过去三年，全世界的科技巨头都在抢同一家公司的芯片

过去三年，全世界的科技巨头都在抢同一家公司的芯片。 只要黄仁勋推出新一代显卡，订单立刻排到一年之后。 但很多人忽略了一个细节。 全球头部的大模型公司 Anthropic，手里压着超过一百万颗芯片的超级大单。 其中四十多万颗直接买断，六十多万颗从云端租用。 这批芯片没有一张来自英伟达。 它们全部来自 Google 的 TPU 团队。 2026 年 9 月，半导体智库 SemiAnalysis 拿出了第一份第三方实测报告。 在开源大模型 Qwen3.5 上的基准测试，让整个行业震了一下。 Google 最新的第七代芯片 TPUv7，代号 Ironwood。 在单位美元的推理吞吐量上，比英伟达的 B200 和 B300 便宜了整整 50%。 在每秒一百个词元的交互速度下，Ironwood 跑一百万个词元只花 0.181 美元。 相比之下，英伟达的 B200 需要 0.222 美元，B300 需要 0.276 美元。 这就引出了一个尖锐的问题。 Google 做 TPU 已经做了整整十年。 从搜索、推荐，再到 Gemini 的每一次迭代，底层全跑在自研芯片上。 如果它的性价比能便宜一半，为什么过去十年，全世界还是被英伟达卡住脖子？ 真正把全行业锁在英伟达身上的，从来不是芯片本身的晶体管数量。 锁死所有人的，是一台在经济学上运转了数十年的经典机器。 软件转换税。 这台机器的运行法则，由斯坦福经济学家布莱恩·阿瑟在 1989 年论证清楚。 他提出的概念叫技术锁定与路径依赖。 当一个生态在早期靠先发优势沉淀了所有开发者的使用习惯，替换它的成本就会呈指数级攀升。 黄仁勋在 2006 年推出了 CUDA。 二十年下来，开源社区的每一行代码、每一个推理引擎、每一位工程师的肌肉记忆，全长在 PyTorch 和 CUDA 上。 其它芯片就算硬件性能再强、价格再便宜，只要跨不进这套生态，就必须让买家支付一笔惊人的工程代偿。 Google 过去对待 TPU 的策略，恰恰把这笔转换税推到了最高点。 硬件上，它把芯片当成私有花园，只在自家云平台上出租，拒绝对外出售物理裸芯。 软件上，它逼着外部开发者去适应 Google 自己的 JAX 框架。 开发者如果想在开源推理框架里跑 TPU，就必须经过一层叫 TorchAX 的转译工具。 这套工具在底层拦截开发者的算子操作，强行把代码转译给框架，还要把注意力缓存一层层函数化重构。 每一层转译，都在制造偶发崩溃、延迟损耗和沉重的维护负担。 对任何一家大模型公司来说，为英伟达显卡多付一倍的溢价，都好过养几十个顶尖工程师去伺候这套转译系统。 便宜五成的硬件优势，就这样被高昂的软件转换税给彻底吞噬了。 要打破这种生态垄断，只造出更便宜的芯片根本无济于事。 Google 这次做出的反击，关键在于自下而上拆掉了这笔软件税。 第一步是商业模式的彻底外部化。 Google 打破了十年的封闭惯性，允许客户把物理芯片直接买走，Anthropic 的百万颗订单就是由此而来。 第二步是更深层的底层软件重构。 Google 放下了对自家框架的执念，不再逼迫外部开发者改写代码。 它通过 PyTorch 官方预留的 PrivateUse1 扩展接口，搭出了一套全新的 TorchTPU。 这一步改动，让 TPU 第一次成为 PyTorch 体系里的原生设备。 开源社区主流的推理引擎，不管是 vLLM 还是 SGLang，不再需要任何别扭的中间转译。 开发者用原汁原味的 PyTorch 调起算力，底层直接驱动芯片运转。 困扰了开发者数年的生态壁垒，第一次被压缩到了极低的水平。 商业世界的物理天平，从来不会给出一边倒的奇迹。 SemiAnalysis 在给出高性价比结论的同时，也摆出了冷酷的硬件代价。 在二百五十六路的高并发压力下，Ironwood 的平均首字生成延迟达到了 5.41 秒。 英伟达的 B200 只要 3.75 秒，B300 更是只要 2.40 秒。 为了换取更低的单位词元成本，TPU 在首字响应和极限延迟上做出了妥协。 在行业主推的 FP4 低精度计算上，这代芯片依然缺乏原生的硬件支撑。 算力市场的争夺，从来不是非黑即白的瞬间颠覆。 芯片竞赛的胜负手，从来不取决于谁在实验室里堆出了更耀眼的纸面算力。 谁能先把压在整个开发者群体头上的生态转换税降到最低，谁才拥有把对手拉下神坛的真正钥匙。