#13 Google 皇冠上 9,000 億美元的珍珠：因恐懼而誕生的 TPU，如何衝擊 Nvidia AI 帝國？

在我這個週更的個人電子報，Google 已在一個月內，第二次成為主角。上一次是寫它的 Gemini AI 模型，這一次則是寫它的 TPU 晶片，而 Gemini＋TPU，是 Google 從搜尋龍頭，轉身 AI 強權的兩大根基。在這背後，TPU 是一段 Google 鋪陳了超過十年的長篇故事。

近期，有華爾街的分析師，提出若 Google 將旗下 TPU 和 DeepMind 合併分拆，將成為潛在價值達到 9,000 億美元的新科技巨頭，進而衝擊 Nvidia GPU 當前在 AI 發展的強勢統治力。這為 TPU 一路以來的發展，寫下一個高度肯定的階段性註腳。Google 究竟是如何十年磨出 TPU 這一劍？又為什麼是 Google 而不是其他人？和過往幾篇一樣，閱讀前請準備好閱讀長文的耐心。讓我們開始吧！

在供奉著各個科技巨頭的萬神殿中，有些資產光芒萬丈，例如蘋果 iPhone 的設計、微軟 Windows 的市佔率，以及眾人對 Nvidia GPU 的努力囤貨。然而，也有些資產潛伏在陰影中，如同藏身在機器中的幽靈，它的真實價值長期以來只有內部人士知曉。

最近，華爾街的分析師們，似乎瞥見了 Google 內部這樣一個幽靈的輪廓，並為它標上一個驚人的價格：9,000 億美元（Google 母公司 Alphabet 近期市值約 3.1 兆美元），這可在美股排入市值前 10 大企業，次於第 9 大的 Berkshire Hathaway 約 1.1 兆美元 。

這個幽靈就是 Google 的 TPU 晶片（Tensor Processing Unit）， 一款專為 AI 計算而設計的客製化晶片。根據投資銀行 D.A. Davidson 分析師的報告，如果將 Google 的 TPU 業務，與公司裡頂尖的 AI 研究實驗室 DeepMind 合併分拆，潛在價值可能高達 9,000 億美元，這是 Alphabet 旗下最寶貴的隱藏資產之一。

這項估值不僅僅是財務模型推演的數字遊戲，它是一個強烈的市場信號：在由 Nvidia 及它的 GPU 所主宰的 AI 世界裡，一個真正強大的挑戰者已經浮現。TPU 正在成為「Nvidia 晶片的最佳替代品」，並受到前沿 AI 巨頭們越來越多的關注。

這引出了一個核心問題：一個最初為了因應內部危機而秘密研發的專案，是如何在約莫十年後，突然被視為有能力衝擊 Nvidia 帝國的關鍵武器？答案不僅僅是一段關於 AI 和晶片的技術史，它更是一個關於遠見、恐懼、企業文化以及在 AI 時代如何生存的故事，而 Google 用了超過十年的時間，來鋪陳這條故事線。

這筆 9,000 億美元驚人的估值，雖然目前仍是假設，卻已成為 Google 的一個強大策略槓桿。在 AI 的軍備競賽中，算力就是終極的戰略物資，如同過去的石油或鋼鐵。Nvidia 的空前成功，創造了一個供不應求的賣方市場，催生了對高效能、高性價比替代方案的極度渴求。

當 OpenAI 這樣與 Google Gemini 存在激烈競爭關係的 AI 巨頭，也開始採用 Google TPU 來運行部分 AI 服務時，這份估值便從理論更走向了現實。這不僅僅是技術上的認可，更是商業上的背書。這使得 Google 在吸引頂尖 AI 人才時更具說服力，也為它的雲端平台 GCP，提供了對抗 Amazon AWS 和微軟 Azure 的獨特護城河，並在與潛在大客戶的談判中增添了份量十足的籌碼。它將 TPU 從一個龐大的內部成本中心，重新定義為 Google AI 帝國版圖上的一顆皇冠明珠。

Google TPU 的誕生，並非源於一個天馬行空的「登月計畫」，而是一場為求生存而展開的絕地反擊。時間回到 2013 年，Google 內部進行了一次令人不寒而慄的推算。隨著語音搜尋等 AI 驅動的功能日益普及，工程師們發現，如果使用者每天只用三分鐘的語音搜尋，背後所需的計算量，將迫使 Google 將全球資料中心的數量翻倍。這對任何公司而言，都是一個災難性的場景，意味著成本和能源消耗將呈現指數級增長，足以拖垮整個商業模式。

這個場景，宛如電影《阿波羅13號》中的經典困境：當太空船在前往月球途中發生爆炸，任務目標從「登月」瞬間變為「活著回家」。在地面上的 NASA 工程師們被告知，他們必須協助太空人用太空船上現有的、有限的資源（那些並非為此目的而設計的零件）解決一個攸關生死的難題：如何將方形的二氧化碳過濾器裝進圓形的插槽中。

