Google再扩AI芯片版图：两款专用TPU瞄准机密训练与大内存

Google TPU家族再添新成员

Google正在为其自研AI芯片阵容添砖加瓦。据RSS来源报道，Google推出了两款新的张量处理单元（TPU），将芯片组合覆盖到更多使用场景——其中一款聚焦机密模型训练，另一款则主打更大的内存容量。

这一动作延续了Google以专用硬件切入AI算力市场的路线。与通用GPU不同，TPU是Google为机器学习负载量身定制的专用芯片，如今其定位正从单一的训练加速器，向更细分的场景延伸。

TPU（Tensor Processing Unit，张量处理单元）是Google于2015年首次公开的自研专用集成电路（ASIC），专为神经网络中大量出现的矩阵乘法与张量运算设计。与通用GPU相比，TPU牺牲了部分通用性，换来在特定机器学习负载上更高的能效比和更低的单位算力成本。TPU历经多代演进，早期主要用于Google内部的搜索、翻译等推理任务，后续逐步支持训练，并通过Google Cloud以云服务形式对外提供。理解TPU的专用属性，有助于把握此次按场景拆分产品线背后的逻辑。

两款芯片各自解决什么问题

机密训练：把隐私保护下沉到硬件层

新TPU之一面向机密模型训练。这类场景的核心诉求是：即便在云端共享基础设施上运行，训练数据和模型参数也应受到硬件级隔离保护。对企业客户而言，这意味着敏感数据在训练过程中不必以明文形式暴露给云服务商的系统，合规压力显著降低。

机密计算（Confidential Computing）是一种基于硬件可信执行环境（TEE）的安全技术范式。其核心是在CPU或加速器内部划出加密隔离区域，使数据在“使用中”也保持加密状态，而非仅在存储和传输时加密。常见实现包括Intel SGX/TDX、AMD SEV以及Arm的Confidential Compute Architecture等。将这一机制延伸到AI加速器上，需要解决内存加密、远程证明（remote attestation）以及性能开销等问题。机密训练正是把这一思路用于模型训练全过程，使云服务商自身也无法窥探租户数据，这对金融、医疗等强合规行业尤为关键。

大内存：缓解模型规模膨胀的瓶颈

另一款芯片的重点是更大的内存容量。随着模型参数规模持续攀升，内存带宽和容量往往比算力更早成为瓶颈。扩大单芯片内存可以让更大规模的模型驻留在片上或更靠近计算单元，减少数据搬运开销，对推理和训练效率都有直接帮助。

在AI芯片中，内存容量与内存带宽往往是决定实际性能的关键因素，而不只是峰值算力。模型参数、激活值和优化器状态都需要占用内存空间，参数规模越大，单芯片可容纳的模型就越受限，否则就要跨芯片切分并频繁通信。高带宽内存（HBM）通过堆叠DRAM并与计算单元近距离封装，显著提升带宽、降低数据搬运能耗，是当前AI加速器的主流选择。扩大单芯片内存容量，可减少对片外存储的访问和跨设备通信，从而提升推理吞吐与训练效率。

Google的硬件棋局

Google是少数同时自研芯片、自建云平台、自研模型的厂商。TPU最初为内部工作负载服务，后来通过Google Cloud对外输出。此次按场景拆分产品线，透露出一个信号：AI硬件的竞争已从"谁的算力更强"转向"谁更能适配具体场景"。

从行业视角看，云厂商自研芯片的动机很明确——降低对第三方GPU供应的依赖，同时在成本与能效上争取主动权。机密训练和大内存这两个方向，恰好对应了企业客户在安全合规与大模型落地上的两大痛点。

云厂商自研AI芯片已成行业趋势：AWS推出Trainium与Inferentia，微软发布Maia系列，Meta也在推进MTIA。其共同动机是降低对NVIDIA GPU的单一依赖、控制采购成本，并针对自家云上负载做软硬件协同优化。但自研芯片的成败不仅取决于硬件本身，还依赖编译器、框架和开发者生态的配套成熟度。TPU之所以能形成一定外部影响力，与其较早布局并开放云上使用密切相关，这也是观察此次新品能否落地的关键维度。

值得关注的几点

新芯片的具体规格、可用时间与定价，原始报道并未披露，其实际性能表现还有待后续测试验证。对开发者而言，更值得留意的是这些专用能力何时通过Google Cloud开放，以及是否会有配套的软件栈支持。

AI芯片的竞争正进入细分阶段，专用化能否带来真实的性价比优势，将是接下来最值得观察的变量。