TPU
TPU（Tensor Processing Unit，张量处理单元）是Google专为机器学习工作负载设计的定制化专用集成电路（ASIC）。与通用GPU相比，TPU针对张量运算进行了深度优化，能够高效加速神经网络的训练与推理任务。TPU主要部署于Google数据中心，支撑TensorFlow等深度学习框架，并通过Google Cloud对外提供算力服务，广泛应用于图像识别、自然语言处理等AI领域。
核心事实
时间轴 (近 90 天)
谷歌太阳捕手计划把4块TPU送入太空轨道，本周官方正式确认芯片在极端太空环境中成功开机、运行提示词计算并将结果传回地球。
谷歌将AI搬上太空，卫星上的TPU芯片在轨道中成功运行模型并写下第一首诗。
Google 宣布其原型卫星上的 TPU 成功回传第一个 AI 回复；卫星搭载 4 颗自研 TPU，最高 1000 瓦电力，受供电散热限制 TPU 一次连续工作约 20 分钟。
与通用GPU相比，TPU在推理任务上通常具有更高的能效比。
该卫星搭载的TPU正在运行Google DeepMind的Gemma 4模型。
在轨TPU完成了端到端的模型推理，输出是可验证的生成内容。
自研芯片路线（如谷歌TPU、亚马逊Trainium）在特定场景可行，但通用性与生态成熟度与英伟达仍有差距。
据报道，OpenAI 计划采购谷歌 TPU 芯片。
为支撑 AI 基础设施（数据中心、TPU 与 GPU 采购、电力与冷却），Alphabet 近年资本支出大幅攀升。
MAC 阵列（乘加阵列）是 NPU/TPU 的核心计算单元，其规模（如 64×64）决定了单周期的乘加吞吐上限，模型每层的通道数和空间尺寸需与之匹配才能打满利用率。
还有 40 条时间轴事件
全部知识事实 (20)
谷歌的TPU自2016年起已迭代至第五代（TPU v5）
90%已验证TPU（Tensor Processing Unit）是Google自2015年起自主研发的AI专用芯片
85%已验证多家大型科技公司在构建定制AI芯片团队：Google迭代TPU，Amazon开发Trainium和Inferentia，Microsoft自研Maia芯片，Meta推进MTIA项目
80%已验证谷歌自研张量处理器（TPU）是专为机器学习设计的定制ASIC芯片，自2016年第一代起已发展至第六代Trillium
80%已验证谷歌早在2016年就推出了TPU（张量处理单元），目前已迭代至第五代
80%已验证通用矩阵乘法（GEMM）是深度学习推理中最基础也最计算密集的操作，英伟达Tensor Core和谷歌TPU脉动阵列都是针对GEMM的特化优化
75%已验证现代AI数据中心通常采用CPU+GPU/TPU+DPU+专用加速器的异构架构
75%已验证Google早在2016年就推出专为深度学习设计的TPU芯片
75%已验证TPU 采用脉动阵列（Systolic Array）架构，专门优化矩阵乘法运算，由 Google 于 2016 年首次公开
70%已验证TPU是Google专为神经网络矩阵运算设计的专用芯片，相较通用GPU在大规模矩阵乘法时具有更高能效比
70%已验证TPU是Google于2016年公开的专用集成电路（ASIC），专为加速神经网络的矩阵运算而设计
65%已验证谷歌的 TPU 是专为机器学习工作负载设计的定制化 ASIC 芯片，与通用 GPU 相比在矩阵运算吞吐量和能效比上具有优势
65%已验证谷歌通过自研TPU、亚马逊通过Trainium和Inferentia芯片走上自研算力路径
65%已验证谷歌拥有自研TPU（张量处理单元）基础设施
65%待验证TPU的成功开启了AI专用芯片的行业浪潮，此后亚马逊推出了Trainium/Inferentia，微软开发了Maia
90%待验证Google通过JAX框架和XLA编译器构建自己的软件生态，使开发者能够在TPU上运行模型
90%待验证推测解码、模型蒸馏、KV Cache优化等推理优化技术的持续进步正在使单位推理成本快速下降
85%待验证TPU（Tensor Processing Unit）将深度神经网络推理性能提升了30-80倍（相比当时的CPU和GPU），同时将延迟降低了15-30倍
85%待验证TPU采用脉动阵列（Systolic Array）架构，在特定AI工作负载上具有更高的能效比
85%待验证截至2025年，TPU已迭代至第六代（Trillium）
85%