當時，Google 面臨的正是一個這樣的「方栓圓孔」窘境。它的宏大目標是 AI 的未來，但迫在眉睫的資源危機（運算需求呈指數級增長），卻可能讓整艘「太空船」在抵達目的地前就已崩潰。依賴市面上的 CPU 和 GPU 等通用晶片，就等於默許了資料中心無止盡的擴張。Google 意識到，唯一的出路就是為自己量身打造一把專用的「武器」、一款專為神經網路計算而生的特殊應用積體電路（ASIC）。

於是，一場與時間的賽跑開始了。通常需要數年才能完成的晶片設計、驗證和部署流程，過往和晶片研發沾不上太多邊的 Google，被極度壓縮到 15 個月內完成。這是一個混亂而高效的過程，Google 甚至是一邊晶片設計，還在一邊招募核心的晶片設計和驗證工程師。這場豪賭的結果，就是第一代 TPU 誕生。

然而，Google 的遠見不止於硬體。就在 TPU 計畫最緊迫的時刻，Google 在 2014 年初做出了一個同樣關鍵的策略決策：斥資約 4 億美元，購併位於倫敦的 AI 研究新創 DeepMind。這筆交易的目標，並不只是併購一家公司，而是要將一個「富有遠見的 AI 研究實驗室」及背後的世界頂級 AI 人才庫納入麾下。

這兩項看似獨立的行動，實際上是 Google AI 策略的「鉗形攻勢」。時間線清晰地揭示了這一點：2013 年，TPU 計畫因內部預見危機而變得刻不容緩；2014 年初，Google 購併 DeepMind；2015 年，第一代 TPU 在 Google 資料中心內秘密部署。

在 2016 年，TPU 首度在外界眼中驚豔現身。2015 年，AlphaGo 在對戰歐洲圍棋冠軍樊麾時，系統後端主要依靠 1,202 個 CPU 和 176 個 GPU，來支撐龐大的深度神經網路運算。然而僅在一年後，Google 升級版本的 AlphaGo 在與世界冠軍李世乭的「世紀對決」中，已經能以 48 個第一代 TPU，展現更高效能與更低能耗的計算實力，並取得壓倒性勝利。直到這場舉世矚目的「人機大戰」之後，Google 才在2016 年 I/O 開發者大會上，正式揭開 TPU 的神秘面紗。

這一系列事件並非巧合。Google 在十年前就預見到，DeepMind 正在探索的先進 AI 模型，計算需求將遠遠超出當時市售硬體的承載能力。購併 DeepMind，不僅是買下了一個頂尖的 AI 實驗室，更是為秘密研發的 TPU 找到了一個最完美的「客戶」和最極致的「訓練員」。當競爭對手還在軟體層面競逐時，Google 已經深刻理解到，AI 時代的真正霸權，必須能夠同時掌握 AI 模型和驅動這些模型的晶片。這種軟硬體協同設計的垂直整合能力，為 Google 奠定了難以被模仿與超越的長期優勢。

要理解 AI 晶片的競爭格局，首先必須了解 AI 生命週期中，兩個截然不同卻又密不可分的階段：訓練（Training）與推理（Inference）。這兩者對晶片的需求迥異，也決定了 Google TPU 與 Nvidia GPU 之間的競爭態勢。

AI 模型的訓練，是一個極其嚴酷且耗費巨大的過程。我們可以將每一次的 AI 模型升級，比喻為拍攝像《哈利波特》這樣橫跨八部、場景複雜、特效驚人的史詩級系列電影。首先，需要搭建一個龐大的「片場」（一個由數千甚至數萬顆晶片組成的超級電腦叢集）。接著，需要招募數以萬計的「演員」（ 海量的文字、圖片和影片數據）。然後，導演（AI 科學家）將指導這些演員進行無數次的排練，透過不斷修正錯誤，最終將這些經驗內化為電影的每一個鏡頭、每一句咒語和每一個魔法生物的動作。這個過程可能持續數週甚至數月，耗資數億乃至數十億美元，最終產出一部完整的「電影」、 一個訓練好的 AI 模型。

這個階段的目標，大多是純粹的暴力計算。它需要極高的原始運算能力，和超高速的晶片間互聯能力，以確保整個龐大的「劇組」能夠協同工作，將訓練時間縮到最短。

一旦模型訓練完成，就進入了推理階段。這就好比《哈利波特》系列電影製作完成後，在全球的電影院和串流平台上線。每一次使用者提問，就像一位觀眾點擊播放觀看電影。雖然單次「放映」的計算成本遠低於「拍攝」，但全球每天可能有數十億次的請求，日積月累，這是一筆持續不斷且極其龐大的營運開銷。

