設計夥伴：聯發科的角色持續擴大

聯發科已獨家取得「Triggerfish」晶片的訂單 。此訂單的單位價格較基礎版 Humufish 晶片高出約 30% ，這不僅代表單純的零組件供應，更意味著雙方合作關係的深化。郭明錤指出，此舉進一步驗證了聯發科是 Google 在整個 TPU v9 世代的首選合作夥伴，顯示聯發科正承擔更多架構設計與整合工作，標誌著雙方合作已邁向系統級設計的層次 。

三大核心技術升級

與現行的 Humufish TPU v9 相比，「Triggerfish」主要進行了三項架構上的變革：

• 片內 SRAM 容量：大幅提升 2 至 3 倍。這讓 AI 代理或強化學習模型所需的活躍工作集能更多地保留在晶片本地，減少從速度較慢的片外記憶體提取資料的需求，從而降低資料搬運成本，並在超低延遲的解碼階段提升效率 。
• 片外 DRAM：從 HBM4 升級至下一代 HBM4E。這為大規模推理提供了更高的記憶體頻寬 。
• 新增模擬晶片：新增一顆專用的類比/模擬晶片，專門用於強化學習和 AI 代理工作負載。其可能功能包括本地 TPU 管理、訓練/推理模式切換，以及強化學習與 AI 代理的協同運算 。

這些變革直接針對 AI 特定應用積體電路（ASIC）中常見的「CPU 牆」與「記憶體牆」瓶頸 。

鎖定 AI 代理與強化學習

「Triggerfish」的設計明確針對下一波 AI 工作負載：AI 代理與強化學習 。

• 更大的 SRAM 意味著代理的活躍狀態——即執行多步驟推理所需的工作記憶——可以更多地保留在晶片上，從而大幅降低延遲。
• 新增的模擬晶片 是一種硬體加速器，專為優化定義強化學習與代理系統的「嘗試-錯誤」學習循環而設計。
• HBM4E 記憶體 確保當資料必須離開晶片時，能夠以最高頻寬進行傳輸。

此一焦點與 Google 更廣泛的 AI 戰略一致。正如 Google Cloud 在其文件中所述：「向代理式 AI 的轉變，需要能夠進行多步驟推理與持續強化學習的基礎設施。」TPU 的設計目標正是「透過在晶片上利用擴充的 SRAM 來承載龐大的 KV 快取，從而打破推理的『記憶體牆』」。

生產時程與出貨量

根據郭明錤的供應鏈調查：

相較於基礎版 TPU v9，此出貨量相對保守，反映了「Triggerfish」的定位是針對特定、高價值的推理工作負載進行升級，而非大規模的市場取代。

「Triggerfish」在 Google 對抗 Nvidia 戰略中的角色

「Triggerfish」是 Google 長期自研客製化矽晶片（TPU）戰略的一部分，旨在減少對 Nvidia GPU 在 AI 工作負載上的依賴 。

透過在 TPU v9 的基礎上升級迭代，而非等待完整的 v10 版本，Google 能夠更快地針對 AI 代理和強化學習等新興工作負載，優化其推理能力。而 Nvidia 的通用 GPU 在純推理任務上可能過於「大材小用」。

該晶片的設計核心是「有效算力最大化」——將活躍資料保留在晶片上以降低成本與延遲，直接與 Nvidia 的 H100/B200 系列硬體在推理總成本上展開競爭 。

重要提醒

所有細節均源自分析師郭明錤（天風國際證券，2026 年 6 月 22 日）的單一供應鏈調查報告。Google 尚未證實「Triggerfish」的代號、規格或時程。價格、出貨量以及合作夥伴的獨家供應關係仍有待相關公司證實。在 Google 正式宣布之前，此資訊應被視為可信但未經官方確認的產業報告。

設計夥伴：聯發科的角色持續擴大

聯發科已獨家取得「Triggerfish」晶片的訂單 。此訂單的單位價格較基礎版 Humufish 晶片高出約 30% ，這不僅代表單純的零組件供應，更意味著雙方合作關係的深化。郭明錤指出，此舉進一步驗證了聯發科是 Google 在整個 TPU v9 世代的首選合作夥伴，顯示聯發科正承擔更多架構設計與整合工作，標誌著雙方合作已邁向系統級設計的層次 。

三大核心技術升級

與現行的 Humufish TPU v9 相比，「Triggerfish」主要進行了三項架構上的變革：

• 片內 SRAM 容量：大幅提升 2 至 3 倍。這讓 AI 代理或強化學習模型所需的活躍工作集能更多地保留在晶片本地，減少從速度較慢的片外記憶體提取資料的需求，從而降低資料搬運成本，並在超低延遲的解碼階段提升效率 。
• 片外 DRAM：從 HBM4 升級至下一代 HBM4E。這為大規模推理提供了更高的記憶體頻寬 。
• 新增模擬晶片：新增一顆專用的類比/模擬晶片，專門用於強化學習和 AI 代理工作負載。其可能功能包括本地 TPU 管理、訓練/推理模式切換，以及強化學習與 AI 代理的協同運算 。

這些變革直接針對 AI 特定應用積體電路（ASIC）中常見的「CPU 牆」與「記憶體牆」瓶頸 。

鎖定 AI 代理與強化學習

「Triggerfish」的設計明確針對下一波 AI 工作負載：AI 代理與強化學習 。

• 更大的 SRAM 意味著代理的活躍狀態——即執行多步驟推理所需的工作記憶——可以更多地保留在晶片上，從而大幅降低延遲。
• 新增的模擬晶片 是一種硬體加速器，專為優化定義強化學習與代理系統的「嘗試-錯誤」學習循環而設計。
• HBM4E 記憶體 確保當資料必須離開晶片時，能夠以最高頻寬進行傳輸。

此一焦點與 Google 更廣泛的 AI 戰略一致。正如 Google Cloud 在其文件中所述：「向代理式 AI 的轉變，需要能夠進行多步驟推理與持續強化學習的基礎設施。」TPU 的設計目標正是「透過在晶片上利用擴充的 SRAM 來承載龐大的 KV 快取，從而打破推理的『記憶體牆』」。

生產時程與出貨量

根據郭明錤的供應鏈調查：

相較於基礎版 TPU v9，此出貨量相對保守，反映了「Triggerfish」的定位是針對特定、高價值的推理工作負載進行升級，而非大規模的市場取代。

「Triggerfish」在 Google 對抗 Nvidia 戰略中的角色

「Triggerfish」是 Google 長期自研客製化矽晶片（TPU）戰略的一部分，旨在減少對 Nvidia GPU 在 AI 工作負載上的依賴 。

透過在 TPU v9 的基礎上升級迭代，而非等待完整的 v10 版本，Google 能夠更快地針對 AI 代理和強化學習等新興工作負載，優化其推理能力。而 Nvidia 的通用 GPU 在純推理任務上可能過於「大材小用」。

該晶片的設計核心是「有效算力最大化」——將活躍資料保留在晶片上以降低成本與延遲，直接與 Nvidia 的 H100/B200 系列硬體在推理總成本上展開競爭 。

重要提醒

所有細節均源自分析師郭明錤（天風國際證券，2026 年 6 月 22 日）的單一供應鏈調查報告。Google 尚未證實「Triggerfish」的代號、規格或時程。價格、出貨量以及合作夥伴的獨家供應關係仍有待相關公司證實。在 Google 正式宣布之前，此資訊應被視為可信但未經官方確認的產業報告。