傳聞中的 Google–AMD TPU v10 合作

SemiAnalysis（後經 Tom's Hardware 等媒體轉載）報導，Google 正探索一款混合式 AI ASIC，可能將 AMD 的 CPU 核心與 Google 專有加速器技術整合在同一個封裝內 。分析師認為，Google 對 AMD 的先進封裝與 3D 整合（SoIC）IP，以及其 CPU 核心設計深感興趣，以應對 CPU 密集型工作負載 。

釐清背景脈絡： Broadcom 仍是 Google 長期的 TPU 共同設計夥伴，雙方於 2026 年 3 月簽署了一份公開的五年合作協議，涵蓋 v8 至 v11 共四代產品 。聯發科則負責當前 Ironwood（TPU v7x）世代的 I/O 與製造協調 。AMD 的參與似乎是 v10 世代中的一個專案，並非必然完全取代 Broadcom；不過，Broadcom 的 Ironwood CoWoS 產出據傳已被下修約 32,000 片晶圓 。

與此同時，為分散對台積電的依賴，另有消息指出 Google 正考慮讓三星代工生產 v10 世代（代號「Ice Fish」）的部分元件 ，並且也與 Marvell 就其他客製化 AI 晶片進行後期洽談 。

重要提醒： Google 與 AMD 均未證實任何消息。SemiAnalysis 的報告目前僅是市場傳言，而非官方公告。AMD 參與的專案可能僅是特定 SKU、實驗性路徑或分散供應鏈風險的備案 。

為何混合式晶片對代理式 AI 與強化學習至關重要

從純矩陣 ASIC 轉向整合 CPU 核心的混合式晶片，是硬體架構對 AI 工作負載本質變化的直接回應，尤其是強化學習與代理式 AI。

代理式 AI 的瓶頸在 CPU，而非 GPU

傳統批次推理幾乎完全由 GPU 主導：輸入提示詞，GPU 進行前向傳遞，產生 tokens 。代理式 AI 工作負載則截然不同。任務編排、規劃、工具呼叫、沙盒執行以及環境互動，這些流程全都在 CPU 上運行，而非 GPU 。

一項學術研究發現，工具密集型的代理式 AI 工作負載，其 CPU 端的工具處理會形成嚴重瓶頸，消耗高達 88% 的端對端延遲 。另一份由 Akash Borate 進行的分析更將此數字提升至 90.6% 。

CPU 與 GPU 的比例正在發生劇烈變化

在 AI 訓練叢集中，CPU 對 GPU 的比例大約是 1:7 或 1:8 。當工作負載轉向推理時，該比例降至 1:3 或 1:4 。而到了代理式 AI 部署階段，Intel 在 2026 年第一季財報電話會議中指出，部分客戶已開始運行每顆 GPU 搭配四顆 CPU 的配置，在某些叢集中甚至達到 1:1 的比例 。

摩根士丹利預測，至 2030 年為止，僅此一項轉變就將驅動 325 億至 600 億美元的 CPU 市場增量 。AMD 自身也主張，代理式 AI 並非單一的 GPU 中心推理任務，而是一個異質的端到端工作流程，需要高核心密度、高執行緒數量的 CPU 來處理任務編排與沙盒執行 。

強化學習仰賴緊密的沙盒循環

強化學習的訓練——尤其是用於代理式模型——需要反覆經歷沙盒執行、環境模擬、獎勵計算與策略更新的循環。這些循環涉及大量的 CPU 端編排工作，難以有效率地映射到純矩陣加速器上。

Nvidia 的 Vera（88 核心 Olympus 設計）與 Intel 的 Xeon 6+，都在針對這種「緊密強化學習沙盒循環」模式進行最佳化 。整個硬體產業正趨向一個共識：未來的 AI 加速器絕不會只是純矩陣引擎。

Google 混合式 TPU v10：一個領先指標

將 AMD 的 CPU 核心直接整合到 TPU 封裝內，Google 能夠消除這些 CPU 密集型代理循環的 PCIe 瓶頸，降低延遲，並在一個緊密耦合的晶粒上處理完整的「呼叫工具 → 環境步驟 → 更新策略」週期。這是對未來 AI 系統將是混合型系統級封裝設計此一洞見的硬體實踐——根據工作負載階段混合不同的運算類型。

更廣泛的影響

結論

Google 據傳將 CPU 核心放入其 TPU v10 中，並非一個微小的調整，而是承認 2028 年的 AI 加速器將與 2024 年的產品截然不同。代理式 AI 與強化學習正改寫運算架構的規則，而一個每秒需要處理上千次工具呼叫循環的晶片，其設計方式必然與執行單一大型矩陣乘法的晶片截然不同。