這個階段的目標，不再是極致的暴力計算，而是極致的效率。串流平台關心的是如何以最低的電力和營運成本，為最多的觀眾提供流暢、低延遲的觀影體驗。同樣地，AI 服務提供商在推理階段最關心的是「每瓦效能」（Performance Per Watt）和「每美元效能」（Performance Per Dollar）。

在這方面，TPU 的專用架構展現出顯著優勢。有分析師指出，Google 本身營運 TPU 功能的成本，比那些需要向 Nvidia 採購 GPU 的 AI 企業低約 20%。AI 推理需要晶片能夠在極低的延遲下快速回應，同時將能源消耗和單位查詢成本降至最低。Google 最新發布的第七代 TPU Ironwood，正是首款專為大規模推理而設計的晶片，這標誌著 AI 產業的重心，正從訓練的肌肉展示，轉向推理的經濟效益。

訓練搶佔了媒體的頭條，但 AI 的經濟引力中心，正無可逆轉地滑向推理。一個成功的 AI 服務，成本結構將永遠被每一次使用者查詢所定義。對於像 Google 這樣核心業務建立在處理數兆次查詢之上的公司，如果不能有效控制 AI 推理的成本，可想而知，它的成本與利潤結構，將面臨災難性的崩潰。

因此，Google 對於打造超高效率推理晶片的執著，不僅僅是技術上的追求，更是一種攸關生存的策略佈局。即使只是將每次查詢成本降低千分之一美分的能力，都比擁有一台訓練速度最快的超級電腦，更具長遠競爭優勢。這也解釋了為何像 OpenAI 這樣的公司，在面臨 ChatGPT 龐大的推理成本壓力時，最終選擇轉向 Google 的 TPU。AI 時代的最終勝利者，或許不是那個能訓練出最強大模型的企業，而是那個能以最低成本服務最多使用者的企業。

在 AI 晶片的競技場上，Nvidia 和 Google 各自建立了一套截然不同的生態系統，宛如一場「龐大帝國」與「圍牆花園」之間的對決。

Nvidia 的 GPU 生態系統，如同《星際大戰》中的反抗軍同盟。它的核心優勢在於無處不在的普遍性和強大的適應性。Nvidia 的 GPU 就像是多功能的 X 翼戰機和千年鷹號，不僅能用於 AI，還能勝任遊戲、科學計算和數據分析等多種任務，這使得它成為各類雲端服務商和企業的安全投資。

Nvidia 真正的護城河，是名為 CUDA 的專有平行計算平台。經過多年發展，CUDA 已經成為 AI 開發的產業標準，絕大多數主流 AI 框架都為此進行了深度優化，這為 Nvidia 創造一個強大的開發者黏性，難以被輕易取代。

然而，這個龐大帝國的公民需要繳納高昂的「Nvidia 稅」（Nvidia Tax）。由於 Nvidia 在高效能 AI 晶片市場的壟斷地位，使得產品售價遠高於製造成本，利潤率可達 80-90%，這個巨大的價差被業界戲稱為「Nvidia 稅」。同時，使用者還需承擔巨大的能源消耗。

相比之下，Google 的 TPU 生態系統則像《星際大戰》中為絕地武士量身打造的星際戰機。它是一個高度特化的「圍牆花園」。TPU 作為一款 ASIC 晶片，設計目的並非通用，而是像一把精準的手術刀，只為一件事而生：高效執行 AI 模型所需的矩陣和張量運算。

這種專一性帶來了驚人的回報：在 AI 工作負載上，TPU 的每瓦效能和總體擁有成本（TCO）遠優於 GPU。這並非空泛的宣稱，而是有具體數據支持。在效能測試中，使用 Google Cloud TPU v3 訓練 ResNet-50 模型僅需 15 分鐘，而使用 Nvidia Tesla V100 GPU 則需要 40 分鐘。對於更複雜的 BERT 模型，TPU v3 的處理速度是 V100 GPU 的兩倍以上。

在關鍵的能源效率指標「每瓦效能」上，TPU 的優勢更為顯著。早在第一代 TPU 問世時，每瓦效能就比同時代的 GPU 高出 30 到 80 倍，而較新的 TPU v4 也比 Nvidia A100 的每瓦效能高出 1.2 至 1.7 倍。這種效率直接轉化為更低的總體擁有成本。有分析指出，對於大型語言模型的訓練，TPU 的部署成本效益可達 GPU 的 4 到 10 倍，整體部署成本（包含冷卻和維護）也能降低 20% 到 30%。

然而，要進入這個高效的花園，代價是必須接受 Google 的規則。絕大多數情況下，只能透過 Google 的 GCP 雲端平台來使用 TPU，這形成了深度的供應商綁定 。

為了對抗 Nvidia CUDA 的主宰力量，Google 押注在兩個關鍵軟體：JAX 和 Pathways。JAX 讓研究人員能用接近原生 Python 的語法，把程式直接跑在 TPU 上；Pathways 則是 Google 的新一代 AI 系統，能把數以萬計的加速器整合成一台「巨型電腦」，支援多任務、多模態。Gemini 就是這個架構的產物。這套軟硬體一體化的策略，雖不及 CUDA 的開放與普及，但在大規模模型訓練上，效能與效率往往更勝一籌。

