文｜徐濤 雷俊成

近期谷歌在AI方向的加速讓市場看到其軟硬件一體化的潛力，也強化了其自研的TPU芯片在AI計算加速的適用性，同時The Information報道谷歌和Meta正商談進行對外銷售TPU，如果落地也將是ASIC商業模式的突破。我們認為英偉達GPU作為主流AI算力芯片的格局仍會保持不變，谷歌TPU產業鏈也有潛力成為2026年AI硬件領域彈性最大的子板塊之一，建議關注算力基建和應用落地等層面的機會。

▍事件催化：

近期谷歌發佈Gemini 3系列，該模型在強化學習加持下推理能力進步明顯，作為完全依靠谷歌自研的TPU芯片訓練的大模型，Gemini 3 Pro與Gemini 3 Deep Think模式在多項測試中均處於行業領先地位。同時據The Information報道，谷歌正與Meta進行商談，討論銷售價值數十億美元的TPU芯片。我們認為，谷歌TPU從推理為主正式擴展到全面佈局訓練端，並從「僅出租算力」轉向「直接賣芯片」，也是商業模式的突破。我們解讀如下：

1）從推理到訓練：此前市場普遍認為雲廠商自研ASIC主要是滿足自身高度定製化的推理需求，在訓練階段仍較大程度依賴英偉達GPU，這也反映了GPU在前沿模型訓練階段對大規模互聯集羣要求極高的特性。而實際上谷歌自2023年底發佈Gemini大模型起，就首先使用TPU v5訓練，此後每代Gemini與TPU硬件基本同步迭代，包括2024年發佈的Gemini 2.0也是由谷歌TPU v6 Trillium訓練而成。此次Gemini 3表現大幅超預期，強化了TPU能夠實現萬億參數大模型全流程訓練的落地能力，進一步驗證其全場景適用性。

2）從自用到外銷：谷歌過去僅將TPU部署於自有數據中心並通過Google Cloud進行算力租賃，包括此前AI初創公司Anthropic與谷歌宣佈雲服務合作協議，這筆價值數百億美元的交易將為其提供多達100萬顆谷歌TPU芯片，預計在2026年帶來超過1GW的AI算力。而此次谷歌與Meta商討直接銷售TPU芯片，計劃2027年起直接交付數十億美元TPU（可能以完整Pod形式），2026年先以租賃過渡，這有可能成為TPU商業模式的突破，一旦落地，有望提升谷歌TPU在AI芯片的市佔率，並提升市場對於ASIC芯片遠期市場份額和格局的預期。同時據The Information報道，谷歌為降低客戶遷移門檻，開發了「TPU Command Center」軟件用於控制TPU服務器集羣，支持PyTorch相關工具交互，同時谷歌還推出了完整PyTorch原生支得OpenXLA + JAX-to-PyTorch橋接工具，遷移成本大幅下降。

▍但TPU和GPU不是零和競爭，而是AI算力需求共振。

我們認為GPU作為主流AI算力芯片的格局仍會保持不變，英偉達GPU也在Scaling Law下的三個計算階段：預訓練、後訓練和推理中均充分展現了產品的全面性和領先性。TPU類ASIC的出現將和GPU共同承接AI算力爆發增長的總需求。谷歌和Meta的合作表明，AI需求加速增長遠超預期，近期CSP Capex持續加碼，我們認為AI算力景氣度仍將維持。TPU驅動的效率和GPU驅動的速度是互補的，而不是競爭的。每種架構在訓練與推理以及公共雲與私有云之間都有不同的角色。短期來看，我們在此前報告（《電子行業算力專題系列報告7—AI算力PCB明年會否延續供不應求？》，2025-07-06）裏指出，ASIC芯片有望成為2026年增量需求的主力。隨着模型能力的逐步成熟、AI向垂類應用延伸結合，各大CSP廠商加速ASIC方案迭代進一步提升推理算力性價比，我們認為終端應用加速落地下推理需求釋放有望超預期。而且ASIC性價比的特點在於，同樣的資本開支下能帶來更多的算力芯片使用量，以及更多的光模塊、PCB等配套需求。

▍風險因素：

宏觀經濟波動及地緣政治風險，供應鏈不穩定的風險，海外算力龍頭新產品放量不及預期，AI市場需求增長不及預期，技術變革與產品迭代風險，政策監管及數據隱私風險，客戶集中度過高風險。

▍投資策略：

我們認為谷歌在AI方向的加速，對當前全球AI產業影響明顯。谷歌AI產業鏈也有潛力成為2026年AI硬件領域彈性最大的子板塊之一，建議關注算力基建和應用落地等層面的機會。

關於我們

中信證券研究網站：

https://research.citics.com

添加權限請聯繫您的對口客戶經理