谷歌发布第八代TPU，训练推理芯片首次分离
在Google Cloud Next 2026大会上，谷歌正式发布了其第八代张量处理单元（TPU）——TPU 8t与TPU 8i。这是自谷歌推出TPU系列自研AI芯片以来，首次将面向模型训练和面向模型推理的芯片进行分开设计。同时，谷歌在集群组网配置方面也引入了新的方案。
以往的TPU芯片在设计上通常兼顾训练与推理任务。此次将两者分离，意味着谷歌针对大模型计算中“训练”与“推理”两个阶段的不同负载特征，进行了更精细化的硬件架构优化。这种分工有望提升特定任务场景下的计算效率与能效比。
分工细化或强化AI基础设施“飞轮效应”
中金公司在相关研报中指出，谷歌此举体现了AI硬件基础设施向“精益化分工”发展的趋势。训练芯片与推理芯片的分离设计，结合新的集群组网方案，旨在进一步提高大语言模型等复杂AI系统的训练与推理效率。
这种效率的提升，理论上可以降低单位算力的成本。研报认为，这将进一步增强“供给降本—需求增加”的“飞轮效应”：即算力成本的下降会刺激更广泛的AI应用需求，而需求的扩大反过来又推动算力基础设施的进一步投资与技术迭代。
产业链核心环节受关注
基于对AI硬件基础设施发展趋势的判断，中金公司在研报中明确指出，从产业链维度看，将继续看好以下几个核心投资方向：
- 光通信 ：随着AI集群规模扩大和组网复杂度提升，对高速、低延迟的数据传输需求将持续增长，光模块及光连接器件是关键。
- 芯片定制服务 ：谷歌等科技巨头自研芯片并区分训练与推理需求，反映了定制化芯片设计的重要性。相关的芯片设计服务（Design Service）产业链环节有望受益。
- 存储 ：大模型训练与推理过程涉及海量数据读写，对存储器的容量、带宽及能效提出更高要求。
- 晶圆代工 ：自研AI芯片的制造离不开先进的半导体制造工艺，头部晶圆代工厂是核心受益者。
谷歌第八代TPU的发布，标志着其在AI专用硬件领域的持续深化。芯片设计的分工细化，是应对大模型时代计算需求的一种技术路径。中金公司的研报从产业链角度，梳理了由此可能带来持续需求的关键环节，为观察AI基础设施投资提供了参考。