擴展方式上，兩者設計迥異。Nvidia 的 GPU 透過 NVLink／NVSwitch 在一台伺服器內組成「節點」（Node），再用網路連接多個節點；Google 則用 ICI 將數千顆 TPU 晶片（最新可達 9,216 顆）織成一個「Pod」，讓它們像單一超級電腦般協作。對追求極限效能的 AI 訓練而言，這種設計帶來更低延遲與更高整體吞吐量。

在 AI 這場新的權力遊戲中，算力即王權。各大巨頭正以前所未有的規模投入資源，而他們對晶片的選擇，揭示了這場戰爭的未來走向。一個清晰的趨勢正在形成：對 Nvidia 的依賴正在被系統性地衝擊，一個多元化的 AI 硬體世界正在崛起。

作為全球最大的 AI 實驗室之一，OpenAI 與微軟有著深度的策略合作關係。自 2019 年 7 月起，微軟已向 OpenAI 投資超過 130 億美元，並成為 OpenAI 雲端基礎設施的重要合作夥伴， OpenAI 的許多模型訓練與推理，工作長期以來主要透過微軟 Azure 進行。

然而，2025 年中發生了一個重大轉變。據多家媒體報導，OpenAI 在 2025 年 6 月底已開始通過 Google GPU 租用 TPU，用來處理 ChatGPT 及其他產品的部分推理工作負載。這是 OpenAI 在大規模推理中，首次較為明顯地使用非 Nvidia 晶片。驅動這一決策的背後，包括降低推理成本、滿足日益爆增的計算需求，以及提升供應鏈與雲端服務供應商的多樣性與彈性，擺脫對單一供應商（Nvidia）和單一雲端平台（微軟 Azure）的過度依賴。

作為 OpenAI 的主要競爭對手，Anthropic（LLM 模型 Claude 的開發商）採取了更為徹底的多雲策略。

2023 年 9 月，Amazon 宣布投資最多 40 億美元於 Anthropic（初期投入 12.5 億美元），並確立 AWS 為主要雲端供應商。Anthropic 也承諾使用 AWS 的 Trainium 和 Inferentia 晶片來訓練與部署未來的模型。2024 年 3 月，Amazon 完成剩餘 27.5 億美元投資；同年 11 月再度追加 40 億美元，使總金額達到 80 億美元，並進一步將 AWS 定位為 Anthropic 的「主要訓練夥伴」（Primary Training Partner），深化在晶片與基礎建設上的合作。

另一方面，Anthropic 與 Google 的合作始於 2022 年底，當時 Google 投資約 3 億美元並取得約一成股權。隨後在 2023 年，雙方擴展合作，Anthropic 在 Google Cloud 上使用 TPU v5e 晶片進行模型訓練與推理，藉由 TPU 的高效率來優化部分工作負載。這展現出前沿 AI 模型公司正依據不同需求，在 Amazon AWS 與 Google GCP 之間進行策略性分工與資源配置。

作為雲端與社群媒體的巨頭，Amazon 和 Meta 正在積極「致敬」 Google 十年前就已開啟的道路：自行研發客製化 ASIC 晶片。Amazon 的 Trainium／Inferentia，以及 Meta 的 MTIA，共同目標都是降低對 Nvidia 的依賴，並針對自身龐大的算力需求量身打造最合適的硬體。

其中，Meta 更是火力全開，計畫僅在 2025 年就為 AI 基礎設施投入 高達 650 億美元。這筆支出涵蓋資料中心、伺服器與晶片研發，標誌著自研 AI 晶片的軍備競賽，已經進入白熱化。

Elon Musk 的 xAI 正在打造名為「Colossus」的巨型超級電腦，目前主要依賴數十萬顆 Nvidia 的 GPU。然而，有報告指出，隨著 Google 的 JAX 軟體工具鏈日益成熟，xAI 也對採購 TPU 表現出興趣，這表明即使是 Nvidia 的最大客戶，也在尋求備用方案。

這些動向共同指向一個結論：Nvidia 的統治力正在迎來挑戰，一個多元化的 AI 晶片供應鏈正在形成。所有主要參與者都在積極地對算力這個最關鍵的策略資源進行風險分散。驅動這個趨勢的因素是共通的：高昂的「Nvidia 稅」，以及被單一供應商鎖定的巨大商業風險。

在這個過程中，Google 的 TPU 從一個內部資產，意外地成為了這場全產業多元化浪潮的最大受益者之一。OpenAI 的採用，是迄今為止最強烈的市場信號，證明 TPU 不僅僅是一個可行的替代方案，更是在特定關鍵工作負載（尤其是推理）上更具經濟效益的選擇。

