产品
也叫：Tensor Processing Unit
谷歌定制AI芯片，用于测试太空适应性
最近变化
2026-10-22 · ACE通过硬件隔离的microVM实现容器级性能与安全隔离
TPU 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
已收录 30 篇与「TPU」相关的 AI 资讯和分析。
BYD launches China’s first automotive-grade 4nm AI driving chip Xuanji A3—three chips combined exceed 2100 TOPS, 20% lower power per TOPS, 100% higher compute utilization, now mass-produced.
入选理由：璇玑A3为国内首款车规级4nm智驾芯片，三颗组合达2100+ TOPS，制程对标英伟达Thor
社区通过 Tunix 和 TPU 成功训练 Gemma 模型生成推理能力，提供可复现的训练方法。
入选理由：G-RaR 方法结合 SFT 和 GRPO，使用 Gemma-3-12B 作为评估模型，显著提升推理能力。
Google AI 宣布推出第八代 TPU，专为代理时代设计，显著加速AI训练与服务，TPU 8t加快学习过程，TPU 8i优化AI代理执行能力。
入选理由：第八代TPU分为TPU 8t和TPU 8i，分别针对AI训练和服务进行优化。
Anna Goldie and Azalia Mirhoseini founded Recursive Intelligence, which uses AI to automate chip design, applied in multiple generations of Google TPUs, and plans to democratize chip design through three phases.
入选理由：Recursive Intelligence 的 AlphaChip 已经在 Google TPU 上应用了四代，显著提高了芯片设计效率。
Google推出Agent Compute Engine，为每个AI代理提供硬件隔离的微虚拟机，解决agentic AI在大规模部署中的性能与安全挑战。
入选理由：ACE通过硬件隔离的microVM实现容器级性能与安全隔离
Google Cloud 发布 llm-d 1.0，通过缓存感知路由和分层 KV 缓存优化多步骤代理推理，支持 TPU/GPU 混合部署。
入选理由：llm-d 1.0 支持 1000 个代理实例并发处理，通过分层 KV 缓存降低 40% 内存占用
Google推出基于TPU的vLLM和SGLang推理引擎，通过TorchTPU实现PyTorch原生支持，优化大模型服务性能。
入选理由：TorchTPU使TPU成为原生PyTorch设备，支持自定义Pallas内核
Google Cloud通过vLLM-TPU和GKE实现高精度、可扩展的多模态嵌入推理，支持超长上下文处理。
入选理由：vLLM-TPU集成实现TPU弹性扩展，支持动态调整计算资源。
Google发布的微基准测试套件可量化评估TPU性能，涵盖网络、计算、内存等关键模块。
入选理由：微基准测试套件包含网络、计算、HBM、主机传输和RPAv3五大核心指标
Agent Infra成为AI领域新战场，百度等巨头正通过软硬一体架构和DAA指标推动智能体发展。
入选理由：Agent Infra需软硬一体架构，GPU牺牲通用性但释放算力
Helion通过高级DSL和自动调优，使TPU内核开发更高效，性能达838 TFLOPs。
入选理由：Helion生成的TPU内核在flash attention任务中达到838 TFLOPs，接近79%的MFU。
Tunix通过异步rollouts和无阻塞流水线技术，使TPU利用率接近100%，解决强化学习代理训练的效率瓶颈。
入选理由：异步rollouts消除TPU执行空闲时间，提升吞吐量300%以上
在TPU上部署Ray AI库需通过topology字段确保多主机模型正确分配资源，避免因跨slice通信失败导致部署停滞。
入选理由：设置topology字段可防止多主机模型跨slice部署，避免集体通信失败
Ray 2.55正式支持TPU加速，通过GKE和Ray Core协作实现TPU资源调度，开发者可复用现有API进行分布式训练。
入选理由：Ray 2.55版本将TPU纳入官方加速器支持体系，提供预构建镜像和全栈库支持
Google Cloud Blog详解GKE Autopilot集群配置DRANET支持GPU/TPU的完整流程，包含代码示例和参数说明。
入选理由：GKE Autopilot集群部署需指定VPC网络和预留资源URL
本文提出‘spite-driven engineering’理念，强调通过解决真实技术痛点提升云安全，指出当前云原生架构的脆弱性及AI原生时代的工程实践方向。
入选理由：架构应源于真实技术痛点的解决，而非层叠复杂性。
谷歌推出TPU开发者中心，提供TPU硬件、软件栈、优化策略等全面资源，助力开发者提升模型性能。
入选理由：TPU开发者中心涵盖从预训练到推理的全流程资源。
Google 推出 Gemini for Government，为政府机构提供集成 AI 基础设施，助力实现任务影响。
入选理由：Google Cloud 提供统一的 AI 基础设施，包括第八代 TPU 和跨云架构创新。
现代AI依赖于专用硬件如GPU、TPU和NPU，它们在并行计算和大规模数据处理上表现优异。
入选理由：AI训练需要执行万亿次数学运算，传统CPU无法高效完成。
Cloud Storage Rapid offers high-performance object storage solutions, significantly enhancing the efficiency of AI and analytics workloads.
