重點一：輝達稱其 GPU 平台「領先一個世代」，可在各種環境執行各類 AI 模型，回應外界對 Google TPU 競爭的疑慮。
重點二：受到臉書母公司 Meta 可能採用 Google TPU 的報導影響，輝達股價當日下跌約 3%，市場關注其在 AI 基礎設施的主導地位。
重點三：Google 表示 TPU 與輝達 GPU 的需求都在加速；最新的 Gemini 3 用 TPU 訓練，但也能在輝達平台上執行，競合關係更為明顯。
輝達最近在 X 上丟出一句話：「我們領先整個業界一個世代，而且是唯一能把所有 AI 模型在各種地方都跑起來的平台。」這段話明顯是回應市場疑慮：Google 的 TPU 聲量升高，是否會動搖輝達在 AI 硬體的霸主地位？
引爆點是：有報導稱 Meta 可能與 Google 合作，在資料中心採用 TPU。結果輝達股價當天回檔約 3%。雖然分析師普遍認為，輝達以 GPU 在 AI 晶片市場仍握有逾九成的市占率，但「TPU 更便宜？交期更穩？雲端資源更好租用？」這類現實考量，讓雲端業者越來越傾向「兩邊都用」。
為了回應外界疑慮，輝達在貼文裡把核心差異講白了：ASIC（如 Google TPU）為特定公司或用途客製，性能不差，但彈性有限；相較之下，輝達的 Blackwell 世代主打「效能、通用性、可替換性」三件事，等於一次解掉「模型要換、場景要搬、部署要跨雲」這些痛點。
據《CNBC》報導，Google 發言人在一份聲明中指出：「我們訂製的 TPU 和輝達 GPU 的需求都在加速增長。我們將一如既往地繼續支持兩者。」舉例而言，輝達執行長 黃仁勳 在先前法說會也提到，Gemini 能在輝達平台上運行，並轉述 DeepMind 執行長 Demis Hassabis 的看法：「AI 的擴展律（scaling laws）仍成立，更大的算力與更大的數據，會帶來更強的模型。」
換句話說，只要 AI 還在往「更大、更複雜」的方向前進，市場對高階加速器的胃口就不會縮小。
TPU 跟 GPU 到底差在哪？
事實上，TPU 和 GPU 都是為了加速大量並行計算而設計，常用於神經網路訓練與推論。兩者皆配備高頻寬記憶體（如 HBM），支援低精度運算（如 FP16、bfloat16、INT8）以提升效能與能效，並可透過高速互連組成大型集群來訓練 Transformer 等模型。
但兩者的差異在於「設計取向」不同。
TPU 是為深度學習客製的專用加速器，核心是大規模矩陣乘法（systolic array），主打把「大量乘法＋加法」這種固定模式，做得又快、又穩、又省電，就像專門生產同一種零件的高速產線。
GPU 則源自圖形處理，並演進為通用並行處理器，既能跑深度學習也能處理科學計算、視覺與多樣工作負載。也就是說，GPU 不只會跑 AI，也能跑科學計算、影像處理、各式工具與框架；就像多功能工廠，什麼都能接。
因此在計算精度上，GPU 通常支援較高的精度（如 FP32、FP64）。因為畫圖如果算錯，畫面會破圖；科學計算算錯，橋樑會垮掉。TPU 則專門優化低精度計算（如 bfloat16、INT8），因為 AI（神經網路）其實不需要算得那麼準。例如分辨一隻貓，你算出它是貓的機率是 99.12345% 還是 99.1%，其實沒有太大差別。亦即 TPU 犧牲了一點精確程度，換來極致的速度與能效。
在記憶體存取方面，GPU 經常需要到顯示記憶體（VRAM）搬運資料，處理超大型 AI 模型時容易遇到瓶頸；而 TPU 透過大規模矩陣乘法，讓資料在晶片內部流動與復用，可大幅減少記憶體存取次數。
最後用最簡單的話來說：TPU 追求把同一種 AI 算法「做到極致」，而 GPU 則追求在更多場景都「夠快又好用」。
| 比較項目 | GPU (圖形處理器) | TPU (張量處理器) |
|---|---|---|
| 靈活性 | 通用型：什麼類型的計算都能處理，包含不規則、臨時改動的工作 | 專門型：特別擅長「大量矩陣/卷積」這種規則、重複的運算 |
| 效能瓶頸 | 常卡在資料搬運（記憶體、跨卡溝通）而不是純算力 | 也會受資料搬運/互連影響；在大批量、規則計算時效率特別好 |
| 計算精度 | 平常用較省的位數加速（FP16/BF16/FP8），要更準時會用FP32/FP64；也支援INT8/INT4 量化來省算力與成本 | 主打BF16快速運算，關鍵步驟用FP32 累加確保結果穩定；推論也能用INT8 量化加速 |
| 開發體驗 | 成熟生態（CUDA、PyTorch/TensorFlow），工具多、除錯方便 | 走XLA 編譯路線（TensorFlow/JAX/PyTorch XLA），動態/不規則程式較難調 |
| 最適場景 | 研究開發、功能多、彈性高；訓練與推論都常用 | 大型、規則、可大量並行的分散式訓練與雲端批量推論 |
| 取得方式 | 雲端、本地都容易買到，型號選擇多 | 以雲端為主（Google Cloud TPU/TPU Pod），本地較少 |
本文初稿為AI編撰，整理．編輯/ 李先泰
