美国AI领袖质疑谷歌选择：省钱却落后一年，英伟达成赢家？

AI短剧中上演的戏剧性情节，如今正在真实的科技行业里成为现实。

就在谷歌年度开发者大会（Google I/O）如火如荼进行之际，AI领域的一位领军人物，却公开上演了一出“砸场子”的戏码。这背后，究竟隐藏着怎样的不满与行业变局？

几天前，正值谷歌I/O大会期间，文生图领域的明星公司Midjourney的创始人兼CEO大卫·霍茨（David Holz）在社交平台X上公开吐槽谷歌TPU，瞬间引爆了硅谷AI圈的激烈讨论。他直言不讳地表示，由于早年选择谷歌TPU而非英伟达GPU作为核心训练设施，导致Midjourney的研究进度比原本可能达到的水平落后了整整一年。“如果能够重来，我会从一开始就完全采用英伟达芯片。”

这番言论之所以具有巨大杀伤力，是因为Midjourney曾是谷歌云推广自家AI芯片的一张“王牌”，双方有着深度合作，且Midjourney确实依靠TPU节省了可观的推理成本。此次公开“倒戈”，无异于为竞争对手英伟达做了一次极具说服力的背书。

那么，霍茨为何选择在这个关键时间点，如此不留情面地批评谷歌？

一次基于真实代价的公开复盘

霍茨的抱怨绝非一时兴起，而是一次基于真实商业代价的深度复盘。它精准地揭示了当前AI基础设施竞争最核心的矛盾：在硬件性能的比拼之外，软件生态的成熟度与易用性，才是决定研发效率与成败的真正关键。

要理解这份懊悔，首先需要厘清谷歌TPU和英伟达GPU在AI研究场景下的本质差异。

简单来说，英伟达GPU及其CUDA生态，好比是通用并行计算的“瑞士军刀”。CUDA平台自2007年开始布局，近二十年的生态沉淀，使其成为了AI研究领域的“通用语言”。研究员最常用的PyTorch框架与CUDA深度绑定，Hugging Face等平台上的开源模型权重默认以GPU格式发布，再加上Nsight性能分析器、NCCL通信库等一系列工具，共同构成了一套完整、成熟且被广泛接受的研究工具链。全球的AI研究员，几乎从学术生涯伊始，就在这个生态里学习和工作。

而谷歌TPU则是另一套体系。作为专用集成电路（ASIC），其底层架构围绕脉动阵列设计，专为深度学习张量运算优化，在大规模、稳定的训练任务上理论效率极高。但它主要要求使用JAX或TensorFlow框架，对PyTorch的长期原生支持并不完善。其社区资源、调试工具和问题排查经验相对匮乏，很多深度优化严重依赖谷歌自身的内部支持与文档。

回到Midjourney的具体需求——图像生成模型的研发，需要大量自定义算子实验、快速原型迭代，并随时调用Hugging Face等生态中的扩散模型组件。这些工作在GPU+PyTorch的环境下可谓得心应手，但在TPU上却可能步履维艰。例如，一个研究员想验证一个新想法，在成熟的GPU生态中或许只需几小时；而在TPU上，光是配置环境、适配框架和排查兼容性问题，就可能耗费数天。日积月累，便构成了霍茨口中那“被耽误的一年”研究时间。

当初为何选择谷歌TPU？

需要明确的是，霍茨的吐槽主要针对AI模型的研究和训练阶段。到了模型部署和推理阶段，商业逻辑就完全不同了。这也正是Midjourney当初迁移到谷歌TPU的核心动力：实打实地降低成本，并规避与科技巨头们争抢紧缺的英伟达高端显卡。

早在2024年，谷歌云就高调宣布，Midjourney已选择其作为核心基础设施供应商。具体策略是：利用谷歌的TPU v4/v5（基于JAX框架）来训练其第四代和第五代文生图大模型；同时，租用谷歌云上的英伟达GPU集群，来处理全球用户海量的日常图像生成请求。

这个选择非常现实。当时英伟达的H100等高端GPU一卡难求，Midjourney作为一家独立的AI创业公司，在采购议价和供应保障上根本无法与财大气粗的巨头竞争。而谷歌的TPU算力供应相对稳定，且对于图像生成这类大规模矩阵运算，纸面上的性价比（据称能节省约60%成本）极具诱惑力。

