|
首页 所有 |
李桂松:全球算力资产竞争格局与资产管理报告(七) |
| 日期 2026-10-19 作者 李桂松 编辑 北京云阿云 |
全球算力资产竞争格局与资产管理报告 导读:算力即国力。当芯片从设备升维为可计量、可调度、可金融化的战略资产,一场围绕有效算力的全球竞逐已然打响——美企主导、中国追赶,双核格局之下,大国算力博弈中国胜算几何?报告全文20万字,由云阿云智库平台主席兼财政金融院长李桂松原创出品。 报告名称:《全球算力资产竞争格局与资产管理报告》 报告撰写:北京云阿云智库平台主席兼财政金融院长李桂松 课题组长:李桂松院长 课题组成员名单: 李桂松:北京云阿云智库平台主席兼财政金融院长 李国熙:北京云阿云智库平台全球治理研究中心主任 李国琥:北京云阿云智库平台空天学院院长 李嘉仪:北京云阿云平台金融院长 报告完成日期:2026年9月19日 业务联系电话:13360021949(李博士) 第七章字母表/谷歌 一、企业概况与算力资产规模 (一)谷歌云增长态势 谷歌云在2026年经历了云服务行业历史上罕见的增速跃迁。第二季度(截至6月30日),谷歌云营收达到247.68亿美元,同比增长82%,这是谷歌云有史以来最快的增速纪录。这一增速不仅远超市场预期的64%,更在绝对增速上两倍于AWS的37%和Azure的40%。在超大规模云市场中,一个已经具有相当规模的平台仍能加速增长,而非随规模扩大而放缓,这一现象本身构成了对传统云市场格局的挑战。 从利润角度看,谷歌云第二季度运营利润达到88亿美元,较上年同期的约21亿美元增长超过三倍,运营利润率从20.7%跃升至35.6%。这一利润率扩张的速度在云服务行业中极为罕见——微软Azure的利润率扩张经历了数年时间,而谷歌云在单一年度内完成了从“勉强盈利”到“高利润平台”的跨越。 增长的驱动力来自多个层面。在企业客户层面,双子企业的渗透率正在快速提升,皮查伊透露《财富》美国100强企业中已有接近90%使用该产品。客户获取速度同比翻倍,现有客户的消费额超出其原定承诺超过50%。在模型使用层面,Gemini模型每分钟处理的API Token数量从上一季度的160亿增长至220亿。Gemini应用的月活跃用户数达到9.5亿,日活跃用户在过去一年增至原来的三倍。 最具战略意义的财务指标是云业务积压订单(Backlog)的爆发式增长。第二季度,谷歌云的积压订单首次突破5000亿美元,达到5140亿美元,较上一季度增加超过500亿美元。这一规模相当于谷歌云当前年化收入的约五倍,为未来数年的收入增长提供了极高的可见度。字母表预计其中略超过一半将在未来24个月内转化为收入。 然而,这一增长也伴随着一个具有象征意义的财务事件:字母表录得数十年来首次季度自由现金流为负。第二季度资本支出高达449.24亿美元,超过经营现金流390.69亿美元约58.55亿美元,自由现金流因此转负。这一数据与谷歌云82%的增速形成了鲜明对照——它同时展示了AI投资的巨大回报潜力和同样巨大的财务代价。 (二)TPU十年积累的规模效应 谷歌的TPU(张量处理单元)项目始于2016年,经过十年代际演进,在2026年达到了规模效应的临界点。这一积累的成果集中体现在三个维度。 第一,规模量级。 谷歌的TPU出货量在2026年达到约420万颗,需求较上年增长80%。这一规模使TPU成为全球第二大AI加速器产品线(仅次于英伟达显卡),并成为谷歌云增长的核心引擎之一。谷歌在第二季度首次确认了TPU系统对外销售的营收,虽然CFO 阿什肯纳齐表示二季度仅确认了“相对较小部分”,大部分收入将在2027年确认。 第二,客户规模。 TPU的外部客户已经涵盖了全球最重要的AI公司。Anthropic承诺购买高达100万颗铁木 TPU,作为一项可能达到400亿美元的协议的一部分,涵盖5吉瓦的TPU容量,另有通过博通安排的额外3.5吉瓦供应从2027年开始。