谷歌 TPU 现在为 Meta 的数据中心提供动力，直接挑战 Nvidia

谷歌首次向 Meta 出售 TPU，这些芯片已经在 Meta 的数据中心运行——这对 Nvidia 的硬件主导地位构成了直接挑战。

根据 Tom's Hardware 于 2026 年 10 月 22 日发布的一份报告，谷歌的张量处理单元现在在 Meta 的数据中心内运行——这是谷歌首次将其定制人工智能芯片作为部署硬件而不是通过自己的云出售给外部客户。此举标志着人工智能硬件市场的历史性转变，长期以来，Nvidia 的 GPU 一直是训练和服务大型模型的默认选择。

多年来，业界一直认为 Nvidia 的 CUDA 软件生态系统使其 GPU 不可替代，即使替代品已经出现。目前，两家最有能力打破这一假设的公司正在测试这一假设。这笔交易是在 Meta 本季度庞大的人工智能基础设施支出之上进行的，显示了超大规模企业如何认真地追求计算独立性——您可以通过我们的主页 aibuzzwire.news 每天报道的最新人工智能发展来更深入地了解这个故事。

从 TorchTPU 到钢和硅

就在两天前，这一时刻的基础才被公开奠定。 10 月 20 日，谷歌和 Meta 联合开源了 TorchTPU，这是谷歌 TPU 的原生 PyTorch 后端，由 TorchTPU 团队在官方 PyTorch 博客上宣布。该项目于 2025 年中期在 Google 与 Meta 的 PyTorch 团队合作开始，它做了一些以前没有干净管理过的事情：它允许现有的 PyTorch 工作负载在 TPU 上运行，只需进行简单的代码更改，本质上是将 `.to("cuda")` 替换为 `.to("tpu")`。

这很重要，因为 Google 于 2020 年推出的早期尝试 PyTorch/XLA 需要侵入性源代码修改，编译时间长，并且缺乏对 PyTorch 原生急切执行模式的支持。许多尝试过 TPU 的团队最终都回到了 Nvidia GPU，只是因为开发者的体验太痛苦了。 TorchTPU 被明确设计为解决这个问题，运行时没有 JAX 依赖性，并且 torch.compile 集成基于 Torch Dynamo 而不是旧的 Lazy Tensor 方法构建。

Meta 从这笔交易中得到什么

谷歌和 Meta 公布的技术成果引人注目。根据 Yahoo Tech 报道的详细信息，TorchTPU 堆栈已经针对 5,000 个 Hugging Face 模型进行了验证，而 Google 的 DeferAndFuse 执行模式比严格的 eager 执行模式提供了 50% 或更多的性能提升。供应商案例研究显示，Meta 的 Llama 3 405B 模型在 128 至 1,024 个 Ironwood TPU 集群上达到了 57% 的模型 FLOP 利用率——这些数据虽然是自我报告的，但表明这些芯片可以胜任运行前沿规模的训练工作负载。

经济才是更大的故事。长期以来一直有传言称 TPU 的成本远低于高端 Nvidia GPU，而一家拥有 Meta 计算需求的公司（涵盖其人工智能研究雄心和推荐系统）完全有动力摆脱单一供应商的多元化。彭博社早在 2025 年 11 月就报道称，Meta 和谷歌正在讨论在 Meta 的数据中心部署 TPU，而路透社则在 2025 年 12 月报道了关于 TorchTPU 的合作。现在发生的变化是，该交易已从讨论转向部署，Tom's Hardware 报道称这些芯片已在 Meta 设施中物理安装和运行。

Nvidia 盔甲上的裂痕

英伟达仍然占据着人工智能加速器市场的绝大多数，其数据中心收入仍然是每个竞争对手追逐的基准。但动态正在发生变化。正如 TechCrunch 在 TorchTPU 发布报道中所说，谷歌已与亚马逊一起攻击 Nvidia 在软件层的堡垒，该堡垒将开发人员与其硬件联系在一起。与此同时，Meta 获得了谈判筹码：它安装的每个 TPU 机架都是一个 GPU 机架，它不必按照 Nvidia 的定价购买。

压力同时来自多个方向。亚马逊拥有 Trainium 芯片，谷歌拥有 TPU，一大批初创公司正在构建推理专用加速器。元部署的不同之处在于规模和可见性。 Meta 是 Nvidia 最大的客户之一，如果其工程团队得出结论认为 TPU 可以在训练和推理工作负载中承担有意义的份额，那么其他大型买家将会密切关注。

注意事项

这并不意味着英伟达的地位会在一夜之间崩溃。 PyTorch 博客本身警告说，虽然模型可能在 TPU 上开箱即用，但要实现峰值性能仍然需要硬件感知优化，因为模型形状、分片策略和内核实现通常是针对 GPU 架构进行调整的。 TPU 指令集与 Nvidia 的不同，工具、库和经验丰富的工程师组成的生态系统仍然主要以 GPU 为中心。

还有供应问题。谷歌历来为其内部工作负载和云客户保留TPU，并且定制加速器的制造能力并不是无限的。谷歌是否能够或愿意以对 Meta 的总计算足迹有意义的规模供应 TPU（这让大多数公司相形见绌）仍然是一个悬而未决的问题。

接下来看什么

需要监控的直接信号是其他超大规模企业是否效仿 Meta 的领导、Nvidia 在定价方面的反应，以及 TorchTPU 的开源势头是否转化为 PyTorch 工作负载真正迁移到 TPU 基础设施上。多年来，人工智能硬件市场一直在等待 Nvidia 的高端可靠替代品。随着 TPU 现在在第二家公司的数据中心运行，这种等待可能终于结束了。