這幾年，好像全世界都在搶輝達（NVIDIA）的圖形處理器（GPU）。微軟（Microsoft）、Meta、亞馬遜（Amazon），這些手握千億美元的科技巨頭，得排隊等黃仁勳點頭才能拿到 H100 晶片。
配貨權、價格都在輝達手上。這場 AI 軍備競賽裡，誰能拿到更多算力，誰就能訓練出更強的模型。
但有一家公司早在 2015 年，就布局晶片自主，在自家資料中心部署一款從未對外販售的晶片，代號 TPU（Tensor Processing Unit，張量處理單元）。它不像輝達的 GPU 那樣萬能，不能用來挖礦，也不能渲染遊戲畫面。TPU 只會做一件事：跑神經網路（編按：生成式AI訓練大型語言模型所需要用到的基礎理論）。
但就是這個「只會一件事」的晶片，讓 Google 在 2016 年用它的算力支撐 AI 模型 AlphaGo，擊敗韓國職業棋手李世乭；也讓 Google 在 10 年後的今天，成為唯一一家不用完全看輝達臉色的雲端巨頭。
一個只會做一件事的晶片，砍掉多餘運算能力
2013年，Google的工程師團隊算出一個數字。
如果每個安卓（Android）用戶每天使用 3 分鐘的語音搜尋，以當時的運算架構（CPU 加上少量 GPU），Google 必須將全球的資料中心數量翻倍，才有辦法支撐使用者的用量。
而資本支出如果這樣擴張，實在不符合經濟效益。更何況這還只是語音搜尋，如果再加上圖片辨識、影片推薦、即時翻譯，這個數字會繼續膨脹。
當時的選擇是，要就放棄這些功能的普及化，要就找到一個更便宜、更高效的解決方案，Google 選擇了後者。
CPU 什麼都能算，但速度不夠快。而 GPU 原本是為了畫面渲染設計的，後來發現它的平行運算能力也適合跑AI，但它保留了很多圖形處理的電路，對 Google 來說是浪費。
TPU 應運而生，設計哲學是不做通用運算，只做矩陣乘法。TPU 則是徹底的ASIC（特殊應用積體電路），把所有不需要的功能都拿掉，晶片面積全部用來做矩陣運算。
結果是效率的差異。TPU v1 的效能功耗比是當時 CPU和 GPU 的 30 到 80 倍。意思是同樣的電力，Google 能處理幾十倍的運算量。
Google的資料處理狂燒算力，自己做比買現成划算
但如果只是「比較好用」，Google 不會堅持自己做晶片，真正的原因藏在 2 筆帳當中。
先論技術推進，AI 分為訓練和推論兩大類別，才能構成更強的能力。訓練是高強度、低頻率的工作，通常在模型升級或推出新版本時進行，可能耗費數周甚至數月，決定模型能力的上限。
推論（Inference，也就是讓已經訓練好的 AI 模型回答問題）則是 7×24 小時、每秒數百萬次的持續需求。每一次 Google 搜尋、YouTube 推薦、Google 相簿的圖片辨識，都是推論。真正讓 AI 能被大規模使用、形成商業價值的，往往不是訓練，而是推論能否在成本與效能間取得平衡。
根據 Google 內部數據，Google 的流量中推論佔比超過 90%。而 TPU v1 就是專為推論設計的。Google 翻譯每天處理 10 億次請求，YouTube 推薦系統服務 20 億用戶，Google 相簿每月分析 280 億張圖片。這些都跑在 TPU 上。
對於推論場景，GPU 其實是「過度配備」的。因為輝達早期主攻遊戲玩家，GPU 保留大量用於圖形渲染和科學計算的電路，這些在跑神經網路時用不到。TPU則是它砍掉所有不需要的功能，把晶片面積和電力預算全部投注在矩陣運算上。
這是TPU存在的第一個理由，在Google最需要的場景裡，它比GPU便宜、省電、更適合大規模部署。
不想再繳輝達稅，擺脫市場遊戲規則
再者，是成本帳。2023 年之後，自研晶片成了科技巨頭的標準配備。微軟推出 Maia、亞馬遜發表 Trainium、Meta 開發 MTIA。推敲背後原因，大家都在做同一件事：擺脫對輝達的依賴。
輝達 GPU 的毛利率超過 75%，例如外媒推估，一顆 B200 的製造成本大約是 5700 到 7300 美元，市場售價卻是 3 到 4 萬美元，中間的差距就是所謂的「輝達稅」。
這不是輝達會對企業徵稅的意思，而是當每個想要發展AI的企業，都繞不過輝達，那對企業而言，是某部分的咽喉，被供應鏈給掐住了。
對一般企業來說，這是能接受的成本，因為輝達提供了完整的軟體生態（CUDA）和技術支援。但對 Google 這種需要部署數十萬顆晶片的公司，每一顆晶片的溢價，都會累積成天文數字。
因此，Google 選擇建立自己的供應鏈體系。它把 ASIC 設計交給博通（Broadcom）和聯發科，晶圓代工與先進封裝交給台積電和 Amkor，模組組裝交給系統整合商，再加上 PCB 板材、光模組、散熱系統等數十家供應商。這個龐大的供應鏈網絡，讓 Google 能繞過輝達的品牌溢價，直接掌控從設計到製造的每個環節。
打造晶片生態系，榨乾TPU效能
但這盤生意不只要自家做，Google認知到，如果AI真的要成為所有服務的基礎，那麼整個運算堆疊，從晶片、編譯器、網路架構到資料中心，都必須為AI重新設計。
Google 不只設計晶片，還開發了專門的編譯器 XLA（用來把AI模型翻譯成TPU能理解的指令）、發明了 JAX 框架（讓研究人員能榨乾TPU的效能）、甚至重新設計了資料中心的網路架構，他們用光學電路交換（OCS）取代傳統的電氣交換機，讓數千顆 TPU 能像一台超級電腦那樣協同工作。
且 TPU 不對外販售硬體，只透過 Google Cloud 提供服務。用 TPU 的客戶只能用 Google Cloud，而用 Google Cloud 的客戶更可能選擇 Google 的模型。
Google 沒有完全不用輝達的產品，因為雲端客戶仍然習慣用 CUDA（輝達推出的計算平台）生態。但在內部核心業務上，Google 已經盡可能轉向 TPU。即便所費不貲，Google 仍然堅持投資 TPU。因為如果不這麼做，這些成本會更高。
這就是為什麼雲端巨頭都開始自研晶片，因為他們都在算同一筆帳，誰能掌握算力的成本和供應，誰就能在 AI 時代站穩腳跟。只是相對其他科技巨頭，Google 已經率先把這場競賽的距離拉得更遠了。
參考資料：Google Cloud(1)(2)(3)、OrhanErgun、TrendForce、Tom's Hardware、wevolver、Lambda、MBI
核稿編輯：陳書榕
