傳聞中嘅Google–AMD TPU v10合作

SemiAnalysis嘅報告獲Tom's Hardware等媒體轉載，內容指出Google正探索一款混合AI ASIC，可能將AMD CPU核心直接整合喺封裝之內，同Google原有嘅加速器技術並存 。分析師認為，Google睇中AMD嘅先進封裝同3D整合（SoIC）技術，以及其CPU核心設計，以應付CPU密集型工作負載 。

背景好重要。 Broadcom一直係Google TPU嘅長期合作夥伴，雙方喺2026年3月簽署咗一份為期五年、涵蓋v8到v11嘅合作協議 。而聯發科技（MediaTek）就負責目前Ironwood（TPU v7x）世代嘅I/O同製造協調 。AMD今次嘅參與，似乎只係v10世代入面嘅一個項目，唔一定完全取代Broadcom——雖然Broadcom嘅Ironwood CoWoS產出據報下調咗大約32,000塊晶圓 。

另外，Google仲考慮緊將v10（代號「Ice Fish」）嘅部分組件交由三星晶圓廠生產，以分散對TSMC嘅依賴 ，同時亦同Marvell就其他客製AI晶片進行緊後期談判 。

重要提示： 以上所有資訊都未獲Google或AMD官方確認。SemiAnalysis嘅報告只係市場傳聞，AMD嘅項目可能只係一個特定SKU、實驗性路線，或者純粹係分散風險嘅策略 。

點解混合晶片係代理型AI同強化學習嘅必然選擇？

由純矩陣ASIC走向整合CPU核心嘅混合晶片，係硬體架構對AI工作負載轉變嘅直接回應——尤其係強化學習（RL）同代理型AI（Agentic AI）。

代理型AI嘅瓶頸喺CPU，唔係GPU

傳統批次推理幾乎完全由GPU主導：輸入提示詞，GPU做一次前向傳遞，輸出token 。但代理型AI嘅工作模式完全唔同。規劃、工具調用、沙盒執行同環境互動，全部都要靠CPU處理 。

學術研究發現，以工具為主嘅代理型AI工作負載，其端到端延遲有高達88%係哂喺CPU嘅工具處理上面 。另一分析師Akash Borate更指出呢個數字可以達到90.6% 。

CPU：GPU比例正在急劇轉變

喺AI訓練集群入面，CPU同GPU嘅比例大約係1:7或1:8 。當工作負載轉向推理，比例就跌到1:3或1:4 。去到代理型AI部署，Intel喺2026年第一季業績電話會議透露，有啲客戶已經行到四粒CPU對一粒GPU，部分集群甚至接近1:1 。

Morgan Stanley估計，到2030年，CPU市場會因為呢個趨勢而額外增長325億至600億美元 。AMD自己都話，代理型AI唔係一個以GPU為中心嘅推理工作負載，而係一個異質嘅端到端工作流程，需要高核心密度同高執行緒數量嘅CPU嚟做編排同沙盒執行 。

強化學習需要緊密嘅沙盒循環

強化學習訓練——尤其係代理型模型——需要重複執行沙盒執行、環境模擬、獎勵計算同策略更新等步驟。呢啲循環涉及大量CPU端嘅編排工作，好難喺純矩陣加速器上有效率咁執行。

Nvidia嘅Vera（88核心Olympus設計）同Intel嘅Xeon 6+，都係針對呢種「緊密強化學習沙盒循環」模式嚟最佳化 。整個硬體行業正趨向一個共識：未來嘅AI加速器絕對唔會再係純矩陣引擎。

Google混合TPU v10作為領先指標

如果Google真係將AMD CPU核心整合到TPU封裝之內，就可以消除PCIe嘅瓶頸，直接處理呢啲CPU密集型嘅代理循環，降低延遲，並喺單一緊密耦合嘅晶粒上完成「工具調用 → 環境步驟 → 更新策略」嘅循環。呢個就係硬體層面對「未來AI系統會係異質系統級封裝設計」呢個見解嘅具體體現。

更深遠嘅影響

總結

Google喺TPU v10入面加入CPU核心，絕對唔係一個小修小補——而係承認咗2028年嘅AI加速器同2024年嘅會好唔同。代理型AI同強化學習正重新定義運算架構嘅規則，而一粒每秒要處理成千上萬次工具調用循環嘅晶片，就必須要用唔同嘅方式嚟設計。

