SECTIONS
EDITIONS
NETWORK
萬安百科 › 机型词条 › Google Cloud TPU（v7 Ironwood）
示意配图（AI 生成·非官方产品图）· 萬安百科
Google Cloud TPU（v7 Ironwood）
v7 Ironwood · 4614 TFLOPS FP8 · 192GB HBM3e · 9216 芯 Pod · 云端算力词条
概述OVERVIEW
Google TPU（Tensor Processing Unit） 是 Google 自研的 AI 加速器线，云端专供形态。现役旗舰 v7 "Ironwood"（文档代号 TPU7x）：2025 年 4 月 9 日发布——官方口径"首款为推理时代设计的 TPU"： 单芯片 4614 TFLOPS FP8（2307 TFLOPS BF16）、192GB HBM3e · 带宽约 7.4TB/s；经 ICI 互联组成 9216 芯 Pod——42.5 Exaflops FP8、池化 HBM 1.77PB（较上代 Pod 算力 24 倍以上，官方口径）。 Gemini 系列模型的主力训练/推理底座之一。
沿革HISTORY
- 2016-2021：TPU v1-v4 世代——从推理 ASIC 走到训练/推理双能+Pod 化（官方时间线口径）。
- 2023：v5p（95GB HBM·大 Pod 训练档）与 v5e（推理性价比档）分线。
- 2025-04-09：v7 Ironwood 发布（官方博客口径）——"age of inference"定位。
- 现役：Ironwood GA 供给中（Google Cloud 文档在列，2026-11 核验）——Gemini/第三方大客户训练推理双跑。
代际对比GENERATIONS
| 维度 | TPU v5e（推理性价比档） | TPU v5p（训练大 Pod 档） | TPU v7 Ironwood（本词条·官方口径） |
|---|---|---|---|
| 发布 | 2023 | 2023 | 2025-04-09 |
| FP8 算力 | 官方页为准 | 官方页为准 | 4614 TFLOPS/芯（BF16 2307） |
| 内存 | 16GB | 95GB HBM | 192GB HBM3e · 7.4TB/s |
| Pod 规模 | 256 芯 | 8960 芯 | 9216 芯 · 42.5 EF FP8 · 1.77PB HBM |
| 定位 | 推理性价比 | 大模型训练 | 推理时代旗舰（训推双能） |
口径：Ironwood 列=Google Cloud 文档/官方博客（2026-11 核验）；v5e/v5p 列=Google Cloud 各代官方页口径（数字以文档为准）。TPU 世代命名与 GPU 代际不可直比。
技术规格SPECS
| 项目 | 规格（Google Cloud 官方口径） |
|---|---|
| 芯片 | TPU v7 Ironwood（文档代号 TPU7x） |
| 算力 | 4614 TFLOPS FP8（峰值·稠密）· 2307 TFLOPS BF16 |
| 内存 | 192GB HBM3e · 带宽约 7.4TB/s |
| Pod | 9216 芯 · 42.5 Exaflops FP8 · 1.77PB 直接可访问 HBM（官方口径） |
| 互联 | ICI 芯间互联 · 4× OSFP 光口 + 1× CDFP PCIe（接宿主 CPU） |
| 供给形态 | Google Cloud 专属（按需/预留/超节点租用·无零售卡形态） |
| 软件栈 | JAX / PyTorch(XLA) / TensorFlow · Vertex AI 托管（官方口径） |
模型适配MODEL FIT
| 场景 | 适配口径 |
|---|---|
| 大模型推理 | "推理时代"定位（官方口径）——192GB/7.4TB/s 单芯承载大模型服务+Pod 级横向扩展 |
| 大模型训练 | 9216 芯 Pod=42.5 EF FP8（官方）——万亿参数级训练的可选底座之一 |
| 栈锁定提醒 | XLA/JAX 生态为主——PyTorch 走 XLA 后端；CUDA 资产迁移成本高（生态对照见 CUDA） |
云端算力租用——去模型广场按需调用
萬安云 · 模型广场 →局限与边界LIMITS
- 云专属无硬件流通：无卡/整机零售形态——算力交易市场不涉 TPU 硬件（供给形态边界）。
- 栈迁移成本：XLA 生态与 CUDA/国产栈互不相通——存量模型迁移评估先于选型。
- 供给绑定：单一云厂商供给——多云容灾/议价空间按云策略统筹（非硬件规格问题）。
常见问题FAQ
TPU 和 GPU 算力怎么比？
架构路线不同：TPU 是 Google 自研的 ASIC 矩阵加速器（仅 Google Cloud 供给），靠 ICI 互联把上千颗组成「Pod 单机」；对比 NVIDIA GPU 线以同精度峰值与集群规模为准（Ironwood 9216 芯=42.5 EF FP8，官方口径）——跨体系软件栈不可直迁。
Ironwood 强在哪？
官方口径三件：①首款为「推理时代」设计的 TPU——单芯片 4614 TFLOPS FP8/2307 BF16 ②192GB HBM3e·7.4TB/s（较 v5p 的 95GB 翻倍）③Pod 规模 9216 芯=42.5 EF FP8·1.77PB 池化 HBM——推理吞吐与集群规模双顶格。
TPU 能自己买卡部署吗？
不能——TPU 是云端供给形态（Google Cloud 按需/预留），无零售卡与整机流通；自建算力场景看 GPU/国产卡线，TPU 适合云上训练与推理租用（本库不收录价格，以云厂商页为准）。