這場變局正在重塑市場格局：Nvidia 憑藉 CUDA 軟體生態，在模型訓練領域的霸主地位短期內依然穩固；然而，在規模更大、成本更敏感的推理市場，版圖正在分裂。Google 的 TPU 正準備衝擊這一市場的巨大商機，它的商業模式，並非直接銷售晶片，而是透過 GCP 銷售算力服務。這使得 GCP 的 AI 服務在成本結構上，具備競爭對手 AWS 和 Azure 難以比擬的根本性優勢，因為後者必須將沉重的「Nvidia 稅」轉嫁給它們的客戶。

更值得思考的角度，則是為什麼 Google 可以做到但其他科技巨頭卻不行？Google TPU 的存在本身，就是一個關於企業文化的奇蹟。在一個痴迷於季度財報和短期回報的資本市場中，一家公司如何能夠持續超過十年，投入數百億美元，去研發一項最初並不直接產生收入的底層技術？答案深植於 Google 獨特的企業 DNA 之中。

從創立之初，Google 的文化就鼓勵工程師進行「10 倍思考」（10x Thinking），追求帶來十倍改進的顛覆性創新，而非僅僅 10% 的漸進式改良。TPU 計畫正是這種精神的具體展現。它並非為了小幅優化現有流程，而是為了解決一個可能導致公司商業模式崩潰的根本性問題。

這種文化最著名的體現，便是「20% 時間」政策。該政策允許工程師將 20% 的工作時間，用於自己感興趣的、可能對公司有益的專案上。TPU 計畫的火花，正是在這樣的文化土壤中被點燃的。在鄉民的都市傳說中，TPU 的早期概念便源於一位關鍵工程師 Jonathan Ross 的「20% 時間」專案。儘管這個專案的執行力度，隨著公司的規模化而有所起伏，但它所代表的賦予工程師自主權、鼓勵自下而上創新的精神，始終是 Google 創新的核心動力。Jonathan Ross 後來離開 Google，在 2017 年創辦 Groq 並擔任執行長，專注於 AI 加速運算晶片的研發，是矽谷 AI 基礎設施領域的重要創業者。

當然，TPU 的發展之路並非一帆風順。第一代產品的開發是一場與時間賽跑的瘋狂衝刺。隨著晶片性能的迭代，工程挑戰也變得愈加複雜。TPU v3 引入液體冷卻系統以應對巨大的散熱需求；TPU v4 則整合了精密的「光路交換機」（Optical Circuit Switches），以光速連接 Pod 中的數千顆晶片，確保數據傳輸的極致速度和可靠性。每一次迭代，團隊都必須在為當前 AI 模型進行極致優化（專一化），並且保持足夠靈活性以適應未來未知演算法（通用性）之間，做出艱難權衡。

最終，TPU 並沒有成為一個孤立的硬體專案，而是深度整合進 Google GCP，成為 AI 服務的王牌和核心競爭力。它為 GCP 的客戶提供了其他雲端服務商無法比擬的、兼具高效能與成本效益的 AI 算力選項，除非他們也像 Google 一樣，從零開始打造自己的晶片。

回顧 TPU 超過十年的演進歷程，從第一代到如今的第七代 Ironwood，這本身就揭示了 Google 最難以被複製的護城河：它的企業文化。這是一種將基礎設施本身視為產品的文化，一種願意為長期的、根本性的技術優勢進行耐心且昂貴投資的文化。一家被華爾街短期預期所束縛的公司，很可能在漫長的研發週期中，早已將這個不產生直接收入的專案扼殺。TPU 的存在證明了，Google 由搜尋業務帶來的巨大利潤所支撐的財務實力，使它能夠玩一場比大多數競爭對手更長遠的遊戲。TPU 不僅僅是一顆晶片，它是 Google 獨特企業文化的物理結晶。

在 AI 晶片這場高風險的軍備競賽中，即便是 Google 這樣的巨頭，也無法獨自完成所有事情。它需要與半導體產業的「軍火商」建立緊密的聯盟，來將它的設計藍圖轉化為實體的晶片。這個供應鏈的演變，也反映了 TPU 計畫從一個實驗性專案走向工業級規模的成熟過程。

過去九年，總部位於加州的晶片設計巨頭 Broadcom，一直是 Google 在 TPU 專案上唯一的、排他性的合作夥伴。這是一種深度合作的模式：Google 負責提出核心的架構設計和功能藍圖，而 Broadcom 則利用它在實體設計、佈局和驗證方面長期累積的深厚專業知識，將這些藍圖轉化為可供製造的晶片設計，並協調後續的生產流程（台積電的晶片製程服務）。對 Broadcom 而言，這項為超大規模客戶（Hyperscalers）提供客製化 ASIC 設計的業務，已經成為它營收成長的重要引擎，為公司帶來了數十億美元的收入。