Meta签署了价值“数十亿美元”的TPU租赁协议,用于AI模型训练,并正在讨论最早从2027年起在Meta自有数据中心直接部署TPU。这些客户的选择具有战略意义:Meta此前主要使用英伟达显卡进行训练,其转向TPU表明TPU已具备训练级工作负载的可行性,而不仅仅是推理替代方案。 第三,成本规模。 十年积累使谷歌获得了单位经济学优势。TPU的“每美元算力”成本在推理场景中具有结构性优势,MediaTek设计的推理版TPU v8i相比替代方案成本低20-30%。这一成本优势的积累效应在规模化部署中被放大:Anthropic的5吉瓦TPU容量意味着数百万颗芯片的部署,30%的成本差异在如此规模下意味着数十亿美元的成本节省。 TPU十年积累的战略含义在于:谷歌成为超大规模云厂商中唯一同时具备“自研芯片规模化部署”和“外部客户规模化销售”双重能力的企业。微软的玛雅仍在早期部署阶段,亚马逊的特雷尼乌姆虽然规模可观但仅在AWS内部可用。谷歌的TPU是唯一同时服务于内部研究、云服务客户和外部数据中心部署三种使用场景的自研AI芯片。 (三)资本支出指引(1750-1850亿美元→1950-2050亿美元) 字母表的2026年资本支出指引在年内经历了两次上调,最终达到1950亿至2050亿美元区间,中位数约2000亿美元。这一数字较最初公布的1750-1850亿美元区间上调了约150亿美元,反映了AI算力需求的超预期增长和供应链交付的加速。 从季度执行节奏来看,第二季度资本支出达到449.24亿美元,同比翻倍。过去8个季度,字母表的季度资本支出从131亿美元飙升至449亿美元,增长超过240%。字母表明确表示2027年还将“显著增加”投资,这意味着当前2000亿美元的年度支出水平并非峰值,而是持续上升曲线上的一个点。 从支出结构来看,约60%的资本支出投向服务器(包括显卡、CPU、TPU和内存),剩余40%投向数据中心设施和网络连接。这一结构与微软“三分之二短周期资产、三分之一长周期资产”的策略相似,反映了对灵活性与规模扩张的平衡——服务器可以快速部署和调整,而数据中心建筑是长期承诺。 资本支出的融资方式值得特别关注。字母表在2026年进行了史上最大规模的融资活动:6月通过发行股票筹集496亿美元,第二季度通过发行高级无抵押债券筹集203亿美元,并筹备了400亿美元的ATM(按市价发行)股票计划。字母表持有超过2400亿美元的现金和有价证券,为AI基础设施建设提供了“即使自由现金流暂时为负”的财务灵活性。 字母表 CFO 阿什肯纳齐对资本支出上调的解释直截了当:“我们在过去三年显著增加了产能。需求仍然超过投资。” 她补充说,产能交付速度快于预期是上调的另一个原因。这一表述的核心信息是:谷歌的资本支出不是“赌未来需求”,而是“追赶已签约需求” 。5140亿美元的积压订单为这一判断提供了实证支撑。 二、核心算力资产分析 (一)TPU第八代/第九代/第十代路线图 谷歌的TPU路线图在2026年展现出了前所未有的供应商多元化策略,这一策略的核心目标是在推理市场建立“后显卡时代”的成本优势。 第八代TPU(v8)于2026年发布,首次采用了双线产品策略:训练版TPU v8t(Sunfish)由博通(博通)设计,推理版TPU v8i(Zebrafish) 由联发科(MediaTek)设计,两者均瞄准台积电2纳米制程,计划于2027年底量产。这一“训练-推理分线”的策略是谷歌 TPU路线图中最具战略意义的调整。此前,TPU的设计是“通用”的,试图同时服务训练和推理。而v8的分线意味着谷歌认识到:训练和推理对芯片架构的要求正在分化——训练需要最大的互联带宽和内存容量来支持大规模并行计算,推理需要极致的能效和低延迟来降低单位Token成本。 