如果SemiAnalysis嘅傳聞屬實，Google同AMD就正正喺度建造緊呢粒晶片。

傳聞中嘅Google–AMD TPU v10合作

SemiAnalysis嘅報告獲Tom's Hardware等媒體轉載，內容指出Google正探索一款混合AI ASIC，可能將AMD CPU核心直接整合喺封裝之內，同Google原有嘅加速器技術並存 。分析師認為，Google睇中AMD嘅先進封裝同3D整合（SoIC）技術，以及其CPU核心設計，以應付CPU密集型工作負載 。

背景好重要。 Broadcom一直係Google TPU嘅長期合作夥伴，雙方喺2026年3月簽署咗一份為期五年、涵蓋v8到v11嘅合作協議 。而聯發科技（MediaTek）就負責目前Ironwood（TPU v7x）世代嘅I/O同製造協調 。AMD今次嘅參與，似乎只係v10世代入面嘅一個項目，唔一定完全取代Broadcom——雖然Broadcom嘅Ironwood CoWoS產出據報下調咗大約32,000塊晶圓 。

另外，Google仲考慮緊將v10（代號「Ice Fish」）嘅部分組件交由三星晶圓廠生產，以分散對TSMC嘅依賴 ，同時亦同Marvell就其他客製AI晶片進行緊後期談判 。

重要提示： 以上所有資訊都未獲Google或AMD官方確認。SemiAnalysis嘅報告只係市場傳聞，AMD嘅項目可能只係一個特定SKU、實驗性路線，或者純粹係分散風險嘅策略 。

點解混合晶片係代理型AI同強化學習嘅必然選擇？

由純矩陣ASIC走向整合CPU核心嘅混合晶片，係硬體架構對AI工作負載轉變嘅直接回應——尤其係強化學習（RL）同代理型AI（Agentic AI）。

代理型AI嘅瓶頸喺CPU，唔係GPU

傳統批次推理幾乎完全由GPU主導：輸入提示詞，GPU做一次前向傳遞，輸出token 。但代理型AI嘅工作模式完全唔同。規劃、工具調用、沙盒執行同環境互動，全部都要靠CPU處理 。

學術研究發現，以工具為主嘅代理型AI工作負載，其端到端延遲有高達88%係哂喺CPU嘅工具處理上面 。另一分析師Akash Borate更指出呢個數字可以達到90.6% 。

CPU：GPU比例正在急劇轉變

喺AI訓練集群入面，CPU同GPU嘅比例大約係1:7或1:8 。當工作負載轉向推理，比例就跌到1:3或1:4 。去到代理型AI部署，Intel喺2026年第一季業績電話會議透露，有啲客戶已經行到四粒CPU對一粒GPU，部分集群甚至接近1:1 。

Morgan Stanley估計，到2030年，CPU市場會因為呢個趨勢而額外增長325億至600億美元 。AMD自己都話，代理型AI唔係一個以GPU為中心嘅推理工作負載，而係一個異質嘅端到端工作流程，需要高核心密度同高執行緒數量嘅CPU嚟做編排同沙盒執行 。

強化學習需要緊密嘅沙盒循環

強化學習訓練——尤其係代理型模型——需要重複執行沙盒執行、環境模擬、獎勵計算同策略更新等步驟。呢啲循環涉及大量CPU端嘅編排工作，好難喺純矩陣加速器上有效率咁執行。

Nvidia嘅Vera（88核心Olympus設計）同Intel嘅Xeon 6+，都係針對呢種「緊密強化學習沙盒循環」模式嚟最佳化 。整個硬體行業正趨向一個共識：未來嘅AI加速器絕對唔會再係純矩陣引擎。

Google混合TPU v10作為領先指標

如果Google真係將AMD CPU核心整合到TPU封裝之內，就可以消除PCIe嘅瓶頸，直接處理呢啲CPU密集型嘅代理循環，降低延遲，並喺單一緊密耦合嘅晶粒上完成「工具調用 → 環境步驟 → 更新策略」嘅循環。呢個就係硬體層面對「未來AI系統會係異質系統級封裝設計」呢個見解嘅具體體現。

更深遠嘅影響

總結

Google喺TPU v10入面加入CPU核心，絕對唔係一個小修小補——而係承認咗2028年嘅AI加速器同2024年嘅會好唔同。代理型AI同強化學習正重新定義運算架構嘅規則，而一粒每秒要處理成千上萬次工具調用循環嘅晶片，就必須要用唔同嘅方式嚟設計。

如果SemiAnalysis嘅傳聞屬實，Google同AMD就正正喺度建造緊呢粒晶片。