Alphabet押注TPU，挑战Nvidia的AI芯片领导地位

Alphabet正加大对AI芯片的投入，据报道计划部署1,200万至1,500万颗TPU，以挑战Nvidia在硬件领域的领导地位。这一规模使相关消息成为Google新闻报道焦点，也让Alphabet投资者重新面对一个重要问题：Google能否在不严重冲击现金流的情况下，将其内部芯片优势转化为盈利的基础设施业务？

这种比较听起来很简单，但加速器数量并不能证明技术或商业领导地位。Nvidia销售的是可广泛部署的系统，背后有CUDA、网络硬件、软件库和庞大的开发者社区支持。Google则围绕其高度整合的云和AI技术栈中的工作负载设计Tensor Processing Units，即TPU。

因此，Alphabet不需要在所有场景中取代Nvidia。它需要让TPU对足够多的训练和推理工作负载具有吸引力，从而改善Google Cloud的经济效益。与此同时，在Nvidia仍是用户熟悉的默认选择时，它还需要说服外部客户采用这套技术栈。

这一差异使最新Google新闻不只是又一份乐观的半导体预测。Alphabet正试图将十年的内部芯片开发转化为外部收入引擎。机会可观，但支出、制造和软件风险同样真实存在。

Google新闻聚焦Alphabet据称扩张TPU的计划

关键变化并非发布新芯片，而是Alphabet据称展现出的制造雄心。

2026年7月的一份分析师报告称，Google计划在2028年部署1,200万至1,500万颗第九代TPU。Alphabet尚未确认这一估计，因此投资者应将其视为供应链预测，而非官方指引。

据称的目标将意味着Google自研加速器规模大幅扩张。Fubon Research据报道估计，Nvidia在2026年供应了820万颗数据中心加速器，并预计Nvidia年度出货量将在2028年达到约1,240万颗。

这些估计表明，Google部署的加速器数量可能与Nvidia向其客户群出货的规模相当。不过，这种比较存在严重局限。TPU和Nvidia GPU在架构、支持的工作负载、平均售价、系统设计和部署模式上均有差异。

Google还将主要在内部消耗其TPU产能。Nvidia则主要通过向云服务商、AI实验室、政府机构和企业销售芯片及系统来确认收入。相同的出货量并不意味着相同的收入、利润或市场覆盖面。

不过，这一据称的计划仍然重要，因为芯片数量决定了Google能够提供什么。有限的内部产能会迫使公司优先满足Gemini、Search、广告及特定云客户的需求。更庞大的设备规模则可让Google在服务内部应用的同时扩大商业供应。

制造计划还指向更大规模的供应链。根据这份加速器预测，第九代设计可能采用四个计算芯粒。芯粒是与其他模块组合封装在同一封装体内的专用硅模块。

Fubon据称认为，仅靠TSMC可能无法提供足够产能来满足Google的目标。这一限制可能意味着该项目部分需要采用Intel的先进封装服务。Google和Intel均未公开确认报告中所述的预期规模。

封装并非无关紧要的生产细节。先进AI处理器通过技术要求极高的封装系统，将计算裸片与高带宽内存连接起来。即使处理器设计已准备就绪，有限的产能仍可能延缓部署。

Google在更换封装供应商方面的自由度也低于简单采购故事所暗示的程度。芯粒必须围绕选定的互连和封装技术进行设计。设计完成后，Intel的EMIB系统与TSMC的CoWoS技术并不能相互替换。

因此，这份报告描述的是制造挑战，而不只是采购订单。Google需要协调芯片设计、内存供应、封装、网络、散热、数据中心建设和软件部署。任何一层出现短板，都可能限制可用产能。

这项目标的出现，正值Google让其自研芯片对客户更加可见之际。多年来，公司主要将TPU视为自有服务的基础设施。如今，它将TPU定位为Google Cloud商业AI平台的核心组成部分。

这种转变形成了本文的核心张力。Alphabet拥有构建垂直整合服务所需的模型、云、数据中心和加速器；但Nvidia拥有客户已经理解并部署的更广泛平台。

Alphabet正将Google TPU产能转化为业务

Alphabet最有力的逻辑在于将专有基础设施转化为云收入，而非赢得出货量竞赛。

Google大约十年前推出首款TPU，以加速机器学习工作负载。这款处理器随着Google的模型、软件框架和全球数据中心网络一同演进。这段历史让Alphabet积累了其较新的自研芯片竞争对手难以迅速复制的经验。

