前陣子 Gemini 3 橫空出世，震撼整個 AI 產業鏈。這次的突破不只來自模型本身，更來自背後支撐巨量算力的 TPU v7（Ironwood）。本文以投資人的視角，從 架構差異、供應鏈機會、雲端競爭格局 三個面向，拆解 Google TPU 生態系統的發展與投資意義。
一、TPU vs NVIDIA GPU：技術架構的根本差異
1. 運算與記憶體設計：TPU v7 大幅擴展模型規模上限
Google 最新的 TPU v7（Ironwood） 採雙晶片封裝，每顆晶片具備：- 2 個計算 die
- 8 堆疊 HBM3E 記憶體（總容量 192GB）
- 單晶片記憶體頻寬達 7.37 TB/s
- 峰值效能約 4.6 PFLOPS（FP8）
相較前代 TPU v5p，運算效能提升近 10 倍，能效提升近 30 倍。
相比之下，NVIDIA 的最新 Blackwell（B200）雖然單片效能更高（FP4 約 20 PFLOPS），但 HBM 容量大幅落後——現役 H100 僅 80GB。Ironwood 可支撐更大語言模型、更高批次量，尤其在推理和長序列任務中更具優勢。
2. 網路互聯：TPU 的 3D 光學拓撲大幅降低延遲
Google TPU 採用 ICI（Inter-Chip Interconnect）+ Jupiter 光學交換網路 形成獨特的三維拓撲，具備：
- 3D 立方體結構（4×4×4）
- 單一 SuperPod 可串聯 9,216 顆晶片
- 低延遲、可程式光路，由 OCS（Optical Circuit Switch）動態重構
這種設計讓 TPU 集群彼此之間的延遲更低、帶寬更均勻，尤其適合大型語言模型的同步訓練。
反觀 NVIDIA：
- 機櫃內靠 NVLink / NVSwitch
- 機櫃間靠 InfiniBand（Quantum-X）或 Ethernet（Spectrum-X）
- 拓撲較為靜態、依賴商用交換器
總體來說，TPU 網路是「光學原生」，而 NVIDIA 則是「網路業者生態整合型」。Google 在 TPU v4 就導入光電交換，減少光電轉換與傳輸瓶頸，這是 TPU 架構的核心競爭優勢。
3. 功耗與冷卻：TPU 與 GPU 皆邁向兆瓦級液冷時代
TPU v7 SuperPod 的功耗接近 10 兆瓦，必須使用 Google 自研的三層液冷架構：
- 伺服器冷板（bare-die 直觸晶片）
- 機架級液冷（CDU 循環）
- 數據中心級水冷
Google 表示水冷下效能可達空冷極限的兩倍。
NVIDIA 的 Blackwell 系統同樣全面進入水冷世代，例如：
- GB200 NVL72（36 CPU + 72 GPU）
- 峰值約 720 PFLOPS
- 整機以液冷與高密度銅線連接
兩者都面臨算力密度暴漲的挑戰，但 Google 透過架構與冷卻協同設計（co-design）來提高能效，使 Ironwood 的能效相比前代大幅躍進。
二、TPU 生態鏈：誰會是下一波受惠者？
Google 擴大 TPU 部署，將帶動全新的供應鏈需求，其中包含光通訊、電力設備、冷卻、記憶體與伺服器整合。以下是最重要的潛在受惠者：
1. 光通訊與網路設備
TPU 的 3D 光學拓撲大量使用：
- 400G / 800G 光收發器
- 光電交換器（OCS）
- 高階 WDM 組件、光放大器
主要受惠廠商：
- Coherent
- Lumentum
- Broadcom / Marvell（交換晶片）
- Arista / Cisco（雲端交換器）
NVIDIA 仍依賴以太網與 InfiniBand，因此兩者帶動的供應鏈重疊但非完全相同。
2. 電力管理與高功率連接器
TPU SuperPod ≈ 10MW，推升對高電壓配電的需求，例如：
- 400V DC（OCP 規範）
- PDU、Rectifier、UPS
- 大電流連接器、母線槽
受惠企業：
- TE Connectivity、Amphenol
- Advanced Energy、Ametek
- Vertiv、Schneider、Eaton
這類設備將隨大型 AI 伺服器部署同步爆量成長。
3. 液冷供應鏈
每機櫃動輒數百千瓦散熱，液冷需求急遽提升。
關鍵受惠者：
- Asetek
- CoolIT
- LiquidStack
- CDU、冷卻泵浦、熱交換器供應商
Google 甚至投入第五代 CDU（Coolant Distribution Unit）開發，意味著液冷產業將進入高成長周期。
4. 儲存與記憶體
大型模型訓練倚賴高速儲存與 HBM：
- TPU 集群搭配大量 NVMe SSD
- HBM 需求隨 TPU 部署倍增
受惠企業：
- Micron、Samsung、SK 海力士、Kioxia
- Western Digital
- 伺服器與機櫃 ODM：Supermicro、Quanta
AI 模型越大，存儲與記憶體需求越高。
三、Google TPU 策略：雲端競爭的下一個戰場
1. Gemini 3 全面使用 TPU，是 Google 的戰略宣示
Google 宣布 Gemini 3 的訓練完全依賴 TPU v6 / v7，這代表：
- Google 不需依賴 NVIDIA 供應鏈
- 推理與訓練成本可控
- 可加速內部 AI 產品迭代
Ironwood SuperPod 擁有 42.5 ExaFLOPS 的驚人效能，是 Google 打造下一代 AI 超級電腦的基礎。
2. Google 開始「對外釋出 TPU」：AI 市場的結構性改變
Google 已開始將 TPU 資源開放給外部 AI 實驗室，例如：
- Anthropic 計畫使用百萬顆 TPU
- OpenAI、Meta、Apple 都在測試 TPU 雲端
- 企業級客戶 對推理需求上升，使 TPU 更具吸引力
TPU 逐漸走向「雲端的第二運算平台」，挑戰 NVIDIA 長期的主導地位。
3. 公有雲競爭：AWS 與 Azure 的應對
雖然 TPU 正快速崛起，但 NVIDIA 仍佔據雲端市場主導位置：
- AWS：NVIDIA + 自研 Trainium
- Azure：NVIDIA 最大客戶
- Oracle：依賴 NVIDIA 架構
未來格局將取決於：
- TPU 生態系是否更開放（PyTorch/XLA 重要性提高）
- Google 是否能提供更低推理成本（報告顯示可降 50%）
- AI 實驗室是否採混合架構（multi-architecture）
TPU 若能繼續外部化，有機會重塑高效能運算市場。
四、科技股投資觀點：六大方向值得關注
直接整理 TPU生態系擴張將帶動以下產業鏈成長
整體而言，Google 的 TPU 計畫已經開始撼動 AI 基礎架構的生態。NVIDIA 的地位短期仍穩固，但 AI 運算市場正在從「單一平台」走向「雙平台競爭」，Google 透過自研晶片與雲端整合，將在未來數年成為資料中心設備與 AI 訓練市場新的成長引擎。