第九代TPU(v9)的供应商格局进一步演化。云阿云智库报道显示,联发科凭借其336G SerDes IP获得了TPU v9的较大份额订单,预计2028年初量产。v9的拓扑架构可能从3D Torus升级至6D Torus,以解决集群规模扩大后的All-to-All通信瓶颈。以4096颗TPU集群为例,6D Torus可将最长路径从3D Torus的24跳缩短至约12跳。这一拓扑创新对推理场景尤为重要:在推理服务中,延迟是核心指标,集群互联的每一跳都直接贡献于用户感知的响应时间。 第十代TPU(v10)的规划揭示了谷歌在“后显卡”架构探索上的最前沿方向。AMD被报道可能参与TPU v10的设计,通过集成AMD CPU IP来提升TPU在强化学习、Agentic AI等CPU密集型负载下的处理效率。这一合作的战略含义是双重的:在架构层面,谷歌自研的Axion CPU基于Arm架构,引入AMD的x86能力可以补齐谷歌在x86生态中的短板,使TPU平台能够更灵活地适配不同类型的AI工作负载;在竞争层面,AMD的参与使谷歌的芯片供应链进一步多元化,降低了对博通单一合作伙伴的依赖。 更值得关注的是Frozen v2芯片的联合开发。据DigiTimes报道,谷歌与AMD将合作开发Frozen v2,通过将Gemini部分模型信息固化至芯片来降低对HBM的依赖,提升AI推理的速度和经济性。这一技术路线的颠覆性含义在于:如果模型权重可以被“烧录”到芯片中,推理任务将不再需要从HBM中反复加载权重,从而大幅降低内存带宽瓶颈和能耗。这本质上是将“软件问题”转化为“硬件问题”——用芯片的定制化来替代软件的通用化。 (二)铁木芯片与Anthropic的5GW协议 铁木(TPU v7)是谷歌 TPU路线图中具有里程碑意义的产品,它是首款专门为推理设计的TPU。其核心技术规格包括192GB HBM3E每芯片,7.2 TB/s带宽,可扩展至9,216颗液冷芯片组成单一超级Pod,提供42.5 FP8 Exa浮点运算每秒的算力。铁木的峰值性能是TPU v5p的十倍。 铁木的战略定位与Anthropic的5GW协议密不可分。谷歌对Anthropic的400亿美元投资中包含5吉瓦的TPU容量(五年期)和最多100万颗铁木芯片的访问权。此外,通过博通安排的额外3.5吉瓦TPU供应从2027年开始,建立在Anthropic 2026年已获得的1吉瓦基础上。Anthropic公开将谷歌 TPU栈描述为其“训练和服务路线图的核心”。 这一协议的财务结构是理解谷歌算力资产金融化的关键案例。FT的调查报道揭示了这一约2000亿美元基础设施融资计划的运作机制:谷歌担保数据中心,博通承诺购买芯片并协助融资,Apollo和布莱克斯通提供私人信贷资本购买硬件后租赁给Anthropic。一个名为Compute SPV的特殊目的载体以350亿美元购买了约1吉瓦的AI硬件(约100万颗TPU)。博通通过“残值支持”机制为其中约300亿美元的融资提供担保,即如果Anthropic停止付款且SPV无法以足够价格出售硬件,博通将覆盖缺口。 这一结构的资产管理含义是深远的。它创造了一种“芯片租赁的波音模式”——正如波音和GE通过供应商融资模式销售飞机和发动机,谷歌-博通-Apollo/布莱克斯通的联合体通过SPV结构将TPU硬件转化为可租赁的资本资产。谷歌担保数据中心、博通担保芯片残值、私人信贷提供购买资金,每一方承担其最擅长管理的风险,共同支撑起一个2000亿美元量级的基础设施融资计划。 从风险分配的角度看,这一结构使谷歌能够在不将数十亿美元AI芯片计入自身资产负债表的情况下,实现TPU的大规模外部部署。谷歌高管对此的表述是:“这是我们各自将自己的资产负债表投入使用。我们在数据中心方面做,他们在芯片方面做。” (三)与Meta的TPU供应协议 2026年2月,Meta与谷歌达成了一项价值“数十亿美元”的TPU租赁协议,用于开发新的AI模型。