Google与Oracle联合宣布,Google第八代张量处理单元(TPU)将于2027年在Oracle Cloud Infrastructure(OCI)上正式提供服务。这是TPU问世11年来,企业首次无需绑定Google Cloud即可访问这款驱动Gemini等前沿模型的定制AI芯片。

该消息在Oracle AI World 2026大会上发布。这一合作标志着AI竞争格局的重大转变:硬件独占性不再是大厂的核心护城河,竞争焦点正转向软件生态系统与“数据引力”——即企业对JAX、TorchTPU等技术栈的熟练度,以及数据存储位置。

训推分离:8t与8i的差异化架构

第八代TPU分为针对训练的TPU 8t和针对推理的TPU 8i,两者在计算密度、内存及网络拓扑上存在显著差异。

TPU 8t专为大规模模型训练设计,支持密集型及混合专家(MoE)架构。由9,600个芯片组成的超级Pod可提供121 EFLOPs的峰值FP4算力,共享2 PB高带宽内存。Google声称,相比前代Ironwood,8t的训练性价比提升2.7倍(该数据尚未经独立审计)。

TPU 8i则针对生产环境推理优化,特别适用于多步推理、智能体框架及长上下文应用。每个芯片配备288 GB HBM3e内存,1,152个芯片的Pod配置旨在降低延迟。Google表示,8i在低延迟推理方面的每美元性能较Ironwood提升80%。

技术突破:SparseCore与Boardfly拓扑

为解决MoE模型训练中的嵌入表查找瓶颈,TPU 8t引入了专用组件SparseCore。它通过专用硬件处理不规则的嵌入查找,避免占用主计算单元的密集矩阵运算资源,从而显著提升大型推荐系统及广告模型的训练效率。

TPU 8i的核心创新在于其互连拓扑结构“Boardfly”。与传统3D环形拓扑相比,Boardfly将1,024个芯片配置下的网络跳数从16次减少至7次,大幅降低同步延迟。配合集合加速引擎(CAE),同步延迟进一步降低五倍。这种低延迟特性对需要多步推理的智能体AI至关重要。

此外,Google通过光电路开关(OCS)技术保障集群稳定性。在9,600个芯片的大规模集群中,OCS能实时动态重路由流量以绕过故障硬件,无需重启任务。数据显示,配备OCS的Pod在训练运行中保持了97%的有效吞吐量。

分工明确:Oracle筑基,Google供芯

根据协议,Oracle负责提供电力、冷却及数据中心网络等物理基础设施,并承诺进行“云吉瓦级”投资。Oracle的高速网络平台Acceleron将TPU集群连接至OCI的计算和存储网络,支持零信任数据包路由及远程直接内存访问(RDMA)。

对 enterprise 用户而言,TPU靠近Oracle数据库部署意味着可直接对现有数据进行微调或推理,避免跨云数据传输成本。目前,OCI已支持80万个NVIDIA GPU,引入Google TPU后,客户可在同一安全边界内混合使用多种AI加速器。

软件生态:PyTorch原生支持与JAX壁垒

第八代TPU广泛支持JAX、vLLM、SGLang、Ray及Hugging Face Transformers等框架。值得注意的是,Google的TorchTPU堆栈已于2026年10月在PyTorch Conference上开源,提供包括“Fused Eager”在内的多种执行模式,使PyTorch用户能以更低门槛迁移至TPU。

尽管技术壁垒降低,但JAX仍是发挥TPU全部性能(如SparseCore、ICI网络)的关键。对于计划大规模部署TPU的企业,培养JAX专业能力仍是必要的投入。

战略信号:从硬件锁定到软件生态

与Amazon Trainium、Microsoft Maia等仅限内部使用的定制芯片不同,Google选择将TPU开放给竞争对手Oracle,这在超大规模云厂商中尚无先例。此举表明,Google的战略重心已从通过硬件锁定客户,转向通过软件生态(JAX、Pathways等)扩大技术采用率。

Google人工智能和基础设施高级副总裁Amin Vahdat表示,下一代AI需要多样化计算,将TPU带入OCI将为组织提供更大的灵活性。然而,这也意味着企业虽摆脱了云厂商绑定,却可能陷入对Google软件栈的深度依赖。

常见问题解答

TPU何时在OCI可用?

预计2027日历年开始提供。Oracle承诺将在未来TPU世代发布的首日同步上线,这是一项多年期、多吉瓦级的长期合作。

需要重写PyTorch代码吗?

不一定。TorchTPU提供了PyTorch原生路径,且已开源。但对于追求极致性能的工作负载,尤其是涉及SparseCore和多Pod编排的场景,使用JAX仍是最佳选择。

如何选择8t或8i?

若工作负载为迭代式模型开发和训练,应选择TPU 8t;若为大规模服务成品模型,特别是智能体或多步推理系统,应选择TPU 8i。