更新於 2026-09-11 口袋學堂編輯團隊
Google第8代TPU首度把訓練與推論拆成兩顆獨立晶片——由博通操刀設計的Sunfish負責訓練、聯發科設計的Zebrafish專攻推論，兩者都瞄準台積電2奈米製程，規劃2027年底進入量產。這是Google第一次把訓練與推論的工作徹底分開設計，也讓原本集中在輝達GPU身上的AI晶片賽局，多了一條愈來愈具體的競爭路徑。
TPU全名張量處理器（Tensor Processing Unit），是Google為了加速AI矩陣運算而研發的客製化晶片。從因應語音辨識運算成本壓力而生的內部工具，一路演進到如今訓練Gemini系列模型的核心引擎，TPU已經走到第7代Ironwood與預告中的第8代架構。
本文拆解TPU的技術定位、與GPU的架構差異、實際應用場景與商業價值，並整理這波客製化AI晶片熱潮下，設計、代工到組裝等環節分別由哪些產業受惠。
3 個重點先看
- 重點 1：TPU是Google為矩陣運算特製的ASIC晶片，採脈動陣列架構，設計邏輯與輝達GPU等通用平行處理器本質不同。
- 重點 2：第7代Ironwood單顆晶片可提供4.6 petaFLOPS算力，9,216顆晶片組成的機櫃群可達42.5 exaFLOPS。
- 重點 3：Anthropic、Meta等雲端客戶陸續導入TPU算力，也讓台積電、聯發科、創意電子等台廠受惠於設計與代工訂單。
TPU是什麼？從運算成本危機到訓練Gemini的專用晶片
TPU的起點不是一場創新敘事，而是一筆運算成本帳。據Google工程團隊事後回顧，2013年時任首席架構師的Jeff Dean估算，若每位Android使用者每天使用3分鐘語音辨識功能，以當時CPU的效率計算，Google必須把全球資料中心規模翻倍才能負擔，這筆帳促使團隊轉向研發專用晶片。
TPU屬於ASIC（特殊應用積體電路）的一種，不是什麼工作都能做的通用晶片，而是從一開始就針對AI模型所需的大量矩陣與向量運算量身打造。第一代TPU於2015年投入內部推論任務，歷經數代演進，來到2026年於Cloud Next大會全面開放取用的第7代Ironwood：單顆晶片可提供4.6 petaFLOPS算力，最大9,216顆晶片組成的機櫃群可達到42.5 exaFLOPS，並搭配192GB的高頻寬記憶體（HBM 是什麼）與7.2Tbps頻寬，是首款在矩陣運算單元原生支援FP8精度的世代。Google稍早也預告，第8代TPU將拆分為博通設計的訓練晶片Sunfish與聯發科設計的推論晶片Zebrafish，雙雙瞄準台積電2奈米製程，規劃於2027年底投產。
這樣的世代演進，說明Google把TPU當成需要持續迭代的戰略級基礎建設，而非一次性專案；訓練與推論分開設計，也反映巨量AI算力需求已經細緻到必須針對不同運算階段各自最佳化晶片架構。
TPU與GPU差在哪裡？設計邏輯大不同
TPU與GPU都是為了加速大量平行運算而生，也都用於AI模型的訓練與推論，但兩者的出發點並不相同——GPU源自繪圖運算，TPU則從第一天起就是為張量（矩陣）運算量身打造。
| 比較項目 | TPU | GPU |
|---|---|---|
| 晶片分類 | ASIC（特殊應用積體電路） | 通用平行處理器，最初為繪圖運算而生 |
| 核心架構 | 脈動陣列（Systolic Array），資料在晶片內部依序流動，以矩陣乘法為最佳化目標 | 多核心SIMT架構，可程式化調度以處理各類平行任務 |
| 精度支援 | 以BF16、FP8等低精度運算為主，Ironwood是首款原生支援FP8的世代 | 涵蓋FP32、FP64等高精度運算，也支援FP16、INT8等低精度模式 |
| 通用性 | 針對深度學習矩陣運算最佳化，遇到稀疏矩陣或非標準資料結構時效率較低 | 可處理繪圖渲染、科學模擬與AI等多種工作負載 |
| 取得方式 | 目前僅能透過Google Cloud租賃，或由Google與特定客戶簽署專屬供貨協議 | 可直接採購硬體自建伺服器，也能透過各大雲端服務商租用 |
這樣的設計差異，讓TPU得以用更精簡的電路，在特定深度學習任務上達到更高的能源效率；相對地，TPU也犧牲了GPU的彈性——一旦運算型態脫離標準矩陣乘法，例如稀疏運算或動態資料結構，執行效率就會下滑。這也是為什麼輝達GPU目前仍是通用AI訓練市場的主流選擇，而TPU多半集中在Google自家與少數雲端大客戶的特定工作負載上。
TPU的應用場景與商業價值
