Skip to main content

One post tagged with "2nm"

TSMC 2nm process technology

View all tags

谷歌TPU 8i/8t 正式发布：训练与推理首次分家，2nm工艺赋能智能体时代

· 7 min read
AI Compute Cards Wiki Editorial
AI Compute Cards Wiki Editorial
Industry Research Team

2026年4月22日，在拉斯维加斯举行的Google Cloud Next '26大会上，谷歌正式发布了第八代张量处理器（TPU）。这是谷歌史上首次将AI训练与推理任务拆分至两款独立芯片：

  • TPU 8t：专为模型训练设计
  • TPU 8i：专注高并发推理任务

此次发布未引入新的物理概念，而是聚焦于解决AI数据中心的核心痛点：万卡集群扩展效率、智能体AI工作负载优化、每瓦性能提升。

TPU 8i（推理专用）：消除"等待室效应"​

TPU 8i是谷歌和**联发科（MediaTek）**首次合作设计的推理专用芯片，旨在消除"等待室效应"——即用户请求被有意排队或延迟以实现硬件利用率最大化的情况。

TPU 8i 核心规格（推测）​

参数TPU 8iTPU v7 Ironwood
定位推理专用推理为主
制程TSMC 2nm—
Die设计双计算Die（推测）—
显存8× HBM3e 12层（推测 ~192GB）8× HBM3（192GB）
显存带宽~7 TB/s（推测）7,380 GB/s
FP8 算力~4,614 TFLOPS（推测）4,614 TFLOPS
TDP（每芯片）1,300 W1,000 W
互联ICI 3D TorusICI 3D Torus
集成CPUArm Axion（64核）无
散热风冷/液冷均可第4代液冷
公布时间2026-04-222025-08-25
量产时间2027年底2026年

关键特性：

  • ✅ 高并发推理优化：专为Agentic AI设计，支持数千个步骤的推理链条
  • ✅ Arm Axion CPU集成：64核Neoverse V2，Host CPU + 数据预处理协同
  • ✅ 低延迟：消除"等待室效应"，首Token延迟（TTFT）极低
  • ✅ 每瓦性能提升117%：相比Ironwood（同等价格）

TPU 8t（训练专用）：Gemini 3/4的"发动机"​

TPU 8t专为Google Gemini 3 / Gemini 4等frontier模型训练设计，是谷歌与**博通（Broadcom）**长期合作的延续。

TPU 8t 核心规格​

参数TPU 8tTPU v7 Ironwood提升
定位训练专用推理为主形态拆分
制程TSMC 2nm—新一代
Die设计双计算Die—架构升级
显存8× HBM3e 12层（单芯片推测 ~256GB）8× HBM3（192GB）升级
显存带宽~7 TB/s（推测每芯片）7,380 GB/s持平
Pod芯片数9,600芯片9,216+4%
Pod HBM总量2 PB—远超
Pod FP4算力121 EFLOPS~42 EFLOPS（推测）~3×
集成CPUArm Axion（64核）无新增
TDP（每芯片）1,300 W1,000 W+30%
量产时间2027年底2026年—

关键特性：

  • ✅ MoE训练原生支持：Expert Parallel优化（DeepSeek / Mixtral风格）
  • ✅ Long-context训练：1M+ token上下文训练优化
  • ✅ RLHF/后训练：Online RL（DPO/PPO/GRPO）原生优化
  • ✅ Arm Axion CPU协同：数据预处理/权重初始化Offload到CPU
  • ✅ SparseCore加速：MoE路由和推荐系统

第八代TPU的战略意义​

1. 训练与推理首次分家​

此前，谷歌的TPU设计理念是"一个架构兼顾训练和推理"（如TPU v5p、v6e）。但智能体AI时代的到来改变了这一点：

  • 训练工作负载：大规模矩阵乘法、长时序反向传播、稀疏化MoE
  • 推理工作负载：高并发、低延迟、KV Cache密集型、动态批处理

这两种工作负载对芯片架构的要求截然不同。拆分后：

  • TPU 8t可以专注优化计算密度和显存容量
  • TPU 8i可以专注优化推理吞吐和每瓦性能

2. 与博通、联发科的双线合作​

  • 博通（Broadcom）：继续合作设计TPU 8t（训练），延续自TPU v1以来的长期伙伴关系
  • 联发科（MediaTek）：首次合作设计TPU 8i（推理），引入移动芯片低功耗设计经验

