谷歌TPU崛起挑战英伟达，万亿级“谷歌链”浮现，这些公司或成最大赢家

在上一期的深度分析中，我们曾探讨过谷歌是最具潜力超越英伟达、迈向5万亿美元市值的科技巨头。此后，谷歌频频传出利好，不仅获得巴菲特的投资，还推出了业界顶尖的AI模型。

就在市场普遍认为“英伟达主导AI芯片格局”短期内难以动摇之际，谷歌连续敲定两项关键合作，再度引发业界对其算力布局的高度关注：

其一，谷歌正与Meta洽谈一项价值数十亿美元的TPU采购协议，Meta考虑从2027年起，将部分推理计算任务从英伟达GPU迁移至谷歌TPU平台。

其二，谷歌与Anthropic确立了最高达百万颗TPU的扩容计划，涉及规模达数百亿美元。

值得注意的是，Meta一直是英伟达最大的客户之一。谷歌云内部高管明确表示：“如果TPU采用率持续扩大，我们有能力从英伟达手中夺取约10%的年收入份额。”

换言之，谷歌正从“模型+云”两端同时发力，正面挑战英伟达的芯片帝国。一条全新的“谷歌链”正在加速成形，硅谷的AI供应链版图或将迎来历史性重写。

那么，核心问题来了：当价值数百亿美元的算力订单开始流向谷歌，这是否意味着英伟达过去两年的芯片暴利时代正接近拐点？

谷歌TPU单卡性能虽不及英伟达，为何能凭借“系统级性价比”一举撬动Meta、Anthropic等巨头？

一旦资金开始从“英伟达链”分流，那条正在成型的万亿级“谷歌链”中，除了谷歌自身，还有哪些公司最有可能成为资本追逐的下一个超级强势股？

面对“英伟达链”与“谷歌链”的双轨格局，投资者应如何配置资金，才能抓住这波万亿级产业扩张的红利？

谷歌TPU何以成为大模型公司的新宠？

要理解谷歌为何能突然撬动算力市场，首先需要认清一个基本事实：英伟达在“单芯片性能”和“整柜峰值算力”上的统治地位从未被撼动。

Blackwell架构，特别是B200/GB200，训练性能强劲、推理速度快、能效出色，一个GB200 NVL72整柜可达到1.4 EFLOPS——这堪称为万亿参数模型量身定制的“核武器”。

因此，在单卡性能和极限峰值方面，英伟达始终是行业标杆，这是公认的事实。

然而，谷歌并未选择在英伟达最擅长的领域硬碰硬。相反，它走了一条差异化道路：不追求最强单卡，而是聚焦于规模、效率、成本和稳定性。谷歌的目标不是做GPU的替代品，而是打造一套系统级的算力平台。

这一点从TPU的演进历程清晰可见。第六代TPU Trillium大幅降低了训练成本。谷歌云测算，在训练Llama2、Llama3等主流模型时，其“性能/成本比”较上一代提升约2.1倍，意味着相同预算可训练两倍规模的模型。更重要的是，Trillium具备极高的分布式扩展效率，成千上万颗芯片组成的集群仍能接近满载运行。

到了第七代TPU Ironwood，谷歌彻底摆脱了“堆卡”思维，将数千颗TPU整合为一台巨型超级计算机。一个Pod最多容纳9,216颗TPU，配备1.77PB共享HBM内存，这已不像传统服务器集群，更像一台将整个机房封装进机柜的计算机。

结合谷歌自研的光交换网络，芯片间通信延迟被压至极低，超大模型在Ironwood上运行时，不再需要在数千张卡之间频繁搬移数据——如同在一台巨型电脑中运行般流畅，“内存墙”被直接绕过，推理速度自然更快。

如果抛开复杂的技术参数，回归企业最核心的考量——三到五年的总拥有成本（TCO），谷歌与英伟达的差异便一目了然。

根据谷歌自身测试，在多数主流大模型任务中，TPU v5e/v6在合适负载下的性能/成本比较传统高端GPU方案可提升2至4倍。换言之，同等预算下，企业要么能获得数倍产出，要么以更低成本完成相同训练。在实际业务中，许多公司的整体算力成本可保守降低30%至40%，部分场景甚至更低。

