谷歌在 2026 年把第八代 TPU(张量处理器)产品线一次扩成了四款:4 月 Google Cloud Next 上先发布训练向的 TPU 8t 和推理向的 TPU 8i,11 月 9 日再补上面向机密计算的 TPU 8tx 和面向超长上下文、高机柜密度的 TPU 8i Max,这是谷歌第一次在单一年份里推出四款 TPU 系统。四款产品分别对应大规模训练、低延迟推理、安全机密计算、百万级 Token 上下文与最高算力密度四个环节,把自研芯片矩阵铺满了 AI 智能体的完整生命周期;配合 TorchTPU 开源、Cloud Pathways、OCS 动态切分等软件与网络能力,谷歌在自研 AI 算力路线上继续提速,减少对通用 GPU 生态的单一依赖。需要注意的是,8t、8i 在官方口径中仍为 2026 年晚些时候正式供货,部分软件能力处于 Preview 阶段,产能和客户规模以外流传的数字需谨慎看待。
一、四款 TPU 矩阵:按 AI 生命周期分工
| 型号 | 发布节点 | 核心定位 | 关键设计 | 配套主机 / 网络 |
|---|---|---|---|---|
| TPU 8t | 2026-04-22 Cloud Next | 大规模预训练、嵌入密集型工作负载 | 以 "goodput"(每瓦有效智能)为目标,SparseCore 稀疏核 + LLM 解码器引擎 | Arm Axion 自研 CPU;Virgo 网络、三维环面,superpod 最多 9600 颗芯片 |
| TPU 8i | 2026-04-22 Cloud Next | 高速推理、智能体协作、长上下文推理 | 打破内存墙,CAE 集合通信加速引擎压低同步延迟 | Arm Axion 自研 CPU;Boardfly 拓扑 |
| TPU 8tx | 2026-11-09 | 安全机密推理,兼顾小规模训练 | 硬件层保护敏感数据与模型权重,数据在使用中仍保持隔离;基于 8t 同款硅片 | 第五代 AMD EPYC 主机;Boardfly 低延迟网络 |
| TPU 8i Max | 2026-11-09 | 超长上下文窗口、单机柜最高算力密度 | 把两颗 8i 封装进同一封装,计算、SRAM、HBM 带宽相对 8i 翻倍 | 双芯片封装,沿用 8i 推理体系 |
The Keyword
基础两款的公开规格
| 规格项 | TPU 8t | TPU 8i |
|---|---|---|
| 峰值性能(FP4) | 12.6 PFLOPs | 10.1 PFLOPs |
| HBM 容量 | 216 GB HBM3e | 288 GB HBM3e |
| HBM 带宽 | 6,528 GB/s | 8,601 GB/s |
| 片上 SRAM | 128 MB | 384 MB(约为上一代 3 倍) |
| 网络拓扑 | Virgo / 3D torus | Boardfly + CAE |
| CPU 主机 | Arm Axion | Arm Axion |
- 集群侧,8t 的 Virgo 网络可扩展到单 superpod 9600 颗芯片,对应 121 FP4 ExaFLOPs 计算规模。
- 8i 的 Boardfly 拓扑与 CAE 引擎把集合同步延迟压到原来的约五分之一;8i Max 在其基础上把计算、SRAM 和 HBM 带宽同步翻倍,专门应对多智能体跨代码库、长视频同时推理时的带宽瓶颈。
二、一年四款是怎么排出来的:先打基线,再补专项
4 月:训练与推理首次拆成两颗芯片
- 第八代是谷歌首次把训练芯片和推理芯片分开设计:8t 冲大规模训练吞吐和可扩展带宽,8i 冲低延迟和内存带宽。
- 两款都运行在谷歌自研 Arm 架构 Axion CPU 主机上,从芯片到主机做整机系统优化。
- 官方对比口径:8t 训练性能相对上代最高提升约 2.7 倍,8i 推理性价比提升约 80%;每瓦性能上,8t 提升约 124%,8i 提升约 117%。
11 月:围绕智能体新需求补两个专用配置
- 8tx 解决 "数据不敢离开机房" 的问题:常规方案里数据存盘和传输时加密,但进内存处理时要解锁;8tx 把安全做进硬件层,敏感数据和模型权重在活跃使用中仍受保护隔离,面向受监管企业、政府以及跑专有模型和智能体的场景。它沿用 8t 训练级算力,搭配 Boardfly 低延迟网络,相对 8t 延迟最高降低约一半,性能损失接近零;同一套系统上可以做私有数据微调、大模型蒸馏和强化学习训练,不用把敏感数据迁到别的集群。
