200亿美元！英伟达“收购”Groq技术许可与“TPU原班人马”

当地时间12月24日，一则英伟达以200亿美元收购AI专用芯片初创公司Groq资产的新闻爆料，沸腾了硅谷的圣诞节。

很快，Groq发布公告，称英伟达与Groq达成的交易是“非排他性技术许可协议”，英伟达将获得Groq的芯片技术授权，且Groq创始人兼CEOJonathanRoss（当年谷歌TPU的创始成员）、总裁SunnyMadra及其他核心团队将加入英伟达，而Groq公司将继续独立运营。这是英伟达有史以来最大规模的一笔交易，远超2019年收购Mellanox的70亿美元。

这一交易并非孤立事件，而是近年来全球AI市场竞争与格局演进的一个缩影，特别是正在全球范围内加速展开的、围绕AI专用算力的布局与转向：6月，路透社报道，作为英伟达GPU长期以来的最大采购商之一的OpenAI已开始租用谷歌TPU为其ChatGPT及其他AI产品提供算力支持；10月，谷歌与Anthropic官宣谷歌将向Anthropic供应至多100万块专用AI芯片TPU及附加的谷歌云服务；11月，TheInformation报道称Meta正计划于2027年将谷歌TPU部署至自有数据中心，特斯拉也官宣已在车辆控制系统与数据中心大规模部署数百万颗自研AI芯片。

顶级AI科技企业们的动态无不清晰释放出一个信号：全球AI算力基础设施正逐步走出以GPU架构为核心的单一范式，转向以TPU和类TPU为代表的AI专用芯片的新架构方向。

“非典型收购”背后：AI专用算力芯片的崛起

尽管交易双方强调其“非收购”性质，但过去两年里，通过“技术授权”的方式实现“人才收购”或获得“技术转让”，已经是硅谷科技巨头们屡用不鲜、既能规避传统并购可能面临的监管、又能快速将目标产品/技术/人才纳入麾下的“非典型收购”方法。

2025年，Meta斥资近150亿美元收购AI数据标注初创公司ScaleAI49%股权，ScaleAI联合创始人兼CEO加入Meta，ScaleAI仍保持独立运营；AMD与加拿大AI芯片创企UntetherAI达成协议，吸纳UntetherAI整个AI硬件与软件工程团队；谷歌斥资24亿美元（约合人民币168亿元），引进AI代码生成初创公司Windsurf顶尖人才与技术。苹果、微软和亚马逊也都在近两年进行过类似的交易。

而此次英伟达与Groq之间200亿美元的巨额交易，英伟达CEO黄仁勋在内部邮件中阐释了其意图：“我们计划将Groq的低延迟处理器集成至NVIDIAAI工厂架构，将该平台的应用范围扩展至更广泛的AI推理与实时工作负载领域。”

公开资料显示，Groq成立于2016年，是一家专注于AI专用芯片研发的美国公司，公司估值在今年9月的最新一轮融资中达到69亿美元。其芯片产品取名为LPU（语言处理器），专为AI推理场景设计，号称运行大语言模型的速度可达GPU的10倍，能耗却只有十分之一。值得注意的是，Groq创始人JonathanRoss曾是谷歌TPU（张量处理器）芯片项目的创始成员之一。

在Meta被报道计划大规模部署谷歌TPU、Anthropic已签署百万片TPU采购协议之后，作为英伟达主要客户的各大模型厂商，正在积极寻求并计划实际采用以TPU为代表的新算力源。Groq团队的TPU背景，使其成为英伟达理解以TPU为代表的AI专用算力芯片的最佳对象。AI专用芯片已展现出通用GPU架构难以匹敌的能效优势，且这一差距无法仅通过迭代现有产品线轻易抹平。

TPU芯片：为AI/ML而生的架构

GPU最初设计用于图形处理，尤其是实时渲染和图像处理，因此对其中体面结构的矩阵和向量运算做了专门优化，后来逐渐发展成为通用计算设备（GPGPU）。GPU具有大量结构较为简单的并行处理单元，适合处理高度并行的任务，如图形渲染和科学计算，因此被广泛应用于计算机图形学、游戏开发、视频编码/解码、深度学习训练和推理。

TPU是谷歌专为加速机器学习和深度学习任务而设计的专用芯片，特别是针对深度学习模型的训练和推理。TPU针对张量运算进行了高度优化，单个的脉动阵列架构吞吐量和处理效率相较GPU有了更大提升，特别适合于处理矩阵乘法等常见于神经网络的操作，主要用于机器学习和深度学习模型的训练和推理，特别是使用TensorFlow框架的任务。 

TPU在架构和设计上的根本性革新，使其成为比GPU更适合进行大量部署或使用的深度学习计算单元：

多维度的计算单元提高计算效率：相较于CPU中的标量计算单元和GPU中的矢量计算单元，TPU使用二维乃至更高维度的计算单元完成计算任务，将卷积运算循环展开的方式实现最大限度的数据复用，降低数据传输成本，提升加速效率；