然而，這種長期的獨家合作關係正在發生變化。據多家媒體報導，Google 決定為最新一代的 TPU v7 Ironwood，引入第二家合作夥伴——台灣的晶片設計龍頭聯發科。這是典型的供應鏈管理策略：引入第二家供應商，可以有效降低對單一夥伴的依賴，增加談判籌碼，並確保在面臨產能瓶頸時的供應彈性。

更值得注意的是，合作模式也在悄然改變。在與聯發科的合作中，Google 將親自操刀更多核心處理器的設計工作，而聯發科則主要負責處理所謂的輸入／輸出模組（I/O Modules），這些模組管理著主處理器與外部元件之間的通訊。這與過去 Broadcom 深度參與核心開發的模式有所不同，它清晰表明 Google 自身的晶片設計能力正在快速成熟。

從單一的深度定制夥伴關係，轉向雙供應商的、更具主導權的合作模式，這是典型硬體業務成熟的標誌。這一轉變不僅僅是戰術上的分散供應商風險、成本優化，更是一個戰略信號：TPU 已不再是一個研發階段的專案，而是 Google 全球 AI 戰略中一個需要進行工業化規模生產的核心基礎設施。Google 正在以一家大型硬體製造商的嚴謹態度，來管理 TPU 供應鏈，為未來部署數百萬顆晶片以驅動它全球 AI 服務的時代做準備。

隨著 TPU 的商業與策略價值日益凸顯，一個價值近兆美元的問題，開始在華爾街和矽谷的會議室中被反覆討論：Google 是否應該將 TPU 業務分拆出去？

支持分拆的論點響亮而誘人。外界認為，將 TPU 業務與 DeepMind AI 研究實驗室合併，創建一個獨立的、垂直整合的 AI 巨頭，將能釋放出高達 9,000 億美元的股東價值。這家新公司將成為 Nvidia 一個可敬的競爭對手，它不僅擁有世界頂級的 AI 模型研發能力，還掌握著為這些模型量身定做的、最具成本效益的硬體。分拆後，這家新公司將可以不受限制地向全球所有客戶銷售 TPU 晶片和解決方案，包括 Google 的雲端競爭對手 Amazon AWS 和微軟 Azure，從而極大地擴展市場版圖。

然而，反對分拆的理由同樣堅實，甚至可能更具說服力。分拆 TPU 業務，無異於摧毀 Google 在 AI 時代最核心、最獨特的競爭優勢：硬體（TPU）、軟體（Gemini 模型）和平台（GCP）之間無與倫比的緊密整合與協同設計。正是這種垂直整合，使得 Google 能夠進行端到端的優化，達到購買市售晶片所無法企及的性能和效率。將 TPU 保留在內部，意味著 Google 可以從根本上規避高昂的「Nvidia 稅」，使 AI 服務的成本在結構上就低於所有競爭對手。

TPU 的最大價值，體現在它作為 Google 整個 AI 生態系統關鍵地位的整合效應，而非作為一個獨立產品的銷售潛力。因此，儘管外界熱衷於探討分拆的可能性，但事實上，這在短期內不太可能發生。

對於分拆的討論，與其說是一個現實的商業提案，不如說是一個強而有力的「想像力實驗」。它精準地揭示了 Google 內部核心的策略張力：TPU 太過寶貴，以至於不能再將它隱藏起來；但它又太過關鍵，以至於不能輕易放手。最有可能的未來路徑，並非徹底的分拆，而是一種更為精巧的「可控商業化」。

Google 已經開始向 Fluidstack 這樣的小型雲端服務商提供 TPU 算力。未來的商業模式，可能是一種混合體：一方面，將 TPU 作為 GCP 頂級 AI 服務的獨家引擎，鞏固在高端市場的領導地位；另一方面，有選擇性地向非直接競爭的合作夥伴提供 TPU 算力，既能創造額外營收，又能擴大 TPU 的生態影響力，同時避免將核心優勢拱手讓給 AWS 和微軟這樣的直接對手。

AI 晶片的戰爭並非在真空中進行，它受到基礎設施、生態系統和策略聯盟等多個層面因素的深刻影響。近期三則看似無關的新聞，如同來自前線的戰報，為我們揭示了這場戰爭的立體格局。

八月中，一則關於 TeraWulf 與 Fluidstack 的協議新聞，揭示了 AI 競賽中最原始的瓶頸：電力。在這項協議中，主要使用核能的比特幣挖礦公司 TeraWulf，將為 AI 雲端供應商 Fluidstack，提供超過 200 兆瓦的電力和資料中心託管服務，合約長達十年。

這筆交易的幕後推手是 Google。它為 Fluidstack 提供了高達 18 億美元的租賃義務擔保，以換取 TeraWulf 約 8% 的股權。

這標誌著一個重要的趨勢：Google 正在積極扶植第三方雲端供應商，為 TPU 晶片建立 Nvidia GPU 之外的替代基礎設施。透過確保能源供應並分擔財務風險，Google 正在為客戶創造一個能夠擺脫 Nvidia 箝制、更具成本效益的 AI 算力選項。

