2025年11月下旬，一则“Meta拟与谷歌签订数十亿美元TPU订单”的消息，在资本市场掀起轩然大波——英伟达股价盘中暴跌7%，市值蒸发超3000亿美元，而谷歌股价一度上涨4%，市值增加约1500亿美元。《华尔街日报》将此解读为“谷歌向英伟达算力霸权发起冲击”的信号，然而这股狂热却遭到学术界“泼冷水”：TPU并非新晋算力神器，Meta、xAI等企业及科研团队早在多年前就已广泛应用，何恺明领衔的团队更是在5年前就用TPU完成多项核心研究，华尔街的“新鲜劲”在业内人士看来更像是“后知后觉”。
TPU“走红”背后：资本市场狂欢与学术界的“见怪不怪”
资本市场对TPU的追捧，源于对“算力格局变动”的敏感预期。随着AI大模型训练对算力需求激增，英伟达凭借GPU及CUDA生态长期垄断市场，此次Meta选择谷歌TPU，被部分投资者视为“打破垄断”的开端。但在从业者眼中，这一选择实属常规操作。OpenAI技术人员Clive Chan在社交平台直言：“谷歌Gemini多年来一直用TPU训练，Anthropic的Claude、生图模型MidJourney等也早有TPU应用，若Meta从未用过TPU，才更令人惊讶。”
更具说服力的是Meta自身的实践履历。Meta AI研究员谢赛宁（Saining Xie）公开透露，早在2020年，Meta（当时仍称Facebook）就已启用TPU开展研究，何恺明（Kaiming He）亲自领导了TensorFlow（TF）与JAX代码库的初期开发，MAE（掩码自编码器）、MoCo v3（动量对比学习）、ConvNeXt v2（卷积神经网络）等影响深远的AI研究项目，均是在TPU上完成全部开发。“当时我们是FAIR（Meta人工智能实验室）唯一使用TPU的团队，直到2023年初Meta终止与谷歌云（GCP）的合作才暂停。”谢赛宁的表述，直接戳破了“Meta首次布局TPU”的市场误解。
学术界的“习以为常”与资本市场的“热烈反应”形成鲜明对比。纽约大学某AI实验室负责人表示，其团队在SiT（视觉Transformer变体）、RAE（递归自编码器）等项目中，多年来一直依赖TPU支撑大规模计算，“学生们如今都成了TPU/JAX/XLA（谷歌深度学习编译器）的专家，只是外界很少关注这些幕后技术细节”。一位网友的调侃更显辛辣：“市场在TPU推出10年后才‘发现’它，这反应速度也太慢了。”
算力竞争真相：英伟达“护城河”不深，谷歌TPU也非“救世主”
面对市场对TPU的热捧，英伟达迅速回应，称自家产品“领先行业一代，是唯一能运行所有AI模型、适配所有计算场景的平台”，并强调GPU比专用ASIC（如TPU）更具通用性与灵活性。但这一表态并未得到业内认可，Clive Chan指出，英伟达所谓的“护城河”实则薄弱——OpenAI为绕开CUDA生态，专门开发了Triton推理框架，仅用25行Python代码就能实现与英伟达cuBLAS（基础线性代数子程序库）相当的性能，“顶尖实验室完全有能力摆脱对CUDA的依赖，关键在于是否有优秀工程师推动”。
从成本与性能来看，TPU也未形成绝对优势。AI分析机构Artificial Analysis以Llama 3.3（70B参数模型）为测试对象，对比了英伟达H100、B200，AMD MI300X及谷歌TPU v6e的性价比：在每秒30 Token的处理速度下，完成100万输入+100万输出Token的成本，H100仅需1.06美元，B200约1.29美元，而TPU v6e高达5.13美元，英伟达芯片每1美元带来的Token收益是TPU v6e的5倍。即便谷歌最新的TPU v7，其FP8精度运算速度（4.6 PFLOP/s）与功耗（约1000瓦）表现，也仅与英伟达GB200（5 PFLOP/s，1200瓦）基本持平，未展现出碾压性优势。
行业专家进一步指出，谷歌推动TPU商业化，核心目标并非“击败英伟达”，而是通过锁定大客户订单保障芯片产能。人工智能分析平台Artificial Intuition作者Carlos E. Perez分析，谷歌正效仿苹果的供应链策略：通过与Meta、苹果等巨头签订长期协议（如六年云服务合同），以“每年消耗20万个TPU”的稳定需求为筹码，向芯片代工厂争取2纳米生产线25%的产能配额及成本价优惠。“这种操作能挤压中小芯片企业的产能空间，让Groq、Cerebras等公司难以获得优质晶圆，最终巩固谷歌在算力供应链中的地位。”
理性看待算力赛道：技术实力与生态建设才是关键
此次“TPU热炒”事件，也让行业重新审视算力竞争的核心逻辑。一方面，大型科技公司与顶尖实验室早已具备跨平台适配能力，无论是英伟达GPU还是谷歌TPU，本质上都是工具，关键在于是否拥有匹配的工程团队与技术储备——Meta能在2020年就用TPU推进前沿研究，正是依托何恺明团队的技术实力；OpenAI能绕开CUDA开发Triton，也印证了“优秀工程师可重塑算力平衡”的观点。
另一方面，算力生态的“通用性”与“稳定性”仍不可或缺。尽管TPU在特定AI任务中表现出色，但英伟达GPU因支持更多框架、适配更多场景，仍是中小企业与开发者的首选；而谷歌TPU虽在学术研究中应用广泛，但其对JAX/XLA生态的依赖，也提高了外部企业的接入门槛。某创业公司CTO坦言：“我们不会轻易切换到TPU，因为团队已熟悉CUDA生态，重新学习JAX的成本太高，除非有无法拒绝的性能或成本优势。”
对于普通投资者而言，此次事件更具警示意义：资本市场对技术热点的解读往往滞后于产业实践，盲目跟风易忽视核心事实。正如谢赛宁所言，TPU的价值早已在学术界与产业界得到验证，并非突然出现的“救世主”；而英伟达的市场地位，也不会因单一订单就被撼动。未来算力赛道的竞争，终将回归技术实力、生态完善度与成本控制能力的综合较量，而非短期市场情绪的摇摆。