谷歌云的公开定价更直观：同一地区，一颗H100的Spot价格为2.25美元/小时，而一颗TPU v5e仅需0.24美元/小时，单芯片计费相差9倍。

第三方测评也得出了类似结论：在GPT规模的大模型训练中，TPU v5e在保持相近吞吐量的前提下，总成本仅为高端GPU的“零头”。

正是凭借低成本、高可扩展性和集群效率，大模型公司开始重新调整算力结构——这不是简单的“省钱”，而是基于规模×成本×风险的综合商业决策。

以Anthropic为例，其愿意将未来几年的核心算力交给谷歌，原因很简单：TPU能用更低的预算支撑更大的模型规模。同时，将数据中心建设和维护完全托付给谷歌云，意味着无需像OpenAI或xAI那样投入数百亿美元自建机房、拉光纤、配电力，从而将全部精力聚焦于模型本身——这对创业公司而言是更务实的选择。

Meta的考量则不同，它更像是在进行“风险对冲”。作为AI算力的超级用户，仅依赖英伟达已难以满足其长期规划。将部分推理任务分配给TPU，一方面使供应链更稳健，另一方面能优化长期运营成本——特别是推理和微调这类每日消耗大量算力的场景，迁移到更便宜的平台，节省的是持续的真金白银。

将所有信息拼凑起来，逻辑清晰可见：谷歌比拼的是系统效率、总成本和长期稳定性。对大模型公司而言，这比单卡性能更重要，因为企业最终关注的是：能省多少钱、扩容是否稳定、未来是否会被“卡脖子”。

更关键的是，美股投资网获悉，谷歌已将TPU引入高频交易公司、银行、国防部门等安全要求最严格的场景。能够在这些体系中本地部署并通过最严苛的安全审查，意味着TPU已跨过GPU长期难以逾越的门槛：数据隔离、超低延迟、可审计性和主权安全。

这是一个质变。一旦金融和政府系统开始采用TPU，影响的就不仅是几张采购单，而是长期的算力主权布局。这首次打开了一块过去几乎由GPU垄断且相对封闭的高价值市场。

行业格局随之出现结构性松动，一条全新的“谷歌链”正在快速成形。

谷歌AI芯片利好哪些公司

这不是简单的“换一家买硬件”，而是需求端的顶级巨头亲自推动的一次算力体系重构，对投资者而言含金量极高。那么，“谷歌链”究竟由哪些核心环节构成？哪些公司将最先受益？

首当其冲的是AVGO。许多人可能不知道，谷歌的TPU并非完全自研，真正让TPU实现“连接、稳定、扩展”的核心通信和网络部分，几乎都由AVGO提供。双方合作已近十年，绑定程度远超外界想象。

AVGO在谷歌体系中的三大核心能力是高速SerDes、交换ASIC，以及支撑谷歌Jupiter光网络的光交换芯片。它们分别相当于TPU集群的“血管”“神经系统”和“主干公路”。没有这些，TPU根本无法搭建超大规模集群，谷歌的光网络也难以达到现有规模。因此，只要谷歌坚持专用加速器路线，AVGO就是绕不开的底层核心。

那么，AVGO能否在关键能力上抗衡英伟达？答案是肯定的。英伟达的强势源于GPU、CUDA和NVLink三大王牌，尤其是NVLink，这条自研高速互联从2016年迭代至4.0，速度接近PCIe Gen5的三倍，是其大集群性能的核心来源。

但AVGO本就是网络通信起家，在交换芯片、光通信和数据中心互联等底层技术上积累深厚，完全具备与NVLink抗衡的实力。简单来说，一边是“英伟达的私有高速通道”，另一边是“AVGO的行业顶级网络架构”。在云和数据中心这类超大规模场景中，AVGO的地位毫不逊色。

这也是为何我们在2025年初就提前明确推介AVGO。

ASIC的代表玩家博通和Marvell（两家占ASIC市场超60%的份额）已领先市场多个身位。前者作为谷歌自研AI芯片TPU的制造商，合作已近十年；MRVL自推出该业务25年以来，已设计超过2000款ASIC，曾受邀为亚马逊、谷歌、微软开发定制AI芯片。

制造端由台积电TSM、Amkor（AMKR）与日月光ASE（ASX）组成铁三角。TPU v7对3nm/2nm制程、HBM堆叠、高密度Chiplet封装的依赖进一步增强，TSMC决定算力上限，AMKR和ASX决定带宽落地。随着机构预期2026年谷歌TPU将成为全球最主要自研ASIC，这三家公司是算力迭代的硬核基础。

当芯片从晶圆厂走出，真正将TPU部署成“可用”系统的是Jabil（JBL）、Flex（FLEX）与同样是我们2025必买公司的Celestica（CLS）。它们负责TPU模组、服务器机架、电源系统与整柜装配，是谷歌数据中心扩容最敏感、最直观的环节。随着TPU v7功耗与密度不断上升，机架结构、布线方式、散热设计都要全面重写，这三家整机ODM的单柜价值量与出货节奏随之提升，成为追踪谷歌CapEx的最佳风向标。