九月中，Nvidia 與重要的雲端合作夥伴 CoreWeave，簽訂的 63 億美元協議，則展示了另一條戰線的動態 。CoreWeave 最初是一家加密貨幣挖礦公司，後來轉型為專注於 AI 的雲端供應商，並成為 Nvidia 的重要合作夥伴，Nvidia 不僅是策略投資人，參與了 CoreWeave 多輪融資和 IPO，這種合作關係，還使 CoreWeave 能夠優先獲得最新的硬體。通常，CoreWeave 是首批或最早大規模提供 Nvidia 新型 GPU（如 H100、H200 和 Blackwell 系列的 GB200、RTX PRO 6000）的雲端供應商之一。此外，兩家公司還合作進行 MLPerf 基準測試，展示技術實力。

在九月中宣布的這筆交易中，Nvidia 承諾在 2032 年前，購買 CoreWeave 未被客戶使用的閒置 GPU 運算能力。這一步棋極為精妙：Nvidia 不再僅僅是晶片銷售商，它正在透過投資和包銷協議，將像 CoreWeave 這樣的獨立雲端供應商，打造成 Nvidia AI 帝國中的「代理人」或「諸侯」，負責戍守邊疆，抵抗包括 Google 等各方勢力的衝擊。這既確保晶片的銷售通路，也為客戶提供對抗大型公有雲（如 GCP、AWS）的另一種選擇，從而建立了一個更具韌性的聯邦式雲端網路。

另一個更具長線影響力的戰線，則是九月中 Nvidia 與 Intel 宣布的歷史性合作，Nvidia 策略投資 Intel 50 億美元。這場昔日對手的合作，旨在共同主宰從資料中心到個人電腦的 AI 未來。根據協議，Intel 將為 Nvidia 的 AI 平台製造客製化的 x86 CPU，並將 Nvidia 的 RTX GPU 技術整合到它的 PC 系統單晶片（SoC）中。

這是一個強強聯合的訊號，意圖建立一個橫跨雲端與終端（AI PC）的強大聯盟，直接對抗 AMD 以及各大雲端服務商的自研晶片努力。

這三條戰線共同勾勒出一個結論：AI 戰爭是一場立體戰，在三個層面上同時展開。它不僅僅是關於誰能製造出最快的晶片，更是關於誰能掌握能源與基礎設施、誰能建立最繁榮的生態系統與雲端能力，以及誰能締結最強大的策略聯盟與市場觸角。

對於 Google TPU 而言，這意味著未來的成功，將不僅僅取決於晶片本身的性能。它在能源效率和自建資料中心方面擁有優勢；它擁有 GCP 這個強大的雲端平台。然而，Nvidia-Intel 聯盟的形成，構成了一個新的長期威脅。這個聯盟的版圖從雲端一直延伸到 AI PC 這個新興市場，而這正是目前 Google TPU 影響力相對較弱的領域。Google 必須在這三個戰線上同時應對，才能在這場日益複雜的商戰中保持競爭優勢。

在 AI 浪潮的衝擊下，Google 這艘搜尋時代的巨輪，正駛入已故哈佛商學院教授 Clayton Christensen 所描述的「創新者的兩難」（Innovator's Dilemma）的險惡海域。核心困境在於：一個成功的企業，是否敢於用一種可能利潤更低、商業模式尚不清晰的新技術，去顛覆自己賴以生存的核心業務？

對 Google 而言，這個核心業務，就是每年帶來超過 2,000 億美元高利潤廣告收入的傳統搜尋引擎。而生成式 AI，正是那個潛在的顛覆者。由大型語言模型（LLM）驅動的 AI 搜尋，能夠提供更直接、更完整的答案，但所需的營運成本遠高於傳統的「十條藍色連結」，且廣告的植入空間也變得更為模糊。Google 過快地擁抱 AI 搜尋，可能意味著「自我吞噬」（Cannibalize）高利潤的廣告業務；而行動過慢，則可能被 OpenAI、Perplexity 等新興對手徹底顛覆。

Google 的應對之策，是將自家的 AI 模型 Gemini 深度整合到搜尋結果中，推出「AI Overviews」功能。公司對外宣稱，這種新的混合模式，能夠維持與傳統搜尋相當的商業化水準，甚至能激發使用者提出更複雜的問題，從而增加用戶黏性。然而，許多網站發布商和廣告主卻反映，網站點擊率正在下降，這顯示出使用者行為的確在發生改變。

正是在這個攸關公司未來的十字路口，一個關鍵人物選擇了回歸。2023 年，正當 OpenAI 橫空出世、聲勢高漲之際，在淡出日常營運多年後，Google 共同創辦人 Sergey Brin 回到公司第一線。他不再僅僅是董事會成員或顧問（或更像某種長老），而是「回到了戰壕」，幾乎每天都出現在辦公室，親身參與 Gemini 模型的技術細節和訓練工作。

