Google TPU（張量處理器）的發展始於2015年，當時Google在內部核心業務（如搜尋、廣告等）中廣泛應用深度學習。工程團隊發現，若全面採用深度學習模型，全球資料中心的功耗將會大幅增加，即使大量採購GPU也無法滿足需求，並且成本會暴增。因此，Google決定自行研發ASIC加速器，目標是打造可大量部署於資料中心、專用於矩陣運算的高效能晶片，而非單純追求通用性能。Google制定規格，並交由博通負責開發ASIC。
2016年，Google第一版TPU v1正式上線，支援Google翻譯及部分搜尋功能，證明了ASIC方案的可行性。此後，Google持續開發TPU作為資料中心的加速器，幾乎每年都推出新一代產品。到了2025年，Google推出了第7代TPU（TPU v7，代號Ironwood），在架構、規模、可靠性、網路與軟體系統上進行了全面重構，迅速成為全球AI基礎設施領域最受矚目的產品。
TPU最初的目標是解決深度學習模型在Google資料中心中部署時所面臨的功耗和成本問題。Google希望透過自研的ASIC晶片，實現更高效能、更低功耗的矩陣運算，從而降低資料中心的整體功耗和營運成本。此外，Google也希望藉此擺脫對GPU的過度依賴，建立自主可控的AI加速硬體生態系統。
隨著TPU的發展，其功能日益強大，已對GPU造成壓力。GPU最初是為電腦圖形顯示設計的，但由於具備數千個可執行平行運算的核心，因此也適用於深度學習與科學計算。然而，隨著大語言模型的發展，對算力的要求日益提高，GPU的功耗也大幅增加，導致AI資料中心的用電需求直線上升。
TPU的出現為市場提供了一個新的選擇。儘管目前人工智慧算力的基礎設施大部分架構在NVIDIA的GPU之上，但Google的TPU經過多年發展，商業模式已從「服務內部需求」轉為「開放與相容外部生態」，甚至開始直接對外販售TPU。例如，2025年10月底，美國人工智慧開發公司Anthropic與Google簽訂合約，將使用高達100萬顆Google TPU。此外，Meta也有意在其資料中心部署Google TPU。這些舉動都顯示TPU正在逐漸崛起，並對NVIDIA在AI晶片市場的壟斷地位構成挑戰。Google的目標是讓其AI TPU的銷售額，達到輝達AI晶片營收的10-15%左右。
This is a simplified version of the page. Some interactive features are only available in the full version.
本頁為精簡版，部分互動功能僅限完整版使用。
👉 View Full Version | 前往完整版內容