这种"双线合作"策略使谷歌能够：

  • 在训练芯片上追求极致性能（与博通的高端ASIC经验结合）
  • 在推理芯片上追求极致能效（与联发科的移动芯片经验结合）

3. 对标NVIDIA Vera Rubin​

对比Google TPU 8t + 8iNVIDIA Vera Rubin
策略训练/推理拆分统一架构（GPU+CPU）
制程TSMC 2nmTSMC 3nm（推测）
生态仅Google Cloud全球可用
软件JAX / PyTorch/XLACUDA / PyTorch
量产2027年底2026年秋季
优势与Gemini深度集成生态最成熟

技术深度解析​

TSMC 2nm：为何选择2nm？​

谷歌是首家在AI加速器上采用TSMC 2nm制程的厂商（NVIDIA Rubin用的是3nm）。2nm（N2）工艺相比3nm（N3E）：

  • 晶体管密度提升：~15-20%
  • 功耗降低：~25-30%（同等性能）
  • 性能提升：~10-15%（同等功耗）

对于功耗已达1,300W的TPU 8t/8i来说，2nm是必须的——否则4nm/3nm无法在合理功耗内集成双计算Die和8×HBM3e。

Arm Axion CPU：Google自研CPU首次进入TPU节点​

此前，TPU节点使用Intel Xeon或AMD EPYC作为Host CPU。TPU 8t/8i首次集成Google自研的Arm Axion CPU（64核Neoverse V2）：

意义：

  1. 数据预处理Offload：Tokenization、数据增强等可以完全在Axion上完成，不占用TPU算力
  2. 权重初始化：大模型训练的权重初始化可以在CPU上完成，加速训练启动
  3. 推理调度：多模型推理时，Axion负责请求调度和负载均衡

这标志着TPU节点向"超节点"演进：不再是纯加速器，而是TPU + Axion CPU协同系统，对标NVIDIA Vera CPU。

第4代液冷：1,300W的散热挑战​

TPU 8t/8i的TDP达到1,300W（相比Ironwood的1,000W提升30%），这给数据中心散热带来巨大挑战。

谷歌采用第4代液冷方案：

  • 冷板液冷：直接冷却GPU Die和HBM
  • 浸没式液冷：可选方案（超高密度部署）
  • 智能温控：根据工作负载动态调整泵速和风扇转速

量产时间表与应用场景​

时间事件
2026-04-22Cloud Next '26正式公布
2026年下半年内部测试（Google DeepMind优先使用）
2027年底**正式量产，Google Cloud开放
2028年下一代TPU（可能为TPU 9）

目标应用场景：

  • ✅ Frontier模型训练（Gemini 3/4、外部客户）
  • ✅ MoE大模型推理（高并发、低延迟）
  • ✅ 多模态AI（ViT + LLM同步推理）
  • ✅ 智能体AI（Agentic AI工作负载）

与竞品对比​

厂商产品制程TDP量产时间
GoogleTPU 8i（推理）TSMC 2nm1,300W2027年底
GoogleTPU 8t（训练）TSMC 2nm1,300W2027年底
NVIDIARubin GPUTSMC 3nm（推测）~1,000W2026年秋季
NVIDIAVera CPUTSMC 3nm（推测）~500W2026年秋季
AMDMI455X（MI400）TSMC 3nm（推测）~700W2026年
华为昇腾950PR—~500W2026年Q1

行业影响​

  1. AI芯片进入2nm时代：谷歌率先采用TSMC 2nm，NVIDIA、AMD必然跟进
  2. 训练/推理拆分成为新趋势：其他厂商（如NVIDIA、AMD）可能会效仿
  3. 自研CPU成为标配：Google（Axion）、NVIDIA（Vera）、华为（鲲鹏）都在做CPU+加速器的协同设计
  4. 液冷成为必然选择：1,300W的TDP意味着风冷已经无法满足

相关芯片​

参考资料​

本文基于Google官方公告及公开资料整理，部分规格为推测值，以官方最终发布为准。