Brin 的回歸，是一次深刻的文化干預。隨著 Google 成長為一個龐大的官僚機構，內部不可避免地滋生出規避風險、流程繁瑣的「大公司病」，而這正是「創新者兩難」困境的溫床。作為創辦人，Brin 擁有獨一無二的威望和技術洞察力，足以穿透層層的官僚體系，為這艘巨輪重新校準航向。這和 Oracle 創辦人 Larry Ellison 在 2014 年辭去 CEO 職務，轉而擔任技術長（CTO）這個至關重要的職務頗有異曲同工的意涵。【延伸閱讀】狂人與上古神獸：Larry Ellison 與他的 Oracle，在 AI 時代王者歸來

他向 AI 團隊發出呼籲，要求他們以新創公司般的緊迫感投入工作，甚至提出每週工作 60 小時，以贏得這場「通往通用人工智慧（AGI）的終極競賽」。他推動著一個宏大的願景——打造一個統一的、全能的 AI 模型，來驅動 Google 的下一個時代。

Brin 和另一位共同創辦人 Larry Page，擁有實現這一願景的終極權力。透過 Alphabet 的雙層股權結構，他們雖然不持有公司 51% 的股份，但卻共同掌握著絕大多數擁有 10 倍投票權的 B 股，這使得他們的合併投票權超過 51%。這種結構，賦予了他們對公司策略方向的絕對控制權，能夠抵禦來自外部投資者要求短期利潤的壓力，確保像 TPU、Gemini 這樣需要長期、鉅額投入的計畫能夠持續進行，即使這意味著要犧牲眼前的利益來換取未來的領導地位。

從這個角度看，Brin 的角色，就像是 Google 為了對抗自身企業僵化而產生的「抗體」。他的歸來，本身就是一個最強烈的信號：Google 已經意識到，這場 AI 戰爭不僅僅是技術的競爭，更是文化的競爭。TPU 是 Google 為這場戰爭打造的終極武器，Gemini 是最先進的彈藥，而 Sergey Brin 的回歸，則是最高層下定決心、不惜代價也要打贏這場戰爭的策略抉擇——即使這意味著要親手拆解舊的搜尋帝國，來為新的 AI 王朝奠基。

Google TPU 的故事，與其說是一部科技史，不如說是一則關於權力、遠見與生存的現代寓言。它揭示了幾個本質性的商業哲學命題。

首先，是關於工具的自主權。在任何時代，真正的強權，從不滿足於使用他人鑄造的兵器。透過自研 TPU，Google 擺脫仰望晶片霸主鼻息的命運，將最重要的戰略資源（算力），從外部的變動成本，轉化為內部的核心主權。這提醒我們，在典範轉移的關頭，最深刻的護城河，是掌握定義遊戲規則的工具，而非僅僅在遊戲中表現出色。

其次，是關於危機的啟示錄。最偉大的創新，往往並非源於對未來的浪漫憧憬，而是來自對當下災難的深層恐懼。TPU 的誕生，不是為了開拓新大陸，而是為了避免整艘船沉沒。這告訴我們，最清晰的未來藍圖，往往隱藏在對自身最致命弱點的誠實剖析之中。生存的壓力，是比任何市場報告都更精準的預言家、策略家。

再者，是關於時間的兩種尺度。資本市場以季度為單位運轉，要求立竿見影的回報；而顛覆性的基礎建設，卻需要以十年為單位來耐心澆灌。TPU 這棵大樹的茁壯，得益於一種能抵禦華爾街時鐘的企業結構與文化。這引出一個根本性的問題：一家企業的偉大，究竟是由滿足短期期望的能力決定，還是由承受長期不確定性的能力來定義？

最後，是關於創辦人的回歸。當一個企業因自身的巨大成功而變得僵化，陷入「創新者的兩難」時，有時需要重新回歸創業精神，來打破官僚體系的理性牢籠。這種回歸，不僅是戰術調整，更是一種文化上的自我干預，是為了提醒一個龐大的帝國，它最初賴以建立的、那種混亂而充滿活力的創業初心。

歸根究柢，對 Google 這個規模等級以及充滿歷史榮光的科技巨頭，不論是被顛覆或是重生再造，最終的較量從來不是外部競爭對手的攻防，而是內部心智與結構的博弈。它的敵人既可能是 Nvidia ，也可能是自身慣性與成功的包袱。Google TPU 並非單純的技術勝利，在某種程度上，這更像一則商業寓言，真正帶來啟發的，不是勝者當下的輝煌，而是在黑暗縫隙中仍能找到創造巔峰的韌性。

【以上內容，僅為個人閱讀心得與資訊分享，絕非任何投資、法律、職涯建議】