这笔交易的战略意义远超其财务规模,因为Meta计划将TPU用于AI训练,而非仅仅是推理。 训练侧的替代是TPU对英伟达最直接的挑战。市场长期以来的共识是:英伟达显卡在训练领域具有不可替代的优势(CUDA生态、NVLink互联、大规模集群经验),而替代机会主要在推理环节。Meta将TPU用于训练的决策,打破了这一共识。The Information的报道特别指出:“这点对市场更敏感:多数挑战英伟达的机会通常被认为在推理环节,而非对互联规模、软硬件生态要求更苛刻的训练集群。” Meta的双重采购策略值得深入分析。Meta一边承诺买入数百万颗英伟达显卡,一边用数十亿美元租用谷歌 TPU。这种“不把鸡蛋放在一个篮子里”的策略,反映了超大规模客户对供应链韧性的日益重视。推动Meta转向的背景包括:其自研AI训练芯片推进不顺,以及部署英伟达最新Blackwell芯片时遇到的“技术故障与硬件复杂性”带来的爬坡问题。 从算力资产管理的角度看,Meta-TPU协议创造了一种新的资产配置范式:“核心-边缘”算力架构。英伟达显卡作为“核心”资产,承载对CUDA生态依赖最强、对绝对性能要求最高的训练任务;TPU作为“边缘”资产,承载成本敏感、对生态兼容性要求相对较低的训练和推理任务。这种架构使Meta能够在不牺牲训练能力上限的前提下,降低对单一供应商的依赖并优化单位算力成本。 (四)AMD参与第十代TPU设计 AMD参与谷歌 TPU v10设计的报道,标志着谷歌的芯片供应链策略进入了一个新阶段:从“供应商多元化”向“架构多元化”的升级。 此前,谷歌的供应商多元化主要体现在设计合作伙伴的多元化(博通、联发科、Marvell),但所有这些合作伙伴设计的都是基于相同基础架构的TPU变体。AMD的参与则引入了不同的计算范式:通过集成AMD的x86 CPU IP,TPU v10将能够更高效地处理强化学习、Agentic AI等CPU密集型负载。 这一转变的技术背景是AI工作负载的结构性变化。传统的“训练-推理”二分法正在被更细分的负载谱系所取代:强化学习需要大量的环境交互和奖励计算,这些是CPU密集型任务;Agentic AI需要持续的感知-推理-行动循环,其中“行动”阶段(工具调用、API请求、数据库查询)往往由CPU处理。在这些场景中,纯显卡或纯TPU的架构可能不是最优解,“TPU+x86 CPU”的异构组合可能提供更好的性价比。 从竞争格局的角度看,AMD的参与使谷歌的芯片战略与英伟达形成了镜像关系。英伟达的Grace CPU(基于Arm)与Blackwell 显卡的集成,正在构建“显卡+Arm CPU”的异构计算平台;谷歌的TPU+AMD x86 CPU则构建了一个“TPU+x86 CPU”的替代方案。两种架构的竞争结果,将取决于AI工作负载的CPU-显卡配比在未来的演化方向。 三、竞争优势分析 (一)TPU在成本与能效上的结构性优势 谷歌 TPU的竞争优势核心不在于“绝对性能”,而在于“每美元每瓦特的推理性能”。这一结构性优势来自三个层面的积累。 第一,专用化设计的成本优势。 TPU针对Transformer架构进行了深度优化,避免了通用显卡中“为所有工作负载设计”的性能冗余。MediaTek设计的推理版TPU v8i的成本比替代方案低20-30%。这一成本优势在Anthropic的百万颗芯片部署规模下意味着数十亿美元的成本节省。在推理场景中,成本是决定AI服务商业模式可行性的核心变量——一个聊天机器人每百万Token的成本如果降低30%,其盈利门槛将显著下降。 第二,规模部署的能效优势。 铁木的192 GB HBM3E和7.2 TB/s带宽使其在处理长上下文推理任务时具有优势,而液冷9216芯片超级Pod的设计使谷歌能够在单一集群中实现42.5 FP8 Exa浮点运算每秒的密度。