TPU
TPU（Tensor Processing Unit，张量处理单元）是Google专为机器学习工作负载设计的定制化专用集成电路（ASIC）。与通用GPU相比，TPU针对张量运算进行了深度优化，能够高效加速神经网络的训练与推理任务。TPU主要部署于Google数据中心，支撑TensorFlow等深度学习框架，并通过Google Cloud对外提供算力服务，广泛应用于图像识别、自然语言处理等AI领域。
核心事实
时间轴 (近 90 天)
谷歌的优势在于垂直整合能力——从TPU芯片到数据中心，从搜索分发到云服务，这种全栈布局让Gemini的部署成本和应用场景都具有独特优势。
亚马逊有Trainium和Inferentia，谷歌有TPU，微软的Maia已迭代到第三代。
主流AI计算硬件包括NVIDIA的GPU（配合CUDA）、Google的TPU、AMD的GPU（配合ROCm）、亚马逊Trainium、英特尔Gaudi等
超大规模云厂商正纷纷部署自研芯片，包括谷歌的TPU、亚马逊的Trainium和Meta的MTIA
AI加速芯片（如GPU、TPU）的功耗密度远高于传统服务器，单机柜功耗可达30-100kW
TPU（张量处理单元）是专为深度学习设计的加速器，在矩阵运算密集的大模型训练中具备性价比优势
一位开发者在社交平台分享使用 KerasHub、JAX 与 TPU 组合进行大量 LLM 后训练实验，并透露可能开源部分成果
JAX 以函数式编程范式、自动微分和即时编译（JIT）为特点，天然适配 TPU
GameNGen在单块TPU上以每秒约20帧的速度渲染《毁灭战士》画面
谷歌的TPU（张量处理单元）专为矩阵乘法和深度学习推理设计，在训练和服务大规模Transformer模型时相比通用GPU具有显著的能效和成本优势
还有 40 条时间轴事件
全部知识事实 (20)
谷歌的TPU自2016年起已迭代至第五代（TPU v5）
90%已验证TPU（Tensor Processing Unit）是Google自2015年起自主研发的AI专用芯片
85%已验证多家大型科技公司在构建定制AI芯片团队：Google迭代TPU，Amazon开发Trainium和Inferentia，Microsoft自研Maia芯片，Meta推进MTIA项目
80%已验证谷歌早在2016年就推出了TPU（张量处理单元），目前已迭代至第五代
80%已验证现代AI数据中心通常采用CPU+GPU/TPU+DPU+专用加速器的异构架构
75%已验证Google早在2016年就推出专为深度学习设计的TPU芯片
75%已验证TPU 采用脉动阵列（Systolic Array）架构，专门优化矩阵乘法运算，由 Google 于 2016 年首次公开
70%已验证TPU是Google专为神经网络矩阵运算设计的专用芯片，相较通用GPU在大规模矩阵乘法时具有更高能效比
70%已验证谷歌通过自研TPU、亚马逊通过Trainium和Inferentia芯片走上自研算力路径
65%已验证谷歌拥有自研TPU（张量处理单元）基础设施
65%待验证TPU的成功开启了AI专用芯片的行业浪潮，此后亚马逊推出了Trainium/Inferentia，微软开发了Maia
90%待验证Google通过JAX框架和XLA编译器构建自己的软件生态，使开发者能够在TPU上运行模型
90%待验证推测解码、模型蒸馏、KV Cache优化等推理优化技术的持续进步正在使单位推理成本快速下降
85%待验证TPU（Tensor Processing Unit）将深度神经网络推理性能提升了30-80倍（相比当时的CPU和GPU），同时将延迟降低了15-30倍
85%待验证TPU采用脉动阵列（Systolic Array）架构，在特定AI工作负载上具有更高的能效比
85%待验证截至2025年，TPU已迭代至第六代（Trillium）
85%待验证TPU支撑了Google搜索、YouTube推荐、Gemini大模型等核心业务的运行
85%待验证2016年前后谷歌开始自研TPU（张量处理器）以摆脱对NVIDIA的依赖
85%待验证Gemini Live的实时交互依赖流式推理技术，配合谷歌自研的TPU芯片集群实现毫秒级延迟
75%待验证Flash系列实现轻量化的技术路径包括模型蒸馏、混合专家架构（MoE）和针对TPU的算子优化及量化处理
70%