入选理由：Rapid Bucket 提供高达 2000 万次查询每秒和亚毫秒级延迟。
The article proposes shifting from instance-level to cluster-level reliability for AI model training to meet the high demands of trillion-parameter models on large-scale computing infrastructure.
入选理由：集群级可靠性是处理万亿参数模型的关键
Google CEO Sundar Pichai admits Google lags in AI coding and agent capabilities but emphasizes that search won't be fully replaced by AI; AI will reshape work rather than simply replace it.
入选理由：Google在Agent coding和长周期任务上落后于竞品
Google I/O 2026 reveals Gemini's integration into every product as AI agents, with massive scaling from 9.7 trillion to 3.2 quadrillion monthly tokens, new TPU chips split for training/inference, and Gemini Omni as the headline multimodal model capable of understanding reality through text, video, and sound inputs.
入选理由：Google scaled from 9.7T to 3.2 quadrillion tokens/month in 2 years, showing explosive AI usage growth
Google AI启动Project Suncatcher，测试TPU在太空环境下的可行性，并探索太空机器学习基础设施的潜力。
入选理由：Google与Planet、SpaceX合作发射原型卫星测试TPU在太空的性能
CPU, GPU, and TPU are optimized for different computation types: CPU handles general-purpose tasks with branching logic, GPU excels at parallel math operations like matrix multiplication, and TPU is specialized for machine learning tensor operations, guiding hardware selection for AI workloads.
入选理由：CPU has few powerful cores optimized for general-purpose tasks like web servers and databases with branching logic.
Google processes over 3.2 quadrillion tokens monthly, up 7x YoY, indicating rapid expansion of its AI infrastructure.
入选理由：Google每月处理3.2千万亿tokens，较去年同期增长7倍。
OpenAI展示了其在硬件设计上的竞争力，但面临量产和制造挑战。
入选理由：OpenAI设计的芯片在性能上可与TPU竞争，但依赖TSMC制造存在风险。
Google is renting 110,000 Nvidia GPUs from SpaceX for $920 million per month, totaling $30B over the contract, indicating its AI compute needs have outpaced its TPU build-out, or SpaceX has secretly built top-tier AI infrastructure.
入选理由：Google与SpaceX签署云服务协议，每月支付9.2亿美元租用11万块Nvidia GPU。
Google宣布重置Gemini模型在Antigravity平台的配额，TPU因3.8 Flash版本高负载接近过热阈值，但鼓励开发者继续使用。
入选理由：Gemini模型在Antigravity平台的配额已重置
Blackstone and Google are establishing a joint venture to create a new TPU cloud service, aimed at providing dedicated hardware infrastructure for AI workloads.
入选理由：Blackstone与Google合资创建TPU云基础设施
与「TPU」经常一起出现的 AI 术语。
💡 想追踪「TPU」的长期趋势？去 实体雷达 · TPU 查看详细分析和跨材料问答。
