你知道AI晶片史上最大的订单是谁出货吗？不是Nvidia当大家以為算力版图已定调时，Anthropic把筹码压在 Google：宣布未来将「使用最高达 100 万颗 TPU」，金额级距落在数百亿美元等级，并计画在 2026 年陆续上缐超过 1GW 的运算能力。这不是小单，是产业讯号：推理时代，供应链规则正在改写。 关键不只在单颗晶片，而是系统级设计。Google 第七代 TPU Ironwood 一个 Pod 可扩到 9,216 颗，标称 FP8 42.5 ExaFLOPS，Google 自称「超过目前最大超级电脑的 24 倍」；单颗峰值為 4,614 TFLOPS，并以 Pathways 把数万颗 TPU 池化在一起运行。注意：这些是 AI 精度指标（如 FP8），与传统超算的 FP64 并非同一基准，但它说明了 Google 在大规模推理上的工程取向。 Ironwood 的「万卡级」互连是另一个重点：9.6 Tb/s 的晶片间连缐，把几千颗 TPU 紧密耦合成一台逻辑上的超级电脑，降低延迟与资料搬移成本，正对准高频、低延迟、强成本敏感的推理工作负载。 把镜头拉到经济性。Anthropic 对外说明选择 TPU 的核心理由是「价格效能与能效表现」。当推理流量远大于训练、电费与机柜位成為 P&L 第一大科目时，单位成本/每次推理才是董事会要看的 KPI。 这并不代表 Nvidia 退出𢧐场。Nvidia 的 Blackwell Ultra（GB300）在机柜等级的 NVL72 系统，官方与第三方资料显示：每柜标称 FP8 训练约 0.36 ExaFLOPS、FP4 推理约 1.1 ExaFLOPS；而微软已把多个 NVL72 组成超大丛集，对外宣称 FP4 推理可达 92.1 ExaFLOPS。两边都在拼「系统级」伸缩与供应链整备。 资本支出也在定锚产业走向。Alphabet 对 2025 年 CapEx 指引上修至 910–930 亿美元，最近一季约 6 成投入在伺服器（其馀為资料中心与网路）。当供给侧用「云端一条龙」做垂直整合时，成本曲缐会更快往下走。 我的结论（Joey视角）1. 推理优先的设计语言正在成形。训练时代的生态（CUDA/通用 GPU）不会消失，但推理时代评分表改成「每美元吞吐量 × 每瓦吞吐量 × 延迟」。Ironwood 把这个故事讲到「万卡级实装」。 2. 订单的含义要看「规模存取」而非「一次性采购」。Anthropic 对外是「计画可存取最高 100 万 TPU」，时间轴跨到 2026 年之后，属于长约级别的 capacity reservation。 3. 两强并行、各取所长。Google 在垂直整合与推理 TCO 上有攻势；Nvidia 在软体生态与广义扩展性仍具优势，且同样以 NVL72/超大丛集回应。这不是零和，而是工作负载分流。 ~~~~~~~~~~~~~~~谷歌芯片大厂，可能大部分人没想到吧？
