS）和微软（Azure）的策略各有侧重：

• Google (TPU)：先发优势最强。 已经迭代到第7代，软件栈（JAX/PyTorch/XLA）最成熟。它是目前唯一能真正大规模替代英伟达进行最顶尖模型训练的自研芯片。
• AWS (Trainium/Inferentia)：追求极致性价比。 AWS的 Trainium 2 主打比英伟达便宜 30%-50%，但在超大规模集群互联上仍逊于谷歌。
• Microsoft (Maia)：刚起步。 微软的 Maia 100 目前主要用于支持自身的推理业务（如 Copilot），在训练领域仍高度依赖英伟达，自研芯片的部署规模远小于谷歌。

4. 总结：谷歌的“护城河”在哪里？

1. 经济自主权： 谷歌每多部署一颗 TPU，就少付给英伟达一份高额利润。随着 2026 年 CapEx 继续增长，这种“降本增效”的逻辑将体现在 Google Cloud 的利润率提升上（Q3 云业务利润翻倍已证明了这一点）。
2. 供应链安全： 在全球 GPU 供不应求时，谷歌可以通过自有供应链保证 Gemini 的迭代速度。
3. 软件生态升级： 过去 TPU 很难用，但随着 OpenXLA 框架的普及，开发者现在可以更轻松地将代码从 CUDA 迁移到 TPU，英伟达的“软件护城河”正在被谷歌缓慢蚕食。

投资结论： 谷歌是目前唯一一家在 AI 算力链条上实现“全栈闭环”的公司。它既是英伟达的大客户（保持领先），又是英伟达最强大的潜在竞争对手（自研底牌）。