这种高密度设计意味着更低的每瓦特算力成本和更小的物理足迹。 第三,垂直整合的效率优势。 谷歌同时控制TPU的设计(与合作伙伴联合)、制造(台积电代工)、部署(自有数据中心和外部客户)和优化(DeepMind的模型反馈)。这种全链条控制使谷歌能够针对TPU的架构特征来优化Gemini模型,从而在推理效率上获得“软硬件协同”的额外收益。这一优势是英伟达无法复制的——英伟达不运营超大规模推理服务,无法像谷歌那样从“模型-芯片协同优化”中获益。 (二)DeepMind驱动的软硬件协同设计 谷歌在AI芯片领域的独特优势在于:它拥有全球最顶尖的AI研究机构之一(谷歌 DeepMind),这为其芯片设计提供了来自前沿模型研究的一手反馈。 DeepMind的研究人员在与Gemini模型的交互中,能够直接观察到TPU架构在特定工作负载下的性能瓶颈。例如,如果DeepMind发现某种新型注意力机制在TPU上效率不佳,这一信息可以直接反馈到TPU的下一代架构设计中。这种“研究-设计-反馈”的闭环在英伟达的生态中是不存在的——英伟达需要从客户那里间接获取性能反馈,而谷歌的芯片团队与模型团队是“同一个屋檐下”的。 这一协同优势的资产含义是:谷歌的TPU资产具有“可进化性”——每一代TPU都是对上一代在真实前沿模型训练和推理中暴露的问题的系统性回应。铁木的“推理专用”定位、v8的“训练-推理分线”、v10的“CPU密集型负载适配”,都是DeepMind反馈驱动的架构决策。 (三)同时服务内部研究与外部客户的独特定位 谷歌在算力资产配置中面临一个独特的战略张力:它同时是TPU的最大使用者(内部)和TPU的最大销售者(外部)。这一“双重身份”既是优势也是风险。 优势层面,外部客户(Anthropic、Meta)的大规模采购为TPU的规模经济提供了需求支撑。没有Anthropic的百万颗芯片承诺和Meta的数十亿美元租赁协议,TPU的产量将无法达到420万颗的量级,单位成本将显著更高。外部销售使谷歌能够以更大的规模来摊薄芯片设计和制造成本,从而使内部使用也能享受更低的单位成本。 风险层面,外部客户的需求正在挤占内部研究的算力资源。彭博的报道揭示了一个令人不安的现实:谷歌自己的AI研究人员,包括DeepMind团队,正在为获取TPU算力而“排队”,与他们雇主的付费客户竞争。Oren Etzioni(前Allen人工智能研究所CEO)对此的评论被广泛引用:“在谷歌内部,每一颗TPU都有三个追求者。如果你发现自己处于一个尴尬的位置:你的项目是‘天上掉馅饼’式的研究,而你正在与一个产生收入的客户竞争,那是一个艰难的处境。” 这一“内部算力饥渴”的后果已经显现。彭博报道指出,包括Ioannis Antonoglou在内的资深DeepMind研究人员在过去18个月中离职,部分原因是“计算访问权限的竞争”。Andrew Dai的故事具有代表性:他发现Gemini在视觉推理方面存在盲点,但在谷歌内部“无法获得足够的算力来解决问题”,最终离职创立了Elorian(一家专注于视觉推理的AI初创公司)。 从算力资产管理的角度看,这一张力揭示了一个核心问题:当算力资产同时服务于“收入创造”和“研究探索”两个目标时,如何分配有限的资源? 谷歌的分配策略——皮查伊描述的“第一优先级是确保我们分配AGI前沿竞争所需资源”——本质上是以战略优先级而非经济回报为分配标准。但这一策略在“短期收入”与“长期研究突破”之间的权衡,正在产生人才流失的隐性成本。 四、劣势与风险分析 (一)内部研究算力被外部客户挤占 谷歌内部研究算力被外部客户挤占的问题,在2026年从“隐忧”变为“公开的危机”。彭博和Los Angeles Times的深度报道揭示了这一问题的严重性。 