事实也证明了这一点。2025年第二季度，Midjourney将主力推理集群从英伟达A100/H100迁移到谷歌Cloud TPU v6e后，月度推理支出从约210万美元大幅降至70万美元以下，年化节省超过1680万美元，投资回本周期仅需11天。

换言之，TPU在规模化推理任务上的成本优势是真实存在的。霍茨真正懊恼的或许是：当初更优的策略应该是“研究阶段用英伟达生态快速打磨模型，待模型稳定后，再将推理任务迁移到谷歌TPU以降本增效”，而非从一开始就在TPU上开展所有研究，从而付出了高昂的时间机会成本。

英伟达的真正护城河是生态

霍茨的公开吐槽，本质上是一份关于英伟达生态护城河的强力“证词”。这条护城河的关键，不在于单一芯片的绝对算力，而在于无数研究员形成的工作习惯、数以万计的开源代码库与工具，以及整个学术界默认GPU作为实验平台的强大行业惯性。

数据显示，直到2026年，PyTorch在顶级AI研究论文中的使用占有率仍高达85%。几乎所有前沿研究的开源代码都默认基于英伟达硬件编写。这意味着，任何选择TPU进行前沿研究的团队，都必须承担一个巨大的隐性成本：将自己与主流开发者社区相对隔离，放弃大量现成的工具和解决方案，在一个相对小众的技术栈中独自摸索。

这就是为什么即便TPU在某些基准测试指标上已与GPU相当甚至更优，大多数研究实验室和初创公司仍然默认选择英伟达。硬件性能或许可以通过巨额投入快速追赶，但生态的积累、习惯的养成无法速成。黄仁勋花了近二十年时间构建的这条软件与生态护城河，正是英伟达最核心、最难以复制的资产。

谷歌显然深刻意识到了这一问题。在今年的谷歌云Next大会上，谷歌发布了第八代TPU，并首次采用双芯片策略：TPU 8t（专用于训练）和TPU 8i（专用于推理）。这是TPU历史上第一次将训练和推理分拆成架构完全不同的专用芯片，目的正是为了解决霍茨所吐槽的“一颗芯片难以兼顾所有场景”的痛点。

TPU 8t代号Sunfish，由博通合作设计，面向大规模模型预训练。超级Pod规模达9600颗芯片，训练性价比据称比上代提升2.7倍。TPU 8i代号Zebrafish，由联发科设计，专攻推理场景，在大型MoE模型低延迟推理上性价比提升80%。两款芯片均采用台积电2纳米工艺，预计2027年量产。

谷歌的双芯片战略本身，就是一次重要的战略承认：训练和推理已经分化成两种截然不同的工作负载，需要不同的架构进行专门优化。这与英伟达“一块GPU通吃训练与推理”的通用路线形成鲜明对比，也是对亚马逊Trainium3等专用推理芯片的正面回应。

不仅如此，针对霍茨对TPU生态兼容性的抱怨，谷歌同步推出了TorchTPU项目——一个旨在让PyTorch能原生、高效运行在TPU上的重大工程计划，目前处于预览状态。按照路线图，TorchTPU将支持PyTorch的动态图模式（Eager Mode），并与vLLM等热门推理工具深度集成。如果该项目最终成熟，坚守PyTorch生态的研究团队将首次能够在不重写大量代码的前提下，无缝使用TPU的强大算力。

然而，TorchTPU目前仍是预览版。像霍茨所期望的那种“轻松修改模型架构、调整自定义算子、快速验证新想法”的流畅研究体验，在未来的TPU 8t上能否真正实现，还需要大量实战检验。一扇通往更开放生态的大门已经打开，但门后的道路是否平坦宽阔，恐怕要等到2027年芯片正式量产后才能见分晓。

Claude为何能横跨三大算力平台？

既然Midjourney对TPU的训练生态有诸多不满，那么，作为行业新领头羊的Anthropic，是如何解决同时驾驭三大算力平台的挑战的呢？要知道，他们同时在英伟达GPU、谷歌TPU和亚马逊Trainium三套不同的硬件上训练和运行其Claude大模型。

