計算基礎設施的戰略轉型
在一個由生成式 AI（Generative AI）持續擴張所定義的時代，科技巨頭面臨的瓶頸不再僅僅是軟體實力，而是硬體的原始物理能力。近期有報導指出，Google 正與 Marvell Technology 進行深入洽談，計畫共同開發客製化 AI 晶片。此舉標誌著 Google 在優化數據中心基礎設施方面的內部努力顯著升級，特別是針對大型語言模型（LLM）推理所需的高能耗需求。
對於關注晶片戰爭的人士來說，像 Google（已經擁有目前公認最成熟的 AI 晶片生態系統，即 Tensor Processing Unit，簡稱 TPU）這樣的超大規模雲端運算商，與像 Marvell 這樣的晶片設計專家之間的合作意義重大。透過與 Marvell 合作，Google 希望加速開發次世代硬體，以管理日益複雜的 AI 任務，同時降低總體擁有成本。
目標：提高 AI 推理效率
此合作的核心在於兩項截然不同但互補的晶片計畫。首先是開發專為現代 AI 工作負載嚴苛需求量身打造的次世代 TPU；其次是創建一種專門的記憶體處理單元（Memory Processing Unit, MPU）。
對「推理」的關注至關重要。雖然訓練 AI 模型需要龐大的平行處理能力，但推理——即模型為用戶提供回應的過程——才是決定 AI 服務日常營運成本的關鍵。隨著數十億次的查詢湧入 Google 搜尋和其他平台，在推理上花費的每一微秒效率，都會成為巨大的財務槓桿。
| 計畫類型 | 主要關注領域 | 預期影響 |
|---|---|---|
| 次世代 TPU | 核心運算 | 提升模型執行時每瓦的 FLOPS |
| 記憶體處理單元 | 數據吞吐量 | 降低高頻寬任務的延遲 |
| 優化策略 | 軟硬體整合 | 降低大規模運行的營運支出 |
為何選擇 Marvell Technology？
Marvell 已在客製化矽晶片設計領域確立了產業領導地位，特別是在以基礎設施為重點的應用方面。透過專注於高速連接和儲存控制器晶片，Marvell 提供了能與 Google 內部 TPU 團隊互補的架構專業知識。
Google 的策略似乎是雙管齊下：利用內部的 TPU 處理核心重任，同時將特定組件外包給 Marvell，以受益於其專業的 IP 庫和經過驗證的設計效率。這種「混合」模式使 Google 既能保持其專有架構帶來的競爭優勢，又能比單打獨鬥更快地進行硬體迭代。
客製化矽晶片的戰略意義
正如我們在 Creati.ai 所觀察到的，產業正在擺脫通用 GPU 範式，轉向高度專業化、針對特定領域的矽晶片。這種轉變由三個主要因素驅動：
- 擴充限制： 隨著模型規模不斷擴大，傳統硬體架構觸及了記憶體頻寬的極限。
- 成本效益： 隨著 AI 推理 逐漸成為一種大宗商品般的服務，降低每個 Token（單元）的耗電量是實現獲利的關鍵。
- 垂直整合： 控制整個堆疊（從 TPU 到軟體框架）賦予了 Google 第三方硬體供應商無法比擬的上市速度優勢。
前瞻：對 AI 版圖的影響
潛在的 Google 與 Marvell 合作所產生的漣漪效應，將在整個半導體產業中感受到。目前主導企業級 AI 晶片市場的 NVIDIA 等公司，隨著超大規模雲端運算商在設計自家晶片方面變得更加熟練，可能會面臨持續的壓力。
對於更廣泛的 AI 生態系統而言，這意味著能以更便宜、更快速且更有效率的方式存取推理能力。如果這些新晶片的開發成功，將使 Google 能夠將更複雜的 AI 整合到其從搜尋到 Workspace 的各類產品中，而無需承擔目前阻礙企業級 AI 部署的高額電力成本。
產業關鍵考量
- 供應鏈多元化： 降低對單一架構生態系統的依賴。
- 專業化與通用化： 朝向如本次提出的記憶體處理單元等專用裝置的快速轉變。
- 基礎設施經濟學： 對雲端運算定價模式的長期影響。
隨著 Google 繼續完善其發展路線圖，Marvell 的專業技術整合將是我們持續密切關注的發展動向。掌握 AI 推理硬體的競賽，本質上就是掌握未來網際網路經濟的競賽，而這項談判顯示 Google 無意讓出任何領地。
