Google 在 2025 年 Cloud Next 活動中推出了第七代 TPU，代號 Ironwood，首款專為推論優化設計的 TPU 系列。
在進入 TPU（Tensor Processing Unit）之前，先理解 Tensor 這個字在 AI 世界裡的意義。Tensor 是數學中的張量（Tensor），是一種比向量（vector）和矩陣（matrix）更廣泛的資料結構。舉例來說：
- 一個數字是 0 階 Tensor（scalar）
- 一組數字（如一維列表）是 1 階 Tensor（vector）
- 一張灰階圖（像素點組成的 2D 矩陣）是 2 階 Tensor
- 一段影片、或是多張彩色圖像的堆疊，可以是 3 階或更高階 Tensor
在深度學習中，資料從輸入、經過神經網路層層計算，到輸出預測結果的過程中，全都是以 Tensor 形式流動。因此，Tensor 不只是數據的單位，更像是 AI 計算的語言。Google 將其開源深度學習框架命名為 TensorFlow，意指張量的流動，也就不令人意外了。
從開源 TensorFlow 到專屬 TPU
2015 年，Google 開源了 TensorFlow，開啟了一場深度學習工具鏈的革命。表面上，這是對學術社群與開發者的善意釋出；實則背後隱藏一場硬體佈局的伏筆。TensorFlow 的開源，讓它快速成為全球最主流的 AI 框架之一。而 Google 自家的 AI 晶片 TPU（Tensor Processing Unit），正是為了高效執行 TensorFlow 而量身打造的專用晶片（ASIC）。當全球開發者都在使用 TensorFlow 開發 AI 應用時，也自然地被導向了 Google Cloud，因為只有 Google 提供最適合跑 TensorFlow 的硬體：TPU。
這不是單純的軟體免費硬體收費策略，而是讓軟體規模反向拉高硬體效益的典型戰略。正如當年微軟將 Windows 綁定 Office，壟斷生產力軟體市場；Google 是透過讓 AI 社群使用 TensorFlow，默默建立其在 AI 雲端運算的不可替代性。
為什麼不用 GPU？
理解 TPU 的價值，要先比較三種主要運算架構
- CPU（中央處理器）：通用性高、但執行深度學習效率不佳
- GPU（圖形處理器）：支援高度平行運算，適合神經網路訓練與推論
- TPU（張量處理器）：為 TensorFlow 優化設計的專用晶片（ASIC），效能與能效優於 GPU
以圖像辨識或語音識別為例，AI 模型會用到大量矩陣運算（如矩陣乘法），這些運算正是 Tensor 的內部操作。GPU 雖然也擅長這類平行計算，但仍是設計給圖形處理、非 AI 最佳化。TPU 是 Google 自行設計、專為 TensorFlow 編譯器與運算邏輯設計的晶片，它放棄了 GPU 的部分彈性，換取了極致效率與成本優勢。簡言之
TPU 是「不為別人跑程式，只為跑好 TensorFlow」而生的機器
此外，TPU 設計為 Google Cloud 專屬產品，開發者若要使用 TPU 來訓練或部署模型，就必須選擇 Google 雲端，無法在 AWS 或 Azure 上運行，這也成為 Google 雲端的一大差異化武器。
（延伸閱讀：CPU 是怎麼做出來的？）
模組化 vs 整合化，Google 與 Groq 的兩條 AI 晶片路
Google 對 TPU 的佈局，是 AI 時代的Apple 策略：自製晶片、自有軟體框架、自營雲端平台，形成從模型訓練、推論、部署到產品的全鏈整合。但這樣的整合策略並非唯一解。Google TPU 團隊中的多位核心工程師，離職後創立了新創公司 Groq，採取截然不同的思維。
LPU 與傳統 GPU 晶片的外觀對比。
Groq 設計的 LPU（Language Processing Unit）並不專屬某個 AI 框架，而是針對大量小運算、超低延遲、高吞吐量的應用情境（如自駕車、邊緣裝置等）最佳化。這代表它走的是更模組化、更開放的路線。這也讓 Groq 被形容為AI 時代的 ARM（安謀控股公司） 角色：不做整合型產品，而是設計可授權、彈性強的處理器架構，讓其他公司整合成自己的 AI 解決方案。這就回到一個經典的經濟學與管理問題：在技術初期，整合化是否一定優於模組化？
整合優於模組化（技術導向、體驗至上）
- 思維重點：產品性能未過剩時，整合能壓榨極致效能
- 策略方向：從晶片、模型、雲端、應用全面整合
- 適用場景：新興技術、高性能需求（如手機初期）
模組化優於整合（開放導向、生態擴張）
- 思維重點：技術成熟後，彈性與生態規模更重要
- 策略方向：提供標準化元件供整合，形成多元應用
- 適用場景：服務平台、模型 API、AI 開發工具鏈等
TPU 就是 AI 整合化的典範，而 Groq 代表模組化開放的路線。這兩種模式的競爭與互補，將形塑 AI 晶片產業的未來格局。
Google 是 AI 的 Apple？
當我們用 iPhone 的 Siri，或 Android 上的 Google Assistant 時，我們其實已在與整合化 AI 系統互動。特別是 Google，從 TPU（晶片）、Gemini（大模型）、到 Pixel（硬體終端），構成一條自上而下的 AI 整合鏈。
當市場對體驗的要求還在快速提升時，只有掌握所有環節，才能持續拉開差距。
然而，Google 與 Apple 的差異也明顯：
- Apple 銷售的是體驗與硬體；Google 多數服務仍是免費
- Apple 整合晶片是為了 iPhone；Google 推出 TPU 卻不積極打造 Pixel 作為旗艦應用場景
- Apple 經得起硬體更新的挑戰；Google 的整合 AI 策略尚未證明其商業動能
若 Google 未來敢於將 Pixie（AI 助理）深度綁定 Pixel，並強化行銷、通路、產品迭代，也許真有可能再造一個 AI iPhone 時刻。
各家 AI 策略差異
TPU 是科技戰爭的棋子
TPU 不是為了賣給你我，而是 Google 用來改寫雲端、改寫 AI 開發流程、甚至可能重構終端裝置體驗的策略性基礎建設。在 AI 的時代，晶片不只是成本競爭，而是能力邊界的定義工具。Google 的做法像是重現 Apple 在 iPhone 時代的整合革命，只是這次，戰場不再是掌中裝置，而是你與 AI 互動的每一次對話。
未來幾年，我們要觀察的，不只是 TPU 效能能否超越 GPU，而是整合策略是否能撼動雲端市場結構，甚至引發新的使用者體驗轉移。如果你相信 AI 不只是工具，而是即將重構人類資訊結構的操作系統，那麼 TPU，將不只是個晶片，而是 Google 搶奪 AI 主權的開場白。