公司第七代Ironwood TPU于2025年底全面上市。Google称，Ironwood的峰值性能是TPU v5p的十倍，并称其单芯片性能超过上一代Trillium四倍。

这些数据是Google自身的比较，并非覆盖所有相关工作负载的独立测试。性能取决于模型架构、精度、批量大小、网络、内存访问和软件优化。有利的内部基准测试并不能保证客户获得同样优势。

尽管如此，Ironwood确立了更清晰的商业路径。Google将该处理器设计用于大型训练任务和高吞吐量推理。推理是训练完成的模型生成答案、图像、预测或软件操作时所进行的计算。

随着AI产品获得更多用户，推理经济性变得愈发重要。训练是周期性进行的，而热门服务可能持续处理查询。因此，每单位有效输出的成本可能比训练性能的头条数字更重要。

Google此后宣布推出用于训练的TPU 8t和用于推理的TPU 8i。其AI基础设施更新称，TPU 8t可扩展至9,600颗处理器和两PB共享高带宽内存。Google称其处理性能是Ironwood的三倍，每瓦性能最高可达两倍。

TPU 8i采用了专注于模型服务的不同设计。Google称，一个Pod可连接1,152颗处理器，其每美元推理性能较上一代提升80%。这些仍是公司自行报告的比较，客户需在自身环境中加以验证。

训练与推理的拆分体现出成熟的产品战略。Google不再将单一加速器作为所有任务的最佳答案，而是在控制配套网络和软件的同时，围绕不同工作负载定制硬件。

这种方法可以减少计算资源浪费。训练系统需要巨大的内存带宽，以及数千颗加速器之间的高速通信。推理系统则往往优先考虑延迟、吞吐量、缓存容量和可预测的运营成本。

Google的内部服务提供了另一项优势。Search、Photos、Maps、YouTube、广告和Gemini带来海量的持续性工作负载。Alphabet可在将系统提供给外部客户前，基于真实的生产需求优化硬件。

对于Alphabet股票的逻辑而言，外部采用更为重要。内部效率可以保护利润率，但云服务销售能够带来增量收入。Alphabet必须证明，客户将TPU视为一个平台，而不是仅供Google偏好模型使用的专用设备。

Anthropic提供了最显眼的例子。Google称，这家AI公司计划最多使用100万颗TPU。Anthropic一直在使用Google基础设施，同时也采用通过其他合作伙伴获得的芯片和云容量。

这种合作关系支持Google的规模论点，但并不能证明客户排他性。领先的模型开发商会有意使用多家供应商，以确保产能并减少对单一厂商的依赖。即使赢得重大协议后，Google仍须为每项工作负载展开竞争。

Alphabet在2026年第二季度又迈出一步。据报道，管理层称Google首次向客户自有数据中心交付TPU系统。此前，外部用户通常通过Google Cloud使用TPU产能。

这一举措扩大了可服务市场。一些组织希望在自己控制的设施内使用专用基础设施。另一些则需要符合数据驻留、网络拓扑、延迟、安全性或现有资本投资要求的部署模式。

销售系统也可能带来利润率较低的硬件收入和支持义务。Alphabet必须决定自己要在多大程度上类似芯片供应商。该公司更大的优势或许仍在于整合式云服务，而非独立硬件。

最可信的机会在于将两种模式结合起来。客户现场系统可覆盖无法将所有工作负载迁移至Google Cloud的买家。云端产能则可服务偏好灵活访问和托管基础设施的组织。

执行如今取决于软件可移植性。Google已扩展PyTorch支持，并针对GPU和TPU优化vLLM推理引擎。这些变化面向不希望为单一加速器重写整个应用的开发者。

技术买家仍会考察编译器表现、模型支持、调试工具、可用性和员工技能。如果迁移需要数月，基准测试领先的重要性就会下降。Google的商业任务是降低这种切换成本。

Nvidia AI芯片仍定义竞争标准

Google的自研芯片会在工作负载层面对Nvidia形成压力，但Nvidia仍是行业默认平台。

Nvidia的优势始于其用于GPU编程的软件平台CUDA。CUDA包含编译器、优化软件库、调试工具，以及历经多代产品积累的集成能力。这一生态系统让Nvidia硬件更容易应用于多样化的AI工作负载。