更省时的数据传输和高效率的控制单元：冯诺依曼架构带来的存储墙问题在深度学习任务当中尤为突出，而TPU采用更为激进的策略设计数据传输，且控制单元更小，给片上存储器和运算单元留下了更大的空间；

面向AI的加速，强化AI/ML计算能力：定位准确，架构简单，单线程控制，定制指令集，TPU架构在深度学习运算方面效率极高，且易于扩展，更适合超大规模的AI训练计算。

随着大模型参数规模与复杂度的提升，计算的核心日益集中于大规模、高并行度的矩阵乘法运算（MatMul）。GPU的架构优势在于处理高度并行但模式多变的图形计算，其通用性带来了灵活性，但在执行AI计算任务时，其复杂的控制逻辑、多层级的内存系统会带来不可避免的功耗和效率开销。而谷歌TPU架构，则通过脉动阵列架构，将计算资源高度集中于矩阵运算单元，并以片上高带宽存储替代复杂的数据调度机制，从硬件层面重构计算路径。这种“以算为本”的设计理念，使其在能效比、吞吐密度和规模化部署上展现出显著优势。

AI芯片产业共识：架构创新对突破算力瓶颈的价值

如今，越来越多的世界顶尖科技公司在积极应用甚至自研TPU或类TPU架构的AI专用芯片：

早在2019年，英特尔就收购了来自以色列的AI芯片制造商 HabanaLabs，并在2024年4月推出了专攻深度学习神经网络推理的类TPU芯片Gaudi3；且今年11月，外媒报道称英特尔正在与同样由谷歌TPU早期团队创立的美国AI芯片独角兽 SambaNova 进行初步的收购谈判；

2023年11月，微软在其全球技术大会Ignite上宣布推出专为Azure云服务和AI工作负载设计的ASIC芯片Maia100，预计2026年正式发布；

2023年11月底，AWS发布了为生成式AI和机器学习训练设计的云端AI算力芯片Trainium2；2024年底，AWS与Anthropic官宣共同打造名为ProjectRainier的EC2UltraCluster，将使用数十万片Trainium2芯片；

2024年7月，苹果公司使用谷歌TPU训练其人工智能系统“苹果智能”（AppleIntelligence）的AI模型AFM，通过2048片TPUv5p芯片来训练拥有27.3亿参数的设备端模型AFM-on-device，以及8192片TPUv4芯片来训练其为私有云计算环境量身定制的大型服务器端模型AFM-server；

2025年6月，据路透社报道，作为英伟达GPU长期以来的最大采购商之一的OpenAI已开始租用谷歌的TPU为其ChatGPT及其他AI产品提供算力支持；

2025年10月，谷歌与Anthropic共同发布声明，宣布谷歌将向Anthropic供应至多 100万块专用AI芯片TPU以及附加的谷歌云服务，这笔交易价值数百亿美元；

2025年11月，TheInformation报道称Meta正计划于2027年将谷歌TPU部署至自有数据中心，并最早自2026年起租用谷歌云TPU算力；

2025年11月，特斯拉首席执行官马斯克官宣称特斯拉已在车辆控制系统与数据中心大规模部署自研AI芯片，数量达数百万颗，支撑起FSD自动驾驶、Dojo超级计算机等核心业务，公司计划以“一年一代”的节奏推进芯片迭代；

······

资本与产业层面的密集动作，其根源在于AI计算负载结构本身正在发生深刻变化。越来越多的头部科技公司开始将目光投向AI专用架构。TPU所代表的专用算力路径，正逐步从“可选方案”演变为支撑下一阶段AI发展的关键基础设施之一。

国内唯一全自研、已量产TPU芯片的公司

核心创始团队组建于2018年，作为国内唯一一家掌握TPU架构AI专用芯片核心技术并实现全自研TPU芯片量产的公司，中昊芯英的创始人及CEO杨龚轶凡曾作为谷歌TPU芯片核心研发者，深度参与过TPUv2/3/4的设计与研发工作。

TPU为AI大模型而生的天然优势架构，使其在面向AI计算场景时，在同等生产制程下相较于GPU可以拥有 3-5倍的性能提升。以中昊芯英历时近五年全自研的国内首枚已量产TPUAI芯片“刹那®”为例，“刹那®”在处理大规模AI模型运算时与海外知名GPU芯片相比，计算性能可以超越其近1.5倍，在完成相同计算任务量时的能耗降低 30%，将价格、算力和能耗综合测算，“刹那®”的单位算力成本仅为其42%。

全球AI算力产业的发展趋势显示，当计算效率与成本成为AI大模型加速迭代及大规模商用落地的核心瓶颈时，对底层算力架构进行专用化、定制化革新，已成为驱动产业前进的重要因素。对于中国AI芯片产业而言，这一全球性趋势明确了专注特定赛道、深耕架构创新的战略价值。中昊芯英将继续坚定TPU技术路径，聚焦AI计算本质，致力于为市场提供高效、可行的专用算力解决方案。