- 8i Max 解决 "上下文越长、内存越堵" 的问题:两颗 8i 合并封装后,计算、SRAM、HBM 带宽翻倍,在既有机柜占地内容纳翻倍硅片,单位平方英尺和单位瓦的算力密度显著提高,支撑百万 Token 级上下文。
三、矩阵扩张背后的思路:卖的是 "系统",不只是一颗芯片
- 芯片与系统的区分:新芯片要在晶圆上排布数十亿晶体管,制造周期以年计;而 "系统" 是围绕芯片组织计算、网络和存储 —— 封装方式、高速内存、光网络、安全模块都可以围绕基础硅块快速调整。
- 模块化积木式设计:TPU 被设计成 AI Hypercomputer 里的积木块,工程团队可以在数月内调出专用超算,而不是等数年流片;这也是一年能推出四款系统的工程基础。
- 软硬协同节奏:硅架构师、网络工程师、编译器团队和 Google DeepMind 研究人员并行合作;谷歌还在内部用 AlphaChip 强化学习系统和 Gemini 辅助芯片布局,把芯片版图交付从数周压到数小时。
四、AI 算力自主化提速:硬件自研 + 软件开放 + 外部落地
自研硬件侧
- 芯片侧有 TPU 八代迭代,主机侧有自研 Arm Axion CPU,网络侧有 Virgo / Boardfly 拓扑和 OCS 光交换,形成从加速器到主机、互联的完整自研体系。
- TPU 最初只为内部语音识别、翻译等需求设计,现在覆盖四类用途:自研 Gemini 模型训练与服务、智能体工作负载、面向谷歌云客户的云上服务,以及让客户把 TPU 直接部署到自有数据中心。
- 官方披露当前 TPU 客户接近 100 家,包括前沿实验室、交易公司、零售商和高校等。
软件与生态侧(配套本次发布一并更新)
- PyTorch 原生支持:上月开源 TorchTPU,PyTorch 代码和 Hugging Face 模型可原生跑在 TPU 上;vLLM、SGLang 等主流开源推理引擎提供开箱即用后端。
- 开发工具链:开源 TPU agent suite(Preview)可接入 Claude Code、Cursor、Google Antigravity,用自然语言完成 TPU 上线、瓶颈诊断和内核自动调优;开源 XLA Serving Engine 支持 Python 训练后直接在低延迟 C++ 运行时跨 TPU、GPU、CPU 服务。
- 运行效率:Agent Compute Engine 自动挂起、恢复空闲智能体会话,降低基础设施成本;开源 TPU Sync 模型状态层把 HBM、主机 DRAM、共享存储和数据中心网络统一成分层内存,KV 缓存毫秒级分层,TTFT(首 Token 时间)降低超过 90%。
- 集群编排:Cloud Pathways 在 GKE 正式可用,单控制器架构跨多个 TPU 切片编排预训练、强化学习和多主机推理;GKE 动态切片基于 OCS 按需拼接或拆分拓扑,作业启动时间最快缩短 5 倍,故障恢复最快提速 4.5 倍。
- 基准表现:在 InferenceX、AgentX 等贴近真实智能体编码和长上下文工作负载的基准上,vLLM-TorchTPU 软件栈取得了业界领先的性价比成绩。
五、需要留意的落地节奏与边界
- 8t、8i 在 4 月发布时口径为 2026 年晚些时候正式供货,早期采用申请制,面向特定合作伙伴和早期客户测试;原生 PyTorch 支持等软件能力在发布时仍处于 Preview 阶段。
- 8tx、8i Max 为 11 月 9 日新公布系统,具体供货时间、产能和外部客户部署情况需以后续官方落地信息为准。
- 产业链流传的 TPU 总产量、销售额、外部客户名单等数据,未在官方披露中得到逐项确认,不应直接当作既定事实引用。
【相关 FAQ】
问题 1:谷歌一年推出的四款 TPU 分别是什么,各自定位怎么分?
回答 1:四款第八代谷歌 TPU 分别是:TPU 8t 做大规模预训练,TPU 8i 做低延迟推理和智能体协作,TPU 8tx 做硬件级安全机密计算并兼顾小规模训练,TPU 8i Max 做超长上下文窗口和最高机柜算力密度。四款组成覆盖训练、推理、安全、高密度场景的完整矩阵。
问题 2:为什么说这次 TPU 矩阵扩张是在给谷歌 AI 算力自主化提速?
回答 1:一方面谷歌自研 TPU 加速器、Axion Arm CPU 主机和自有网络拓扑,硬件体系不再依赖单一通用 GPU 方案;另一方面通过开源 TorchTPU、Cloud Pathways、TPU Sync 等软件栈降低使用门槛,并把 TPU 从内部 Gemini 扩展到外部云和客户自有数据中心,自研算力的规模和覆盖面都在扩大。
问题 3:第八代 TPU 相比上一代性能和能效提升了多少?