开发者还几乎能在所有主要云服务中接触到Nvidia基础设施。企业可以招聘具备相关经验的工程师、复用现有代码，并在不同服务商之间迁移工作负载。这些优势形成的切换成本并非原始芯片规格所能体现。

Nvidia的优势不止于处理器。其AI系统涵盖CPU、网络交换机、互连设备、数据处理单元、软件库和参考数据中心设计。客户购买的往往是一套完整的计算架构，而非单独一颗GPU。

财务证据依然极具分量。Nvidia公布的季度业绩显示，截至2026年4月26日的季度营收为816亿美元。数据中心营收达到752亿美元，同比增长92%。

这些业绩表明，竞争性的定制芯片尚未阻止Nvidia增长。超大规模云服务商可以一边扩大内部加速器部署，一边采购更多Nvidia系统。不断扩大的AI需求使这两种趋势能够同时发生。

Google本身就说明了这一现实。Google Cloud提供TPU，同时也向客户销售Nvidia GPU。在其2026年云计算活动上，Google表示计划成为首批提供Nvidia Vera Rubin系统的服务商之一。

这种混合产品组合满足了客户的实际需求。一些组织希望获得Nvidia的平台可移植性和广泛的框架支持；另一些则更看重能在Google技术栈中高效运行的模型所带来的TPU经济性。

这意味着Alphabet既是Nvidia的客户，也是其竞争对手。无论客户选择哪种加速器，只要云计算需求增长，Google都能从中受益。不过，当工作负载运行在其自主设计的硬件上时，它能获取更多经济收益。

当定制加速器能够以更低的总成本处理稳定、高容量的工作负载时，Nvidia就会面临压力。Google可以针对自身模型优化芯片，消除部分供应商利润空间，并让硬件与数据中心运营直接协同。

不过，Nvidia能够在规模大得多的已安装基础上作出回应。其Vera Rubin平台于2026年投入生产，涵盖处理器、网络、存储和机架级设计。Nvidia称，与上一代Grace Blackwell相比，该平台的智能体吞吐量最高可提升十倍。

这些是Nvidia自身的平台对比，仍需独立验证。尽管如此，其发布节奏为每一种替代方案都创造了不断移动的目标。Google必须在软件可及性和部署灵活性方面弥补差距的同时，比Nvidia提升得更快。

Nvidia的经济规模为这种应对提供了资金支持。其2026财年数据中心营收达到1937亿美元。这些收入支撑着研发、供应商承诺、软件开发以及覆盖整个服务器行业的合作关系。

Google也拥有自身的财务优势。搜索广告持续产生现金，Google Cloud正在增长，而Alphabet能够将芯片部署到有保障的内部需求中。该公司无需从一份空白的客户名单开始打造处理器业务。

因此，核心竞争并非每个市场中的Google TPU对阵Nvidia GPU，而是整合式云经济模式与广泛采用的商用平台之间的较量。Google希望获得更严密的控制和更低的工作负载成本，而Nvidia提供兼容性和客户选择。

其他超大规模云服务商也强化了这一趋势。Amazon开发Trainium加速器，Microsoft拥有Maia，Meta则在打造MTIA芯片。每家公司都希望减少对关键供应商的依赖，同时围绕持续性的内部工作负载定制硬件。

不过，Google比大多数同行走得更远。其处理器支持重要的内部产品、外部云客户和知名AI实验室。这一历程使Google成为检验定制芯片能否成为持久替代方案的最清晰案例。

3000亿美元市场的表述仍可能误导读者。市场估算取决于分析师是否计入处理器、完整系统、网络、内存或相关服务。庞大的预测市场并不会自动转化为Alphabet可触达的收入。

投资者应转而考察实际获取的经济收益。如果TPU在Google内部替代了采购的Nvidia加速器，它可以降低基础设施成本。如果Google通过Cloud销售TPU使用权，则既能支撑收入，也能形成差异化。