这背后有着深刻的商业与战略逻辑。Anthropic最初是AI第一集团的追赶者，财力远不及谷歌和OpenAI。因此，他们接受了谷歌和亚马逊的巨额战略投资，而使用这两家巨头的自研芯片，便是重要的交换条件之一。

谷歌和亚马逊都是Anthropic的战略投资者，两家巨头先后承诺投资近100亿美元，加上微软的50亿美元，相当于全球三大云计算巨头在合力支持Anthropic。这些投资有很大一部分转化为了谷歌云和AWS的云服务营收，因为Anthropia目前使用着超过百万颗亚马逊Trainium芯片和数十万颗谷歌TPU，并计划未来拓展到百万TPU阵列的规模。

与此同时，谷歌云、AWS和微软Azure也是Claude模型在全球企业级（B端）市场的主要分发平台。三大云巨头都想用自己的销售网络帮助推广Claude，既获得营收分成，更关键的是把宝贵的AI算力流量留在自家的云服务器内。这种被多方鼎力支持的全面通吃局面，让Anthropic迅速成长为硅谷历史上底牌最足的独立AI巨头之一。最近，他们甚至与SpaceX达成了算力租赁协议，每年支付150亿美元使用其超算中心的英伟达GPU。

那么，Anthropic究竟是如何在工程上实现同时驾驭三大平台芯片的呢？

根据其最新披露的策略，核心是“为不同工作负载匹配最适合的芯片架构”：英伟达GPU承接前沿研究实验和快速原型开发；谷歌TPU和亚马逊Trainium则分别承接超大规模模型训练和高并发推理的主力工作负载。这种安排不仅是为了追求极致性能与性价比，更是在两家超级计算供应商之间形成制衡，防止被单一平台锁定从而丧失定价权。

Anthropic与亚马逊的合作规模尤为惊人。双方已签署长期协议，Anthropic将在未来十年向AWS投入超过1000亿美元，以获得海量且稳定的算力容量保障。有趣的是，在谷歌云Next大会宣布与Anthropic深化合作时，亚马逊立刻站出来“邀功”，声称Claude最新模型的训练完全在自家的Trainium芯片上完成。

Anthropic靠什么实现“脚踩三条船”？

Anthropic能够走出这条独特的技术路线，有一个关键的技术基因：其核心创始团队来自Google Brain，JAX框架是他们的“母语”。从一开始，Anthropic就将JAX作为核心训练框架——JAX的设计哲学是硬件无关，同一套代码可以通过其XLA编译器，在GPU、TPU乃至Trainium等不同硬件后端上运行。

这与Midjourney的路径恰好相反。Midjourney是先在建好的PyTorch+GPU生态中工作，再试图迁移到TPU，因此承受了高昂的生态迁移和适配成本。而Anthropic则是从起点就选择了硬件无关的编程范式，为多平台战略打下了基础。

当然，这种多平台策略的工程代价同样高昂。Anthropic每次模型更新都要在三套不同的硬件架构上分别进行测试和优化，每一个出现的Bug都可能有三个潜在的成因，部署复杂度是单一平台的三倍以上。这是他们为获得供应链安全和议价能力所必须支付的“工程账单”。

具体来说，谷歌TPU体系基于JAX和XLA编译器，而亚马逊Trainium体系则基于AWS自研的Neuron SDK。这意味着Anthropic的核心训练代码不能直接平移。其工程团队必须与谷歌和亚马逊的芯片团队深度合作，将复杂的模型算子用三套不同的硬件底层逻辑进行重写和极致优化。这种人力与时间成本，远超纯粹依赖英伟达单一生态的OpenAI。

相比之下，Midjourney团队规模较小，难以支撑如此庞大的底层跨平台优化工程。面对TPU相对小众的JAX/XLA环境时，一旦遇到棘手的硬件级Bug或兼容性问题，整个团队的研发进度就可能陷入停滞。

多平台的风险也曾真实显现。2025年8月至9月，部分Claude用户曾报告模型性能下降。Anthropic事后复盘披露了三个独立的基础设施漏洞，分别涉及网络路由错误、服务器配置错误和编译器漏洞，这些问题正源于其复杂的多平台混合架构。