如果 SemiAnalysis 的市場傳言屬實，那麼 Google 與 AMD 此刻正在打造那款晶片。

傳聞中的 Google–AMD TPU v10 合作

SemiAnalysis（後經 Tom's Hardware 等媒體轉載）報導，Google 正探索一款混合式 AI ASIC，可能將 AMD 的 CPU 核心與 Google 專有加速器技術整合在同一個封裝內 。分析師認為，Google 對 AMD 的先進封裝與 3D 整合（SoIC）IP，以及其 CPU 核心設計深感興趣，以應對 CPU 密集型工作負載 。

釐清背景脈絡： Broadcom 仍是 Google 長期的 TPU 共同設計夥伴，雙方於 2026 年 3 月簽署了一份公開的五年合作協議，涵蓋 v8 至 v11 共四代產品 。聯發科則負責當前 Ironwood（TPU v7x）世代的 I/O 與製造協調 。AMD 的參與似乎是 v10 世代中的一個專案，並非必然完全取代 Broadcom；不過，Broadcom 的 Ironwood CoWoS 產出據傳已被下修約 32,000 片晶圓 。

與此同時，為分散對台積電的依賴，另有消息指出 Google 正考慮讓三星代工生產 v10 世代（代號「Ice Fish」）的部分元件 ，並且也與 Marvell 就其他客製化 AI 晶片進行後期洽談 。

重要提醒： Google 與 AMD 均未證實任何消息。SemiAnalysis 的報告目前僅是市場傳言，而非官方公告。AMD 參與的專案可能僅是特定 SKU、實驗性路徑或分散供應鏈風險的備案 。

為何混合式晶片對代理式 AI 與強化學習至關重要

從純矩陣 ASIC 轉向整合 CPU 核心的混合式晶片，是硬體架構對 AI 工作負載本質變化的直接回應，尤其是強化學習與代理式 AI。

代理式 AI 的瓶頸在 CPU，而非 GPU

傳統批次推理幾乎完全由 GPU 主導：輸入提示詞，GPU 進行前向傳遞，產生 tokens 。代理式 AI 工作負載則截然不同。任務編排、規劃、工具呼叫、沙盒執行以及環境互動，這些流程全都在 CPU 上運行，而非 GPU 。

一項學術研究發現，工具密集型的代理式 AI 工作負載，其 CPU 端的工具處理會形成嚴重瓶頸，消耗高達 88% 的端對端延遲 。另一份由 Akash Borate 進行的分析更將此數字提升至 90.6% 。

CPU 與 GPU 的比例正在發生劇烈變化

在 AI 訓練叢集中，CPU 對 GPU 的比例大約是 1:7 或 1:8 。當工作負載轉向推理時，該比例降至 1:3 或 1:4 。而到了代理式 AI 部署階段，Intel 在 2026 年第一季財報電話會議中指出，部分客戶已開始運行每顆 GPU 搭配四顆 CPU 的配置，在某些叢集中甚至達到 1:1 的比例 。

摩根士丹利預測，至 2030 年為止，僅此一項轉變就將驅動 325 億至 600 億美元的 CPU 市場增量 。AMD 自身也主張，代理式 AI 並非單一的 GPU 中心推理任務，而是一個異質的端到端工作流程，需要高核心密度、高執行緒數量的 CPU 來處理任務編排與沙盒執行 。

強化學習仰賴緊密的沙盒循環

強化學習的訓練——尤其是用於代理式模型——需要反覆經歷沙盒執行、環境模擬、獎勵計算與策略更新的循環。這些循環涉及大量的 CPU 端編排工作，難以有效率地映射到純矩陣加速器上。

Nvidia 的 Vera（88 核心 Olympus 設計）與 Intel 的 Xeon 6+，都在針對這種「緊密強化學習沙盒循環」模式進行最佳化 。整個硬體產業正趨向一個共識：未來的 AI 加速器絕不會只是純矩陣引擎。

Google 混合式 TPU v10：一個領先指標

將 AMD 的 CPU 核心直接整合到 TPU 封裝內，Google 能夠消除這些 CPU 密集型代理循環的 PCIe 瓶頸，降低延遲，並在一個緊密耦合的晶粒上處理完整的「呼叫工具 → 環境步驟 → 更新策略」週期。這是對未來 AI 系統將是混合型系統級封裝設計此一洞見的硬體實踐——根據工作負載階段混合不同的運算類型。

更廣泛的影響

結論

Google 據傳將 CPU 核心放入其 TPU v10 中，並非一個微小的調整，而是承認 2028 年的 AI 加速器將與 2024 年的產品截然不同。代理式 AI 與強化學習正改寫運算架構的規則，而一個每秒需要處理上千次工具呼叫循環的晶片，其設計方式必然與執行單一大型矩陣乘法的晶片截然不同。

如果 SemiAnalysis 的市場傳言屬實，那麼 Google 與 AMD 此刻正在打造那款晶片。