Tensor Processing Unit
PulseAugur coverage of Tensor Processing Unit — every cluster mentioning Tensor Processing Unit across labs, papers, and developer communities, ranked by signal.
- 2026-06-09 product_launch Google has reportedly ordered over three million Intel-manufactured TPUs for delivery in 2028. 来源
5 天有情绪数据
-
为什么GPU在AI硬件中占据主导地位，尽管存在专用替代品
尽管存在Groq的LPU和Cerebras的WSE等专用硬件，但由于巨大的经济和结构性障碍，GPU在AI领域仍然占据主导地位。这包括定制芯片开发所需的巨额资本以及匹配英伟达成熟的CUDA生态系统，还有架构变化可能导致专用硬件过时的风险。此外，英伟达持续的路线图改进以及超大规模云服务商已在GPU基础设施上投入的巨额资本，都促使他们维持现状，而不是用更便宜的替代品来颠覆它。
-
英伟达因涉嫌采取高压策略而面临新云服务提供商的强烈反对 · 跟踪3个来源
据报道，“新云服务”公司的管理人员感到受到英伟达的压力，促使一些公司考虑提供替代硬件，如AMD GPU和TPU。此举旨在避免英伟达涉嫌的高压策略，一些管理人员认为这可能导致报复，例如减少英伟达产品的早期分配或在融资轮中被拒绝支持。据报道，由于购买力更强，超大规模云服务提供商受这些策略的影响较小。
-
Bambu Lab A2L 3D打印机评测：A1 的升级之作
Bambu Lab 推出了 A2L，这是其 A1 3D打印机的更新版本，具有更大的打印体积和增强的功能。A2L 单机版售价为 469 美元，四色套装版售价为 569 美元，与高端型号相比，它是一个更实惠的选择。它包括一个可选的刀片切割器和绘图仪附件，使其成为爱好者和手工艺者的多功能工具，能够制作实用的打印件、玩具和乙烯基熨烫品。
-
Google Colab CLI 推出面向终端 AI 代理
Google 发布了 Google Colaboratory 的新命令行界面 (CLI) 工具，使基于终端的 AI 代理能够访问 GPU 和 TPU。该工具在 Apache-2.0 许可下可用，允许 Claude Code 和 Codex 等代理在无需浏览器或 Jupyter 内核的情况下运行训练和推理任务。虽然它为一次性任务提供了访问加速器的经济高效的方式，但用户必须注意身份验证设置以及空闲会话可能产生费用的可能性。
-
Groq LPU 在 AI 推理领域崭露头角，挑战 GPU 主导地位
Groq 的语言处理单元（LPU）正在 AI 推理市场获得关注，已超越小众应用，成为 AI 基础设施中公认的组成部分。这一转变是由日益增长的对专用硬件的需求所驱动的，以满足 AI 推理，特别是 Transformer 模型的多样化计算需求。虽然 Groq 的 LPU 在速度和效率方面具有潜在优势，尤其通过其高带宽 SRAM 和编译器技术，但其成本效益以及对混合专家（MoE）等动态模型架构的适应性仍存在疑问。与 NVIDIA 平台的集成…
-
高通以40亿美元收购AI芯片软件公司Modular
高通公司正以近40亿美元的价格收购芯片软件初创公司Modular，其中包括向Modular员工支付3亿美元。此次收购旨在加强高通在移动芯片以外领域的扩张，进军AI小工具和数据中心等领域。Modular的平台允许开发人员编写AI软件，这些软件无需大量重写即可在各种芯片上运行，对Nvidia的CUDA等现有系统构成挑战。
-
谷歌2028年牵手英特尔生产超300万个TPU，因台积电封装产能紧张
据报道，谷歌已向英特尔下达订单，将在2028年生产超过300万个张量处理单元（TPU）。此举正值台积电的先进封装解决方案，特别是CoWoS，在2027年底前已严重超额预订，导致AI芯片生产出现瓶颈。SK海力士正在测试英特尔的EMIB封装以集成HBM，这被视为近期大规模AI芯片制造的唯一可行替代方案。
-
OpenAI 的 AGI 理念、高级 AI 网络威胁以及 Google 的 Intel 芯片交易
OpenAI 的 Jakub Pachocki 强调，AGI 应该使全人类受益并增强人类能动性，而不是削弱人们的重要性。另外，对 Anthropic 封禁账户的分析显示，攻击者正在将 AI 驱动的网络攻击从简单的网络钓鱼演变为更复杂的“代理式”威胁。与此同时，据报道，Google 正在考虑使用 Intel 的代工厂从 2028 年开始生产超过 300 万个 TPU，这一举措可能会对 AI 芯片供应链产生重大影响，并挑战 Nvidia 的主导地位。
-
Google Colab CLI 支持基于终端的远程 GPU/TPU 代码执行