问题的结构性根源在于谷歌同时扮演三个角色:TPU的制造商、TPU的云服务提供者和TPU的内部使用者。当Anthropic承诺购买100万颗铁木芯片、Meta签署数十亿美元的租赁协议时,这些有合约约束的收入承诺在内部资源分配中自然享有优先权。相比之下,DeepMind研究人员的“算力申请”是无合约的、探索性的、结果不确定的。 这一分配逻辑的隐性成本是多重的。在人才层面,顶尖研究人员的流失是不可逆的——Andrew Dai的离职不仅是“失去一个研究者”,更是“失去一个可能发现Gemini盲点并推动下一代模型突破的人”。在研究方向层面,算力获取的不确定性使研究人员倾向于选择“安全”的、能快速出结果的短期项目,而非“高风险、高回报”的长期探索。在组织文化层面,“算力即权力”的动态可能扭曲晋升和资源分配的逻辑,使那些“善于获取算力”的人而非“最有创造力”的人获得优势。 皮查伊对分配策略的表述——“第一优先级是AGI前沿竞争”——在理论上正确,但在实践中面临执行难题:“AGI前沿竞争”是一个模糊的、事后的判断。什么项目属于“AGI前沿竞争”?谁来决定?当Anthropic的合约收入是可量化的、即时的,而DeepMind的某个研究项目是不可量化的、长期的时,资源分配的天平自然倾向于前者。 (二)DeepMind人才因算力短缺流失 DeepMind人才流失是谷歌算力资产管理中最具警示意义的风险案例。它揭示了一个反直觉的规律:算力资产的“充裕”与“稀缺”是相对的。谷歌在全球范围内拥有最多的TPU算力(420万颗年出货量),但其内部研究者感受到的却是“算力稀缺”。 这一“稀缺感”的来源是比较框架的差异。DeepMind研究者比较的对象不是“行业的平均水平”,而是“他们自己公司的外部客户” 。当他们看到Anthropic获得5吉瓦的TPU容量、Meta签署数十亿美元的租赁协议时,他们的“相对剥夺感”被显著放大。Oren Etzioni的观察切中要害:“如果你在内部,你的项目是‘天上掉馅饼’,而外面有一个产生收入的客户,你会处于不利地位。” 从竞争格局的角度看,人才流失的后果是长期的、累积的。DeepMind的竞争对手——OpenAI、Anthropic、以及新兴的AI初创公司——正在以更灵活的算力访问和更少的官僚障碍来吸引顶尖研究者。当DeepMind的研究者发现“在谷歌内部需要排队数月才能获得算力,而在初创公司可以立即获得”时,离职的动机变得强烈。 谷歌的应对措施——包括CEO 皮查伊公开表示“确保DeepMind获得所需资源”、以及谷歌声明有“严格的、持续的过程来确保算力分配给最重要的优先事项”——在沟通层面是正确的,但在执行层面面临根本性挑战:如何在一个同时服务外部客户和内部研究的组织中,建立可信的内部算力保障机制?谷歌尚未给出令人信服的答案。 (三)TPU生态的封闭性限制外部采用 TPU生态的封闭性是谷歌在AI芯片竞争中面临的结构性劣势。与英伟达的CUDA生态不同——任何拥有显卡的人都可以学习CUDA、贡献代码、分享经验——TPU的使用仅限于谷歌云或通过特定协议获得TPU的客户。 这一封闭性的表现是多层面的。在开发者社区层面,TPU的教程、开源项目和技术讨论的规模远小于CUDA。在工具链层面,虽然JAX和TensorFlow对TPU有良好支持,但PyTorch的TPU支持不如CUDA成熟,许多PyTorch生态中的库和工具无法在TPU上无缝运行。在迁移成本层面,从CUDA迁移到TPU需要重写部分代码、重新调试性能、重新培训团队,这一成本对于已经深度投资于CUDA生态的企业而言是显著的障碍。 谷歌正在通过多种策略来缓解这一劣势。TPU v8的“训练-推理分线”使推理版TPU v8i能够以更低的成本吸引对价格敏感的推理客户,而无需要求他们完全放弃英伟达显卡。