第二条路径的上行空间更大，但也更困难。客户必须信任Google的路线图，找到可用容量，并调整自身软件。他们还必须相信，Google会支持那些并非主要服务于Gemini的工作负载。

Alphabet股票面临高成本基础设施考验

只有当云业务增长和运营回报最终能够证明Alphabet历史性投入的合理性时，看涨逻辑才站得住脚。

Alphabet公布的2026年第二季度营收为1198亿美元，同比增长24%。Google Cloud营收约为248亿美元，同比增长82%。

这种加速增长让Alphabet能够更有力地回应市场对AI变现的担忧。需求正体现在已披露的业务部门中，而不只是使用统计数据或产品演示。云业务增长也与公司的基础设施投资直接相关。

支撑这一需求所需的投入已达到惊人程度。Alphabet当季资本支出为449亿美元。管理层将其2026年全年资本支出预期上调至1950亿至2050亿美元之间。

资本支出用于服务器、数据中心、网络设备及其他长期资产。它们会立即减少当期现金流，而折旧等会计费用则会在数年内体现。

根据一项现金流分析，Alphabet自上市以来首次出现自由现金流为负的季度。运营现金流约为391亿美元，低于该季度的基础设施支出。

一个季度并不能说明公司出现永久性恶化。Alphabet还录得影响报告净利润的异常投资收益，因此，评估运营状况时，利润头条数据的参考价值较低。现金创造能力和基础设施回报更值得密切关注。

如今的投资逻辑包含了真实的权衡。Google Cloud的增长支持需求正在吸收新增产能的观点。负自由现金流则表明，Alphabet必须在获得全部经济收益之前，为扩建提供资金。

定制芯片可以从多方面改善这一局面。Alphabet可以减少对供应商利润空间的依赖，针对内部工作负载优化系统，并提供差异化云容量。它还可以向特定客户销售完整的TPU系统。

不过，每一项收益都取决于利用率。一个塞满未充分使用加速器的数据中心仍然是一项昂贵资产。Google必须让处理器在Gemini、Search、广告、企业云工作负载和外部AI实验室之间保持忙碌。

如果模型效率提升快于需求扩张，利用率可能恶化。当客户推迟部署、电力接入延迟，或新处理器降低现有系统吸引力时，利用率也可能下降。

Google披露的2028年产量目标增加了这一风险。订购数百万颗处理器，意味着必须在最终需求变得清晰之前很早作出承诺。内存、封装、服务器和电力基础设施同样需要较长的交付周期。

供应限制则会造成相反的问题。Google多次表示AI容量紧张，硬件不足可能限制云业务增长。管理层必须在需求之前进行建设，但又不能领先得过头。

尚不确定的TPU v9报道又增添了一层变量。Alphabet尚未确认1200万至1500万颗这一数字。投资者不应将分析师的供应链估计直接转化为未来收入或盈利。

这一范围本身就相差300万颗处理器。这一差距表明预测存在显著不确定性。生产计划可能因良率、设计修订、需求、封装供应以及数据中心建设进度而变化。

与Nvidia出货量估计的比较同样脆弱。芯片数量忽略了性能差异，以及完成特定工作负载所需芯片数量的不同。它们也忽略了Nvidia网络、软件、CPU和完整系统带来的收入。

因此，Alphabet股票不会仅仅因为Google制造了大量TPU而上涨。股东价值取决于整个基础设施计划产生的回报。相关指标包括云业务营业利润、资产利用率、折旧和自由现金流。

最新季度提供了令人鼓舞的运营证据。Google Cloud营收增长加速，同时Alphabet扩大了基础设施规模。不过，市场对资本支出的担忧是合理的，因为当前增长并不保证足够的长期回报。

成功的战略将形成正向循环。更好的芯片将降低服务成本、改善云业务经济性、吸引客户，并为下一代硬件提供资金。更大的工作负载规模随后将为Google提供更多系统优化数据。

疲弱的战略则会产生相反结果。不断增加的支出会给现金流带来压力，而客户仍会依赖Nvidia。较短的产品周期可能迫使Alphabet在获得令人满意的回报之前就更换昂贵系统。