而系统的规模化运行，依赖于更高速的互联能力。谷歌的Jupiter光交换体系需要更高带宽的光模块，这是Lumentum（LITE）、Coherent（COHR）以及AVGO的光通信业务所擅长的领域。数据中心互联从400G升级到800G、1.6T，这些厂商将最先感受到需求的跃升。没有高速光通信，就无法支撑TPU集群的横向扩张。

OCS（光电路交换机）上游也首次出现具备投资价值的美股公司。谷歌采用的Palomar OCS依赖2D MEMS微镜阵列，这类高精度器件ASP高、工艺壁垒强，最直接的受益者包括SiTime（SITM）与Luna Innovations（LUNA）。同时，OCS推动的高密度光路也带动了IPG Photonics（IPGP）、Coherent（COHR）等精密光学厂商在准直器、透镜阵列与硅光波导上的新增需求。这个环节在传统数据中心从未存在，是OCS打开的全新美股增量市场。

随着集群规模扩大，基础设施压力同步上升。能否解决高功耗带来的散热、电力与液冷需求，决定了数据中心能否继续扩容。因此，VRT成为谷歌链中最“通吃”的公司。无论是部署GPU还是TPU，只要算力密度继续走高，VRT的电源管理与液冷系统就是不可替代的底层能力。

最后，谷歌的AI战略并未停留在云端。为了让Gemini Nano在全球终端设备上本地运行，谷歌必须依赖高通（QCOM）提供的端侧算力平台。Snapdragon的NPU、DSP和本地推理能力，是安卓生态能否真正跑起“端侧大模型”的关键基础。因此，谷歌的AI想真正触达普通用户，高通就是那个承上启下的核心一环。

当云端由TPU撑起、端侧由高通承载，谷歌的AI版图才真正被补全——这也意味着，谷歌正在从“云—端”两侧同时发力，构建一条完整、闭环、可规模化的算力体系。

而正是这条“云端+端侧”的双引擎，使整个行业发生了更深层的变化：AI的算力版图，已经不再只靠单一供应商支撑。

AI算力不再只有一条命脉！

站在更高的产业视角来看，谷歌TPU的崛起，触发的根本就不是“谁取代谁”的零和游戏，而是一次全球AI算力结构的“大扩容”！

过去两年，全球AI产业对英伟达的依赖度实在太高、太集中了！英伟达一旦有点风吹草动——产能紧张、交付延迟，或者价格波动——整个行业都得跟着心惊胆战，引发连锁反应！TPU的大规模杀入市场，本质上是在给全球AI产业开辟第二条成熟、可靠的算力供给线！

这带来的影响，可不是仅仅“多了一个选择”那么简单！它让大模型公司、云厂商和所有企业用户第一次能够像在餐厅点菜一样，对算力进行组合式、精细化的配置：

稳定、重复的工作：直接交给ASIC（专用芯片）。

需要灵活、高通用性的大模型：继续放在GPU（英伟达阵营）。

对成本敏感、需要极致性价比的任务：用TPU做深度优化。

超高安全要求的场景：就采用本地化部署。

这意味着，AI的底层基础设施正在从过去“英伟达说了算”的单一生态，彻底升级为“客户说了算”的“多层次算力池”！算力不再是单一的商品，而是变成了一个可组合、可调度、可精分的资源体系！

这种结构性变化，直接影响了资本市场对两条链条的估值逻辑：

英伟达链：看生态、看通用性、看平台溢价，是“成熟期的估值体系”。

谷歌链：看订单、看产能、看扩张速度，是“成长期的加速度逻辑”。

这不是两条供应链互相替代，而是全球AI基建第一次拥有了更均衡、更弹性、更具扩展空间的双轨结构：

英伟达推高天花板——让模型变得更强；

谷歌拓宽高速路——让算力供给更可持续、更规模化。

事实上，每一次有公司展示更高效的训练网络（无论是GPU还是TPU），都会进一步加强市场对“AI继续扩张”的信心循环。Google这次的突破，不是GPU的终章，而是下一轮算力投资的开场信号。因为越多公司加入AI军备竞赛，越多训练管线被打开，全球对GPU的需求反而会更强——所有追赶者都需要更多GPU才能缩短差距。

AI赛道最终不是“谁的芯片更省电”的比赛，而是“谁能让算力更快扩张”的比赛。在这条扩张曲线上，英伟达仍然是目前唯一能够让全球快速“放大算力”的基础设施提供者。

因此，谷歌链的爆发不是在稀释英伟达，而是在为未来3～5年万亿级算力扩张铺设更安全、更立体、更可持续的双轨基建。两条链不是对立，而是共同驱动下一轮超大周期的发动机。