特雷尼乌姆4支持NVLink Fusion(虽然这是亚马逊的策略)反映了行业对“异构互操作”的务实需求。谷歌的“双栈”策略——同时提供TPU和英伟达显卡——使客户可以在同一云平台上混合使用两种架构,降低了“全有或全无”的迁移门槛。 然而,这些策略无法根本改变TPU生态的封闭性。只要TPU的使用仍然绑定在谷歌云或谷歌的供应协议中,其开发者社区的规模就无法与CUDA竞争。这一结构性劣势的长期含义是:TPU可能成为“谷歌生态内的最优选择”,但难以成为“行业的通用标准”。 (四)云市场份额仍落后于AWS和Azure 尽管谷歌云在2026年实现了82%的增速和份额的显著提升,但其绝对市场份额仍显著落后于AWS和Azure。根据Synergy Research的数据,截至2026年6月30日,AWS份额为28%,Azure为20%,谷歌云为15%。虽然谷歌云的份额从一年前的13%提升至15%,且这一增长“以AWS的份额损失为代价”,但与AWS的13个百分点差距和与Azure的5个百分点差距仍然显著。 从收入规模来看,谷歌云第二季度营收247.68亿美元,年化运行率约990亿美元;AWS第二季度营收422亿美元,年化运行率约1690亿美元;Azure的季度营收约294亿美元(年化约1180亿美元)。谷歌云的收入规模约为AWS的59%、Azure的84%。 从竞争动态来看,谷歌云的82%增速是三大云厂商中最快的,且增速差距在扩大:第一季度谷歌云增长63%,Azure增长40%,AWS增长28%;第二季度谷歌云加速至82%,而AWS增长37%。如果这一增速差距持续,谷歌云的份额将继续提升,但缩小与AWS的绝对差距仍需要数年时间。 从算力资产管理的角度看,份额落后的含义是:谷歌的算力资产扩张速度必须持续超过市场平均增速,才能实现份额提升。82%的增速是必要的(以维持份额增长),但不一定是充分的(如果AWS和Azure也加速)。谷歌云的5140亿美元积压订单为持续高速增长提供了基础,但将积压订单转化为收入需要持续的算力容量扩张,而这又需要持续的资本支出。 五、战略动向与展望 (一)从“自用芯片”向“芯片供应商”的战略升级 谷歌在2026年完成了TPU战略的根本性升级:从“内部使用的自研芯片”转变为“对外销售的商业产品”。这一升级的标志性事件是第二季度首次确认TPU系统对外销售的营收。 这一转型的战略逻辑可以从两个层面理解。在竞争层面,TPU的对外销售使谷歌成为英伟达在AI芯片市场最直接的挑战者。与亚马逊的特雷尼乌姆“仅在AWS内部可用”不同,谷歌的TPU可以部署在客户自有数据中心(如Anthropic和Meta的案例)。这一“芯片供应商”定位使谷歌能够直接参与价值数千亿美元的AI芯片市场,而非仅通过云服务间接参与。在财务层面,TPU销售为谷歌云提供了新的收入来源,且这一收入的利润率可能高于传统云服务——芯片销售不需要承担云服务的运营成本(电力、冷却、运维)。 CFO 阿什肯纳齐对TPU销售的战略意义表述是:“从商业角度看,可以将其视为我们总可寻址市场的扩展。” 这一表述的核心含义是:谷歌云的市场不再仅限于“企业愿意通过云平台购买算力”的客户,而是扩展到“企业愿意在自有数据中心部署谷歌芯片”的客户。后者的市场规模远大于前者。 (二)供应链多元化与“后显卡”架构探索 谷歌的TPU供应链策略在2026年展现出了超大规模云厂商中最激进的多元化。四个设计合作伙伴(博通、MediaTek、Marvell、Intel)+ 台积电制造 + AMD的潜在架构合作,构成了一个高度分散且相互制衡的芯片供应链。 这一策略的核心逻辑是“以多元化换取议价权和韧性”。博通设计训练版TPU v8t,MediaTek设计推理版TPU v8i,“谷歌获得了谈判杠杆,因为每个合作伙伴都知道另一个的存在”。Marvell的潜在加入将进一步强化这一动态。