谷歌联手联发科：TPU v9升级版“Triggerfish”曝光，剑指AI智能体与强化学习推理

关键技术升级

与现有的Humufish TPU v9相比，Triggerfish主要进行了三项架构改进：

• 片上SRAM容量提升2-3倍：这使得更多AI智能体或强化学习模型的活跃工作集能够保留在芯片本地，从而减少从速度较慢的片外内存获取数据的需求，降低数据搬运成本并提升超低延迟解码阶段的效率 。
• 片外DRAM升级为HBM4E：从当前的HBM4升级到下一代的HBM4E，为大规模推理提供更高的内存带宽 。
• 新增仿真晶粒：添加一颗专用模拟/仿真晶粒，专为强化学习和AI智能体工作负载设计。其可能的功能包括本地TPU管理、训练/推理模式切换，以及支持强化学习与AI智能体的协同运算 。

这些改动直接针对AI专用芯片（ASIC）中常见的"CPU墙"和"内存墙"瓶颈问题 。

瞄准AI智能体与强化学习

Triggerfish明确是为下一波AI工作负载——AI智能体和强化学习——而设计的 。

• 更大的SRAM意味着更多智能体的活跃状态（即进行多步推理所需的工作记忆）可以保留在芯片上，从而大幅降低延迟。
• 新增的仿真晶粒是一个硬件加速器，专门针对强化学习和基于智能体的系统所需的试错学习循环进行了优化。
• HBM4E内存确保当数据必须离开芯片时，能够以最高的带宽进行传输。

这一重点与谷歌更广泛的AI战略相吻合。正如谷歌云官方文档所述，"向智能体AI（Agentic AI）的转变，需要能够支持多步推理和持续强化学习的基础设施。"TPU的设计目标是通过利用扩展的片上SRAM将庞大的KV缓存完全托管在芯片上，从而打破推理的"内存墙" 。

生产时间线与出货量

根据郭明錤的产业链调查：

与基础版TPU v9相比，这些出货量相对较小，反映出Triggerfish的定位是针对特定高价值推理工作负载的定向升级，而非主流市场的替代品。

Triggerfish如何融入谷歌对抗英伟达的战略？

Triggerfish是谷歌长期战略的一部分，即通过开发自研定制芯片（TPU）来减少在AI工作负载上对英伟达GPU的依赖 。

通过在现有TPU v9上进行升级而非等待完整的v10，谷歌能够更快地针对AI智能体和强化学习等新兴工作负载进行推理专属优化。在这些领域，英伟达的通用GPU用于纯推理可能显得大材小用 。

该芯片的设计理念是实现"有效算力最大化"——通过将活跃数据保留在芯片上来降低成本和延迟，从而在总推理成本上直接与英伟达的H100/B200等硬件竞争 。

关键提示

所有细节均来源于单一分析师（天风国际证券郭明錤，2026年6月22日）的调查报告。谷歌尚未确认Triggerfish代号、具体规格或时间表。芯片定价、出货量及合作伙伴的独家性也未得到相关公司证实。在谷歌发布官方公告之前，这些信息应被视为可信但未经验证的行业传闻。