Google 发布了 Colab 的开源命令行界面 (CLI)，允许开发者和 AI 代理直接从终端在远程 GPU 和 TPU 上执行 Python 代码。该工具简化了卸载训练和运行 ML 管道的过程，能够微调 Gemma 3 1B 等模型并将会话日志导出为可复现的笔记本。该 CLI 支持各种 GPU 和 TPU 配置，并与 Claude Code、Codex 和 Google 的 Antigravity 等 AI 代理集成。
-
ZML发布硬件无关的AI推理栈
ZML发布了一个新的生产推理栈，旨在独立于特定硬件运行AI工作负载。该系统旨在将任何AI模型直接编译到NVIDIA、AMD、TPU或Trainium加速器，而无需重写代码。ZML通过直接编译到硬件并避免Python运行时或隐藏状态抽象来强调性能和可预测性。
-
谷歌选择Marvell提升AI TPU性能
谷歌已与Marvell合作，以增强其用于AI工作负载的张量处理单元（TPUs）。这项战略联盟旨在促进AI专用芯片的开发和性能。此次合作预计将加强谷歌在AI硬件竞争格局中的地位。
-
新的MARS LLM架构使用内部状态来覆盖提示
一位研究人员开发了一种名为MARS的新型语言模型架构，该架构包含“本体感觉通道”，允许模型感知其自身的内部状态，例如记忆显著性或谨慎级别。当通道用于传达事实时，初始实验失败了，但当它们用于传达内部状态而事实在提示中时，实验就成功了。一项关键测试表明，模型的内部状态信号可以覆盖显式文本提示，这表明了一种超越传统提示工程的新型控制形式。
-
Alphabet 筹集800亿美元股权以资助AI基础设施扩张
谷歌母公司Alphabet宣布计划筹集800亿美元股权资本，以扩大其AI基础设施和计算能力。这轮重要的融资包括来自伯克希尔哈撒韦的100亿美元投资，旨在满足前所未有的AI服务客户需求。该资金将用于数据中心、AI加速器和其他必要硬件的支出，凸显了当前AI建设所需的巨大财务投入。
-
人工智能基础设施建设面临电力、供应链和投资挑战
人工智能基础设施建设正进入一个更复杂的阶段，供应商和运营商在电力、供应链和地缘政治风险方面面临挑战。公司正将重点从单纯的GPU转向更广泛的人工智能平台，包括网络、冷却和电力系统。这一演变也伴随着重大的金融投资，例如为TPU基础设施提供的50亿美元风险投资，以及日益增长的对能源采购和电网互联作为竞争优势的重视。
-
比亚迪发布4nm璇玑A3 AI芯片，叫板英伟达
比亚迪发布了其自研的“璇玑A3”AI芯片，采用4nm工艺制造，定位直接对标英伟达高端产品。该芯片拥有超过2100 TOPS的综合算力，并强调卓越的能效和优化利用率，声称有效算力比通用GPU提升100%。比亚迪此举标志着其在垂直整合方面迈出了重要一步，旨在控制整个AI驾驶系统，并可能重新定义汽车以外物理应用的AI芯片格局。
-
AI驱动光通信需求，Anthropic获360亿美元融资用于采购Google TPU
中国光通信产品制造商正经历国际需求激增，订单已排至2028年，相关板块股市表现强劲。与此同时，人工智能基础设施建设也得到了由Apollo Global Management和Blackstone Group参与的360亿美元债务融资支持，旨在帮助Anthropic为其AI业务采购Google的TPU。此举凸显了专业硬件在扩展AI能力方面的关键作用。
-
Apollo、Blackstone寻求360亿美元债务交易以收购Anthropic的AI芯片
据报道，Apollo Global Management和Blackstone正在为一项360亿美元的债务融资交易寻求更多投资者。这笔资金旨在帮助Anthropic PBC收购AI芯片，特别是谷歌的定制TPU，Anthropic随后将租赁这些芯片。作为与谷歌共同开发这些芯片的关键合作伙伴，博通公司也支持了这笔交易的最大份额。
-
Google AI 将物理材料制作成动画短片，用于 I/O 2026
Google AI 使用纸板和马克笔等物理材料创作了一部由 AI 驱动的动画短片。影片展示了 Google 的 TPUs 为 Google I/O 2026 大会做准备。该项目是与导演 Laurie Rowan 和 Nexus 合作完成的。
-
Pallas DSL 助力 Google TPU 自定义内核优化
本指南介绍了 Pallas，一个基于 Python 的领域特定语言 (DSL)，用于编写可为 Google 的张量处理单元 (TPU) 编译和优化的自定义内核。Pallas 旨在为开发人员提供对硬件操作的细粒度控制，使他们能够获得超越标准库的性能提升。本文档是了解 Pallas 功能及其在 TPU 上优化机器学习工作负载方面作用的入门资源。
-
Orbax检查点系统加速AI模型训练
训练大型AI模型容易受到硬件故障和其他中断的影响，因此强大的检查点系统至关重要。Orbax是一个高性能保存系统，旨在通过将数据分解为可管理的数据块以实现更快的网络传输，来处理海量AI模型。它提供真正的异步写入，使模型几乎可以立即恢复训练，而无需冻结循环。