为此，Anthropic在其研究论文中反复强调一个核心工程原则：保持模型架构的极度简单与高度的可组合性。模型层设计得越纯粹、越少使用复杂的“技巧”，在面对多芯片平台交叉测试时，底层暴露出的硬件特异性Bug就越少，从而用“设计上的克制”来化解“平台上的繁复”。

在付出了这笔高昂的工程账单后，Anthropic收获了令人羡慕的战略果实。根据最新的总拥有成本（TCO）分析，谷歌TPU和亚马逊Trainium在大规模模型推理时的性价比，比同等规模的英伟达平台高出50%以上。如果说OpenAI赌的是“英伟达纯血生态+单点超大算力”的垂直整合路线，那么Anthropic则是用三倍的工程复杂度，将自己打造成了一个强大的“跨平台算力黏合体”。这种底层基础设施的全面打通，让Claude在商业落地竞争中，拥有了成本更低、且不受任何单一供应商掣肘的弹性算力后方。

未来格局：专用芯片时代的竞争逻辑

回过头看，霍茨的那条推文，某种程度上是AI基础设施竞争进入深水区的一个缩影。未来几年的市场格局，已经逐渐清晰。

训练侧：英伟达GPU仍是研究实验和快速迭代的首选平台，其生态优势无可替代。但在超大规模、架构稳定的模型预训练上，谷歌TPU和亚马逊Trainium正凭借显著的性价比优势侵蚀市场份额。谷歌TPU 8t和亚马逊Trainium3的持续进化，意味着顶级AI实验室将越来越倾向于“研究用GPU，大规模训练用专用芯片”的混合策略。

推理侧：市场格局对挑战者更为有利。推理已是AI算力支出中增长最快的部分，2026年初占比达55%，预计2030年将升至75%。在这个场景下，TPU和Trainium的专用架构优化能带来如Midjourney案例中高达65%的成本削减，经济账非常清晰。谷歌TPU 8i正是针对这一趋势的定向武器。

生态侧：战局更为长期和关键。TorchTPU项目能否真正让PyTorch研究员实现无缝迁移，是谷歌在2027年面临的关键挑战。亚马逊的策略则更为务实，始终将Trainium与PyTorch的深度兼容性作为主打卖点，通过Bedrock平台上的大量企业客户，悄然构建自己的应用层生态。

当然，英伟达绝不会坐视不理。CUDA生态的持续进化与Blackwell等新架构的推出，便是对“GPU不是AI研究唯一选择”论调的最直接反击。

供给侧的变量同样值得关注。谷歌TPU的大规模量产受制于台积电先进封装产能，原定2026年达到400万颗的目标已推迟至2027年。这意味着即便市场需求旺盛，TPU的供给在2026年仍将是制约因素，反而给英伟达留下了关键的缓冲空间。

对于大多数中小型AI公司而言，霍茨的懊恼依然具有现实的参考意义：在研究探索阶段全用英伟达生态，摩擦成本最小，迭代速度最快。等到模型架构稳定、推理规模上来后，再综合评估迁移到TPU等专用芯片的经济账。这并非因为英伟达绝对更好，而是因为在公司规模较小时，生态的便利性和研发效率成本，会压倒硬件本身的采购成本。

而对于Anthropic这个量级的顶尖实验室，三平台策略的逻辑则截然不同：它不只为了省钱，更是为了确保供应链安全与弹性，并在与亚马逊、谷歌等巨头的长期合作中保持强大的议价能力。

硬件峰值性能 vs 开发生态效率，采购性价比 vs 研究迭代速度，专用优化 vs 通用灵活——这正是当前AI芯片战争最核心的几组矛盾。谷歌用双TPU战略试图两端兼顾，亚马逊用兼容性策略绕过生态壁垒，英伟达则用二十年积累的软件护城河抵御所有挑战者。

在这个复杂多维的竞争棋盘上，没有玩家能买下所有筹码，也没有哪家公司的选择是绝对错误的，无非是在性能、成本、效率、安全之间做出权衡，并付出相应的代价。显然，AI芯片战争的计分方式，早已超越了单纯的性能指标。