AI算力需求持续呈指数成长，Google (GOOG-US)正同步加快自研TPU开发与量产节奏。Google 技术长兼AI基础建设资深副总裁Amin Vahdat表示，Google过去每3年推出一代TPU，之后加快至一年一代，最近一年甚至推出两款TPU，未来更新频率仍可能进一步提高，甚至半年一代。面对晶片世代快速缩短，过去逐步拉升产能的传统量产模式已无法因应，希望供应链朝「Square Wave (方波效应)」迈进，也就是新晶片完成后便快速将产能推升至大规模量产。

Amin Vahdat指出，AI产业正从过去的资讯时代进入「智慧时代(Age of Intelligence)」，其影响甚至可能超越网际网路。他以工业革命为例，当蒸汽机效率从约1%提升至5%时，并未因为效率改善而降低煤炭需求，反而因为新应用大量出现，使能源需求快速增加；相同情况也将发生在AI，当单位智慧与算力成本下降，人类会找到更多用途，整体算力消耗只会进一步攀升。

他形容，工业革命是一场「Muscle Multiplier(肌肉倍增器)」革命，而AI则是「Mind Multiplier(大脑倍增器)」。AI并非单纯自动化既有工作，而是让过去无法完成的事情成为可能，未来有机会实现每位病人都有医生、每位学生都有老师，甚至一年完成过去十年的科学研究进展。

随着AI模型规模持续扩大，Google也更加倚赖专用运算架构。Amin Vahdat表示，通用CPU效能与能源效率的提升速度早已放缓，但AI所需要的算力却快速增加，因此硬体势必持续走向客制化。

Google多年前就开始打造TPU，最初针对语言翻译及语音辨识等工作负载，专用推论加速器相较CPU即可带来约100倍效率改善；历经多代发展后，TPU在效能、功耗与成本效率上，相较传统CPU运算已累积约100倍优势，甚至认为100倍只是下限。

在最新一代产品方面，Amin Vahdat指出，TPU-8的每瓦效能较前一代再提升2倍，而Google的TPU产品迭代也持续加速，从过去约3年推出一代，缩短至一年一代，最近一年则已推出两款产品。随着未来可能每6个月甚至更短时间就迎来新晶片，Google无法再接受过往新产品上市后花费数年逐步拉升产量的模式。

Amin Vahdat将Google未来希望达成的量产模式称为「Square Wave Deployment」。他解释，如果一颗新晶片效能比前代高出2倍，但无法迅速取得足够数量，那么其实际价值就无法发挥。因此Google需要在晶片完成验证后，以最短时间将产能推升至高档，尽快取得新世代晶片完整生命周期的运算价值。

这也意味Google与半导体供应链的合作模式将全面改变。Amin Vahdat指出，AI晶片与先进封装日益复杂，一个世代涉及的晶片数量及资本规模十分庞大，因此Google必须确保晶片首次回片时就能正常运作，同时尽快将最初4颗、10颗、100颗乃至1,000颗晶片交到开发者手中；到了正式量产阶段，软体、制造产线及测试能力也必须同步到位。他直言，随着架构持续改变，Google与供应链的合作方式也必须彻底改变。

除了晶片本身，网路通讯也成为AI基础建设另一个核心战场。Google目前大型训练TPU Superpod约由144个机柜组成，透过大量光纤连接至Optical Circuit Switch (OCS)。OCS可利用微型反射镜即时重新配置不同机柜之间的光路，不需OEO光电转换或封包处理，功耗仅以瓦数计算，若系统元件故障，也能在数秒内重新配置拓扑、绕过故障节点，相较传统可能耗费数小时的维修方式大幅缩短停机时间。

Google目前单一TPU训练系统已可让9,600颗TPU同步工作，再透过资料中心网路进一步扩展。Amin Vahdat透露，Google最新资料中心网路频宽可让接近10万颗TPU以non-blocking方式交换资料；若再透过Google全球广域网路与海底电缆连接不同资料中心，目前已能支援约100万颗TPU共同执行单一大型AI工作。

然而，随着算力持续扩张，Vahdat认为AI接下来最大的限制可能不是晶片，而是「电力」。Google过去主要追求效能及总持有成(TCO)，如今最重要的最佳化指标已逐步转向Performance per Watt，因为未来可能出现「有资本、却没有足够电力」的情况，系统设计也必须从晶片、机柜、丛集一路延伸至整个资料中心与区域电力配置。

他更进一步提出，Google最终真正追求的并非理论上的Performance per Watt，而是「Delivered Value per Watt」，也就是每一瓦电力最终实际能替使用者及服务创造多少价值。目前Google资料中心PUE约为1.09，意味冷却、供电等非IT设备额外能耗约9%，Vahdat表示，这是Google历经数十年持续最佳化的成果。

展望下一阶段AI发展，Vahdat认为Agentic Computing将再次推升算力需求。过去Chatbot的互动速度受到人类打字、阅读及回应速度限制，但Agentic AI则是程式与模型彼此高速呼叫，形成「Computer talking to computers」的运算模式，加上结果验证、安全机制等额外流程，未来compute demand只会持续加速。

硬体方面，Amin Vahdat预期，AI封装尺寸还会继续增加，产业需要同步突破资料传输、记忆体控制、散热及电力传输等瓶颈，将运算单元放得更靠近记忆体也会是重要发展方向，并直言未来需要的硬体专用化程度将比今天的TPU与GPU更高，光通讯整合也将进一步从资料中心、机柜与板端一路深入至封装层级。

Vahdat强调，AI已不再只是单一晶片或模型的竞赛，而是一套从电力、资料中心、硬体、软体、模型到最终服务的完整「Architecture of Intelligence」。随着AI算力需求以指数速度成长，未来竞争关键也将从「谁能设计出最快的晶片」，进一步扩大为谁能以最快速度完成设计、制造、封装、测试与大规模部署，并用最低的能源成本把整套系统运转起来。