在地缘政治层面,供应链多元化降低了对任何单一合作伙伴或单一地区的依赖,增强了应对贸易壁垒或供应中断的韧性。 更值得关注的是谷歌在“后显卡”架构上的探索。Frozen v2芯片——将Gemini模型信息固化至芯片以降低HBM依赖——代表了一种激进的架构创新。如果这一路径成功,它将从根本上改变AI推理的经济学:内存带宽不再是瓶颈,因为权重不再需要从HBM中加载;能耗大幅降低,因为数据搬运的能耗被消除;推理速度显著提升,因为计算不再等待内存。这一技术的风险是灵活性丧失——固化在芯片中的模型无法更新,这意味着Frozen v2只适用于稳定、长期部署的模型,而非快速迭代的前沿模型。 (三)从“云服务商”向“AI基础设施平台”的定位迁移 谷歌的战略演进方向日益清晰:将谷歌云从“云服务平台”重新定位为“AI基础设施平台”。这一转变的核心标志是TPU系统销售和芯片租赁合资公司等新商业模式的出现。 在商业模式层面,谷歌正在从“卖云服务”向“卖AI基础设施”扩展。TPU系统销售使谷歌能够直接交付芯片硬件,而非仅通过云API提供服务。与布莱克斯通成立的AI云合资公司(目标2027年上线500兆瓦容量)使谷歌能够通过金融结构来扩展TPU的部署,而无需将全部资本支出计入自身资产负债表。 在生态层面,谷歌正在构建一个“TPU+Gemini+谷歌云”的整合平台。双子企业在《财富》100强中接近90%的渗透率,Gemini模型每分钟处理220亿Token,这些数据表明谷歌的模型层正在成为吸引企业客户的关键入口。TPU作为算力层,为Gemini的推理提供了成本优势;谷歌云作为平台层,为客户提供了部署和运营AI工作负载的完整环境。 (四)展望:在“自用”与“外卖”之间寻找可持续平衡 谷歌算力资产管理战略面临的核心张力,可以概括为“自用”与“外卖”之间的平衡。 “自用”意味着TPU服务于谷歌自己的AI研究和产品——Gemini训练、搜索AI化、Workspace智能化。“外卖”意味着TPU销售给外部客户——Anthropic的百万颗芯片、Meta的数十亿美元租赁、布莱克斯通合资公司的500兆瓦容量。 这一张力的核心问题是:当外部客户愿意为TPU支付市场价格时,谷歌是否应该优先满足外部需求(以最大化收入和规模经济),还是优先满足内部研究需求(以保持AI研究的领先地位)? 谷歌的当前策略似乎是“两者兼顾,但以战略优先级为分配标准”。皮查伊描述的分配框架——“第一优先级是AGI前沿竞争”——在理论上提供了指导,但在实践中面临执行透明度和可信度的挑战。DeepMind研究人员的“排队”体验与谷歌公开声明的“确保DeepMind获得所需资源”之间的认知差距,是这一策略的最大脆弱性。 从长期视角看,谷歌的TPU战略的成功取决于三个条件的同时满足:第一,外部客户的规模采购(Anthropic、Meta等)为TPU提供足够的规模经济,使单位成本持续下降;第二,内部研究(DeepMind、Gemini团队)获得可信的、可预测的算力保障,以维持AI研究的领先地位和人才保留;第三,TPU生态(开发者工具、框架支持、社区)能够以足够快的速度缩小与CUDA的差距,使外部客户不仅因为“成本优势”选择TPU,更因为“生态成熟度”选择TPU。 这三个条件中,第一个正在实现(Anthropic和Meta的承诺提供了规模),第二个面临挑战(人才流失是警示信号),第三个进展缓慢(TPU生态的封闭性仍是结构性劣势)。谷歌的算力资产管理策略的最终成败,将取决于它能否在“卖芯片赚钱”和“用芯片创新”之间找到一个可持续的、可信的平衡点。 |
|||
![]() |
|||
|
|
|
云阿云智库●区域经济研究院 |
|
北京市平谷区中关村科技园区平谷园1区-21594(集群注册) |
|
| 13360021949 (李博士) | |
liguisong2006@163.com |
|