结果很可能介于这两个极端之间。Google可以将TPU打造为有意义的第二平台，而无需取代Nvidia。这样的结果仍可能改善Alphabet的云业务地位和议价能力。

投资者还应将公司执行情况与股票估值区分开来。强大的芯片战略可能具有经济价值，却已被市场预期充分反映。即使长期基础设施逻辑依然完好，令人失望的季度业绩也可能打击股价。

下一轮Google新闻周期必须确认什么

三个信号将决定Alphabet的TPU扩张会成为持久优势，还是一场代价高昂的产能竞赛。

第一个信号是外部TPU收入和客户部署情况。据报道，Alphabet已开始向客户数据中心交付TPU系统。未来的财报电话会议应说明，这些安排是否会扩展到少数战略客户之外。

客户多样性将比一份大型协议更重要。若AI实验室、金融服务、媒体生成、科学计算和企业推理等领域均实现采用，将支持该平台逻辑。对少数谈判达成的交易的依赖则会削弱这一逻辑。

投资者还应寻找客户运行生产工作负载、而非进行有限评估的证据。长期容量承诺、重复部署和更广泛的框架支持，将表明TPU正成为常规基础设施规划的一部分。

第二个信号是Google Cloud增长与支出之间的关系。最新Google新闻显示，在前所未有的资本需求之下，云业务实现了卓越扩张。只有增量收入能够带来持久的营业收入，这种组合才令人鼓舞。

云业务营业利润率、积压订单转化、折旧和自由现金流，将比单看收入提供更清晰的图景。利用率提升应有助于Alphabet将数据中心成本分摊到更多付费工作负载上。

负自由现金流并不自动否定这项投资。大型基础设施项目通常会在达到满负荷利用之前消耗现金。关键问题在于，随着当前设施开始产生收入，现金创造能力能否恢复。

如果支出持续增加却没有相应的运营改善，这一逻辑就会被削弱。这将表明，每一代新产品都需要投入更多资本，才能等到此前投资成熟。

第三个信号是Nvidia的竞争性回应。Nvidia计划于2026年8月26日发布2027财年第二季度报告。投资者应关注数据中心增长、Rubin部署、毛利率，以及管理层对定制加速器的评论。

Nvidia 持续加速发展，并不必然会损害 Alphabet。它反而可能印证，全球算力需求仍然大于可用供给。两家公司可以在服务不同工作负载和客户偏好的同时实现增长。

定价压力或 Nvidia 订单放缓，将为定制芯片正在蚕食市场份额提供更直接的证据。即便如此，分析师仍需将 Google 的影响与 AMD、Amazon、Microsoft、Huawei 以及专注于推理芯片的供应商区分开来。

软件层面的进展可能比出货量更重要。更广泛的 PyTorch 兼容性、经过优化的推理引擎以及更便捷的工作负载迁移，都将降低选择 Google TPU 系统的实际成本。

开发者应关注常见模型能否在无需大幅重写的情况下高效运行。企业采购方应评估供应能力、可靠性、数据治理和总体运营成本。采购团队不应仅依赖供应商挑选的单一基准测试结果。

知识工作者同样与这场竞争息息相关。基础设施竞争会影响用于研究和日常工作的 AI 工具的可用性、速度与成本。更低的推理成本可以支持能力更强的智能体和更大规模的工作负载。

评估这些系统的团队，需要一套严谨的方法来留存技术主张、基准测试条件和供应商变动。可检索的技术知识库能够让这些决策依据证据，而非发布会头条。

Alphabet 的机会确实存在，但报道中的 2028 年目标仍未得到证实。Google 拥有对 Nvidia 形成压力所需的模型、工作负载、云平台和定制芯片经验。但它尚未证明，相同的出货规模就能带来相同的经济影响力。

接下来更值得关注的问题，不是 Google 是否会制造比 Nvidia 更多的加速器，而是客户是否会持续选择这些加速器，以及 Alphabet 能否从这些产能中获得可接受的回报。在将又一条 Google 新闻标题视为胜利证据之前，应通过即将发布的业绩、客户部署和软件更新追踪这三个信号。