🌍The Next Web (TNW)•較早收集於 57m
Google 四夥伴晶片供應鏈挑戰 Nvidia AI 推論
💡Google 多供應商 TPU 策略可能打破 Nvidia 在 AI 推論的依賴
⚡ 30-Second TL;DR
有什麼變化
四家夥伴：Broadcom、MediaTek、Marvell、Intel
為什麼重要
多元化 Google 的晶片生產，降低供應短缺風險，並可能降低 AI 雲端用戶成本。強化 AI 推論市場對 Nvidia GPU 的競爭。
下一步行動
針對您的推論工作負載，基準測試 Google Cloud TPU 與 Nvidia A100/H100 的效能。
誰應關注：Enterprise & Security Teams
關鍵要點
- •四家夥伴：Broadcom、MediaTek、Marvell、Intel
- •Ironwood TPU 目前大量出貨數百萬顆
- •TPU v8 預計 2027 年底採用 TSMC 2nm
- •目標挑戰 Nvidia 在 AI 推論的主導地位
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •Google 透過與 Broadcom、Marvell 等夥伴合作，採用「小晶片」（Chiplet）架構設計，旨在降低 TPU 生產成本並提高客製化彈性，以應對 AI 推論工作負載的多樣性。
- •Intel 參與 Google 客製晶片供應鏈，標誌著 Intel Foundry Services (IFS) 在爭取大型雲端服務供應商（CSP）代工訂單上的重大進展，直接挑戰台積電在先進製程的壟斷地位。
- •Google 的推論策略不僅限於硬體，還結合了其自研的 OpenXLA 編譯器技術，旨在優化 TPU v8 與現有 TensorFlow 及 JAX 框架的軟硬體協同效應，進一步縮短 AI 模型部署週期。
📊 競品分析▸ Show
| 特性/產品 | Google TPU v8 (預測) | Nvidia Blackwell (B200) | AWS Inferentia2 |
|---|---|---|---|
| 主要定位 | 雲端推論優化 | 通用 AI 訓練與推論 | 雲端推論優化 |
| 製程技術 | TSMC 2nm | TSMC 4NP | TSMC 7nm |
| 架構 | 客製化 ASIC (Chiplet) | GPU 架構 (Tensor Core) | 客製化 ASIC |
| 生態系統 | JAX/TensorFlow/OpenXLA | CUDA/TensorRT | Neuron SDK |
🛠️ 技術深入
- TPU v8 預計採用先進的 2nm 製程，並整合高頻寬記憶體（HBM4），以解決推論過程中常見的記憶體頻寬瓶頸。
- 採用 Chiplet 模組化設計，允許 Google 根據不同的推論需求（如大型語言模型 vs. 輕量級模型）靈活組合運算單元。
- 軟體層面深度整合 OpenXLA，實現對 Transformer 架構的硬體級加速，並支援 FP8 與 INT8 等低精度運算以提升推論吞吐量。
🔮 前景展望AI analysis grounded in cited sources
Google 將顯著降低其雲端 AI 推論服務的單位成本。
透過多元化供應鏈與客製化 ASIC 設計，Google 減少了對單一 GPU 供應商的依賴，並優化了能源效率與硬體利用率。
Nvidia 在雲端 AI 推論市場的市佔率將面臨結構性下滑。
隨著 Google 等大型雲端服務商全面轉向自研晶片，通用型 GPU 在特定推論任務中的性價比優勢將逐漸被客製化 ASIC 取代。
⏳ 時間線
2023-05
Google 發表 TPU v5e，強調推論效能與成本效益。
2024-04
Google 正式推出基於 TPU v5p 的 AI 超級電腦，強化訓練與推論能力。
2025-02
Google 宣布擴大與 Broadcom 及 Marvell 的客製化晶片合作協議。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： The Next Web (TNW) ↗