驅動代理式 AI 新世代，一窺 Google 第八代 TPU 8t 與 TPU 8i 技術架構
Google 自行研發、專為 AI 量身打造的加速器第八代 TPU（Tensor Processing Unit）──TPU 8i 與 TPU 8t，藉Google Cloud Next 2026 大會首度亮相，Google Cloud 表示將在今年稍晚正式提供給客戶。
TPU 8t：訓練效能引擎
TPU 8t 專為大規模預訓練以及嵌入密集型工作負載進行最佳化，運用經過實證的 3D torus 拓撲，單一 superpod 內可達到 9,600 顆晶片的規模；TPU 8t 的設計還能在數百個 superpod 之間達到最大吞吐量，確保訓練進度如期推進。Google Cloud 進一步解析 TPU 8t 對比前幾代的重要進展：
展現 SparseCore 優勢
TPU 8t 的核心為 SparseCore，專為處理嵌入式查找這類不規則的記憶體存取模式而設計。當 MXU（Matrix Multiply Unit）負責執行矩陣運算時，SparseCore 會承接與資料相依的 all-gather 運算以及其他集體運算，藉此避免這類運算在通用型晶片經常出現的零操作瓶頸。
VPU / MXU 重疊運作與均衡擴展
TPU 8t 的設計目的使已配置的 FLOPs 使用率達到最大化。透過實作更均衡的 VPU（Vector Processing Unit）擴展機制，這個架構將外顯的向量運算時間降至最低。這讓量化、softmax 及 layernorm 等運算能與 MXU 的矩陣乘法更有效地重疊進行，協助晶片保持忙碌，而不會因為等待連續執行的向量任務而閒置。
原生 FP4
TPU 8t 導入原生 FP4（4-bit floating point，4 位元浮點數），以克服記憶體頻寬的瓶頸，將 MXU 吞吐量加倍，即使在較低精度的量化條件下，也能為大型模型維持準確度。透過減少每個參數所需的位元數，這個平台將耗能的資料搬移降到最低，讓更大的模型層能容納在本地硬體緩衝區內，以達成尖峰運算使用率。
▲ TPU 8t ASIC 架構。
Virgo Network
為支援 TPU 8t 的龐大資料需求，Google Cloud 推出 Virgo Network。這個新的網路架構讓 TPU 8t 訓練在 DCN（data center network，資料中心網路）頻寬最高提升 4 倍。Virgo Network 是一個專為現代 AI 工作負載的極端需求而設計的 Scale-Out 結構，建構在高基數交換機之上，並採用扁平、雙層、無阻塞的拓撲架構。相較於傳統的 DCN，這種架構透過減少網路層級顯著降低延遲，它採用多平面設計，並搭配獨立的控制網域來連結 TPU 8t，TPU 8t 的機架也透過 Jupiter 南北向網路結構連接，以存取運算與儲存服務。
相較於 Ironwood TPU，TPU 8t 在 ICI（inter-chip interconnect，晶片間互連）提供 2 倍的擴展頻寬，在 DCN 原始橫向擴展頻寬上更高達 4 倍，因此能大幅降低資料瓶頸。
為進一步加速模型開發，Google Cloud 將分散式訓練擴展到單一叢集外。運用 JAX 與 Pathways，現在能在單一訓練叢集擴展至超過 100 萬顆 TPU。Virgo Network 能將超過 13.4 萬顆 TPU 8t 連結在單一網路結構中，並提供高達每秒 47 Pbps 的無阻塞雙向頻寬。這個網路結構能以近乎線性的擴展表現，提供超過 160 萬 exaFLOPS 的運算能力。
更快速的儲存存取
Google Cloud 在 TPU 8t 導入 TPUDirect RDMA 與 TPU Direct Storage。TPU Direct RDMA 能讓 TPU 的記憶體（指 HBM）與網路介面卡之間直接進行資料傳輸，繞過主機 CPU 與 DRAM，這會降低延遲以及主機系統的瓶頸，提升 TPU 對 TPU 通訊的有效頻寬。同樣地，TPUDirect Storage 也能讓 TPU 與 10T Lustre 等高速託管儲存服務之間直接進行記憶體存取，將大規模資料傳輸的頻寬有效加倍。
透過將 Managed Lustre 10T 與 TPUDirect Storage 結合，把高達數百 PB 的資料集直接傳輸至晶片，TPU 8t 避免因資料吸收瓶頸所導致的訓練延遲。相較於以 Ironwood TPU 進行訓練，TPU 8t 提供快上 10 倍的儲存存取速度。
TPU 8i：推理引擎
TPU 8i 專為後訓練（post-training）與高併發推理所設計，搭載 Google Cloud 在晶片上最大的 SRAM（靜態隨機存取記憶體）、全新的 CAE（Collectives Acceleration Engine，集體加速引擎）、以及名為 Boardfly 的服務最佳化網路拓樸。
晶片上最大的 SRAM
相較於 Ironwood TPU，TPU 8i 晶片上的 SRAM 提升為 3 倍，將更大的 KV Cache 完全託管在矽晶上，大幅減少運算核心在長篇幅脈絡解碼時的閒置時間。
CAE 集體加速引擎
為了解決取樣瓶頸，TPU 8i 運用 CAE，能以近乎零延遲的方式整合各核心間的運算結果，專門加速 auto-regressive decoding 以及 CoT（Chain-of-Thought）處理過程中所需的簡化與同步步驟。每顆 TPU 8i 在核心晶粒上配有 2 個 Tensor Core，並在 chiplet 晶粒上配有 CAE，取代 Ironwood TPU 核心晶粒上的 4 個 SparseCore。透過整合專用的 CAE，TPU 8i 進一步將晶片上集體運算的延遲降低 5 倍，延遲越低代表等待時間越少，促成能夠同時執行數百萬個 Agent 所需的龐大吞吐量。
▲ TPU 8i ASIC 架構。
Boardfly ICI 拓撲架構
雖然 3D torus 可將數千顆晶片連接在一起協同運作，但大型網狀結構在晶片之間會產生較多跳轉次數，以及較高 all-to-all 延遲。針對 TPU 8i，Google Cloud 變更了晶片之間的連接方式，讓晶片在全連接板上互連，然後再將這些板聚合成群組，最多能將 1,152 顆這類晶片連接在一起，進而縮短網路直徑以及資料封包穿越整個系統所需的跳轉次數。大幅減少跳轉次數下，Boardfly 在延遲上能為通訊密集型工作負載帶來最高 50% 的改善。
綜合來看，在大規模訓練上，TPU 8t 相較於 Ironwood TPU 提供最高 2.7 倍的每美元效能提升，TPU 8i 相較於 Ironwood TPU 則提供最高 80% 的每美元效能提升，尤其是在大型 MoE 模型的低延遲目標方面。兩款晶片的每瓦效能皆有最高可達 2 倍的提升，對於以永續方式擴展下一世代 AI 的規模相當重要。
（圖片來源：Google Cloud Blog）