回答 1:官方口径下,TPU 8t 训练性能相对上代最高提升约 2.7 倍,TPU 8i 推理性价比提升约 80%;每瓦性能 8t 提升约 124%、8i 提升约 117%。8i 片上 SRAM 达到 384 MB,约为上一代的三倍,HBM 带宽 8,601 GB/s。
问题 4:TPU 8tx 和 TPU 8i Max 这两款新 TPU 主要解决什么问题?
回答 1:8tx 解决敏感数据处理中的安全问题,把机密计算做进硬件层,数据和模型权重在使用中保持隔离,面向受监管企业和政府场景;8i Max 解决长上下文和多智能体场景下的内存墙问题,用双 8i 封装把计算、SRAM 和 HBM 带宽翻倍,在不扩大机柜占地的前提下提高算力密度。
问题 5:这四款谷歌 TPU 现在都能直接采购或上线使用吗?
回答 1:还不能一概而论。8t、8i 计划 2026 年晚些时候正式供货,早期以申请制面向合作伙伴开放;8tx、8i Max 为 11 月 9 日刚公布的新系统,供货节奏待官方后续公布;部分原生 PyTorch 和开发工具能力仍处于 Preview 阶段,实际可用性以 Google Cloud 官方页面为准。
【参考资料】
- [2026-11-10](Tensor Processing Unit - Eighth generation TPU)Wikipedia
- [2026-11-09](Our newest TPUs: 8tx and 8i Max, built for the agentic era)The Keyword(Google 官方博客)
- [2026-06-05](智能体时代的架构设计:Google Cloud TPU 7x、TPU 8t 和 TPU 8i 的详尽比较分析)Google Codelabs
- [2026-04-23](谷歌推出第八代 TPU,3 倍性能、2 倍带宽,搭配自研 CPU)36 氪(芯东西)
- [2026-04-23](谷歌第八代 TPU 双舰齐发,终结 AI 推理延迟,让智能体实现随叫随到)DeepTech 深科技(今日头条转载)
- [2026-04-22](AI 芯片 "分工" 时刻!谷歌第八代 TPU,为什么是两款?)华尔街见闻(今日头条转载)
- [2026-04-22](Our eighth generation TPUs: two chips for the agentic era)The Keyword(Google 官方博客)
【免责声明】
本文为谷歌官方博客、公开规格资料与媒体报道的整理转述,文中性能、带宽、容量、延迟和提升比例均来自官方或公开披露口径,不同信源的对比基准(性能、性价比、每瓦性能)存在差异,引用时请注意区分。未在官方渠道确认的产能、销售额、客户名单及下一代芯片传闻,不构成既定事实;TPU 供货时间、开放范围和软件成熟度可能随 Google Cloud 后续更新调整。Google、TPU、Gemini、PyTorch、vLLM、SGLang、Hugging Face、AMD EPYC、Arm 等名称及标识归各自权利人所有,本文不构成采购或投资建议。
本文来自作者[弘光鉴品]投稿,不代表环球品牌网立场,如若转载,请注明出处:https://www.865171.cn/qyzx/202611/1241.html
评论列表(4条)
我是环球品牌网的签约作者“弘光鉴品”!
希望本篇文章《谷歌 TPU 一年扩至四款8t/8i/8tx/8i Max 矩阵成型,自研 AI 算力向智能体全生命周期覆盖》能对你有所帮助!
本站[环球品牌网]内容主要涵盖:品牌服务领域
本文概览:谷歌在 2026 年把第八代 TPU(张量处理器)产品线一次扩成了四款:4 月 Google Cloud Next 上先发布训练向的 TPU 8t 和推理向的 TPU 8i,11 月 9 日再补上面向机密计算的 TPU 8tx 和面向超长上下文、高机柜密度的 TPU 8i Max,这是谷歌第一次在单一年份里推出四款 TPU 系统。四款产品分别对应大规模训练、低延迟推理、安全机密计算、百万级 Token 上下文与最高算力密度四个环节,把自研芯片矩阵铺满了 AI 智能体的完整生命周期;配合 TorchTPU 开源、Cloud Pathways、OCS 动态切分等软件与网络能力,谷歌在自研 AI 算力路线上继续提速,减少对通用 GPU 生态的单一依赖。需要注意的是,8t、8i 在官方口径中仍为 2026 年晚些时候正式供货,部分软件能力处于 Preview 阶段,产能和客户规模以外流传的数字需谨慎看待。