TPU目前的核心舞台，是Google自家Gemini模型的訓練與推論，以及外部大型AI客戶的算力採購。
據多方報導交叉確認，Anthropic已承諾向Google採購3.5 GW（約350萬瓩）的TPU運算容量，2026年可望取得最多百萬顆TPU、逾1GW算力，是Ironwood與新一代晶片的指標客戶；Meta則據多家外媒報導，已與Google簽署多年協議，先自2026年起租用TPU算力訓練模型，並討論最快2027年直接採購導入自家資料中心；Apple先前公開的技術報告也顯示，其Apple Intelligence基礎模型是在8,192顆TPU v4與2,048顆TPU v5p上完成訓練。
這些案例說明，TPU已從Google的內部工具，進階為雲端服務商用來分散對單一GPU供應商依賴、並壓低大規模訓練總成本的選項之一；但目前TPU主要仍以Google Cloud租賃或專屬供貨協議取得，一般企業無法像採購GPU伺服器一樣直接買斷硬體自建機房。
TPU熱潮吹向哪些產業？從晶片設計到伺服器組裝
要打造並部署TPU，需要從晶片設計、晶圓代工、先進封裝到伺服器組裝的完整鏈條支撐，這也是這波客製化AI晶片熱潮延伸出的產業討論焦點。
| 環節 | 角色 | 代表公司 |
|---|---|---|
| ASIC設計服務 | 將Google的運算需求轉譯為客製化晶片架構、I/O晶粒與高速連結設計 | 博通（主力設計夥伴）、聯發科（負責Zebrafish的I/O晶粒設計）、創意電子（承接N3／N5設計服務） |
| 晶圓代工與先進封裝 | 負責先進製程投片與CoWoS等先進封裝，是TPU實際產出的技術核心 | 台積電 |
| 伺服器組裝（ODM） | 將TPU晶片整合為完整AI伺服器系統，交付Google資料中心 | 廣達、緯穎等代工夥伴 |
| 雲端算力客戶 | 以長期採購或租賃協議取得TPU算力，用於自身AI模型訓練與推論 | Anthropic、Meta（據報導洽談中）、Apple（據其技術報告） |
其中，博通長期擔任Google TPU的主設計夥伴，負責客製化ASIC架構與高速連結設計；聯發科則透過I/O晶粒設計切入第8代Zebrafish專案，市場預估其在Google ASIC設計服務的份額，有機會在2028年提升至僅次於博通的第二位；創意電子同步承接TPU與Axion CPU的N3、N5設計服務訂單。世芯-KY則被市場傳出有機會打入Google的ASIC設計供應鏈，但截至目前尚未獲官方證實。
這類訂單讓原本集中在輝達GPU生態系的台廠設計與產能，多了一條來自Google TPU的成長路徑；實際受惠程度則取決於各家公司在設計定案、量產時程與訂單能見度上的實際進展，投資人應依自身判斷評估個別公司的營收貢獻與時程風險。完整的晶圓代工、機板、散熱與網通供應鏈名單，可參考〈Google TPU 供應鏈拆解〉一文。
常見問題
Q1：TPU會取代GPU嗎？
短期內不會，兩者更接近互補關係。輝達GPU目前仍是通用AI訓練市場的主流選擇，市占率長期維持在九成以上；TPU則多半集中在Google自家與少數雲端大客戶的特定訓練或推論任務。雲端服務商採用TPU的主要動機，通常是分散對單一供應商的依賴，而非全面汰換GPU。
Q2：一般投資人可以直接買到TPU晶片嗎？
目前無法直接購買TPU硬體本身。Google尚未把TPU作為獨立產品公開銷售，主要透過Google Cloud出租算力，或與Anthropic、Meta等特定客戶簽署專屬供貨協議。一般投資人若想布局這個題材，通常是透過參與TPU設計、代工、封裝或組裝鏈的上市公司，而非直接持有晶片本身。
Q3：ASIC和TPU是同一件事嗎？
不完全相同，TPU是ASIC底下的其中一條產品線。ASIC泛指為單一用途客製化設計的晶片，TPU則是Google專門針對張量（矩陣）運算最佳化的ASIC產品；同樣邏輯下，亞馬遜的Trainium、Meta的MTIA等雲端業者自研晶片，也都屬於同類型的客製化AI晶片。
怎麼買 台美AI晶片概念股？
一次開通 台美AI晶片雙布局
線上 5 分鐘快速申請查看手續費優惠詳情 ▼
【台股優惠】
手續費 2.8 折，最低 1 元 起！零股交易也能輕鬆存。
【美股優惠】
*APP 電子單下單手續費 0.08% (無低消)**APP 存股手續費 0.08% (低消 0.1 美元)*
點此看更多開戶活動優惠
*美股優惠期間至 2026/12/31，新戶適用，實際以官方公告為準。
小提醒：台股扣款日為 T+2，美股採「圈存」制，下單前請確認餘額！
