十月二十七日，The Information援引知情人士称，OpenAI计划采购谷歌的张量处理单元。市场反应很快，Alphabet股价应声上涨。这条消息的分量不在金额，而在关系结构：一家几乎全部旗舰模型都压在英伟达GPU上的公司，第一次把订单分给了最直接的竞争对手。
同一条消息里还有一个细节被多数报道略过：OpenAI同步发布招聘启事，寻找一名工程师“主导”其最先进前沿模型在TPU上的优化工作。岗位描述提到，这名工程师将对整个优化工作拥有广泛的技术主导权，欢迎具备TPU训练或推理经验、能在TPU上优化真实工作负载的候选人。
这条启事的信息量大于采购本身。买卡是采购行为，可以被解释为备份或试水；投入核心工程力量做适配是战略行为，意味着供应链策略从“单一主供加备选”转向“多架构并行”。一个模型公司愿意把最前沿模型的优化权交给一个非主供架构，说明它已经做好了长期分流的准备。
也要看到它的早期属性。招聘意味着工作刚开始，短期内TPU不可能取代GPU在训练体系里的主体地位。但早期布局决定长期议价能力，多一条能跑通的芯片路线，就多一份与主供谈判的筹码。
把时间线拉出来，这次采购不是突然转向。二〇二五年六月，OpenAI首次通过谷歌云平台租用TPU算力集群，验证特定负载下的吞吐稳定性；同年七月，它公开确认正在对TPU做深度测试与适配评估，但尚未开启生产级规模化部署；到二〇二六年十月，才推进到物理采购。三个阶段走了十六个月。
这个节奏说明适配的难度。租用云上的TPU，用的是谷歌已经调好的软件栈，用户只需要把模型接进去；自己采购硬件，要自己处理编译器、内存布局、集群互联、故障恢复。前者是试用，后者是自建能力。
OpenAI的芯片组合也已经不是二元结构。它陆续把AMD的Instinct系列、Cerebras的晶圆级系统、AWS的Trainium纳入测试与混部架构。加上自研的Jalapeno，它的算力来源至少有五条线。这种布局的目的不是选出一个最优解，而是让任何一条线出问题时，整体不会停摆。
这条消息还有另一半。同一周，甲骨文宣布首次在云平台上向客户提供基于谷歌TPU的算力。把两件事放在一起看，TPU的身份变了：它过去是谷歌内部服务自家业务的加速器，后来开放给云客户租用，现在开始作为独立商品对外销售，连第三方云厂商都能转售。
谷歌对外销售的客户名单已经不只OpenAI。公开报道提到Anthropic、Apple、Citadel Securities等机构已在使用，谷歌还通过Fluidstack这类伙伴直接出售硬件。这条路径一旦打通，TPU的竞争对手就不只是英伟达的GPU，还包括其他云厂商的自研芯片。
对买方，多一个渠道意味着议价空间。过去买高端GPU要排队、要接受配给，现在可以用“我有别的选择”来谈条件。对卖方，挑战在于软件生态。CUDA用了十几年建立起的算子库、调试工具、开发者习惯，不是靠硬件参数能替代的。
英伟达与OpenAI的关系仍然极深。今年八月，英伟达同意为OpenAI在俄亥俄州规划的大型数据中心提供逾一千亿美元信贷支持，黄仁勋此前表示，OpenAI已承诺在二〇三〇年前花费约六千亿美元使用英伟达服务器，规模约十二吉瓦。
这组数字说明双方不是简单的买卖关系，而是通过资本、信贷、数据中心规划与长期采购承诺形成的深度绑定。也正因如此，OpenAI转向采购TPU才被解读为对冲，而不是决裂。承诺是承诺，客户仍在多元采购，这两件事可以同时成立。
份额表上的变化更能说明趋势。研究机构TrendForce的监测显示，英伟达在AI服务器处理器市场的份额预计从二〇二五年的百分之六十九点六下降到二〇二六年的百分之六十四。六个百分点的让渡，主要流向自研ASIC与第三方芯片。
需要提醒的是，份额下降不等于收入下降。整个市场的规模仍在快速扩张，份额下滑的公司营收可能继续增长。真正的信号是定价权：当最大客户手里有了第二供应源，芯片的定价与配给主动权就开始移动。
把模型从一种芯片迁到另一种芯片，工作量集中在一层看不见的软件上。首先是编译器，TPU走的是XLA体系，GPU走的是CUDA体系，同一个算子在两边的融合策略、内存分配方式完全不同。其次是内存带宽调度，HBM的容量与访问模式决定了能不能放下长上下文的KV缓存。第三是通信拓扑，TPU用ICI互联，通信算法要重新设计。
这三层每一层都会吃掉一部分性能。很多团队做完迁移后发现，同样的模型在新硬件上只能跑到理论值的六七成，这也是为什么“支持某款芯片”这句话需要限定条件：是能跑，还是能跑得好，还是能跑得比原来便宜。
从采购视角，这件事的启示是：算力成本要按“每有效词元”算，而不是按“每卡每小时”算。一颗便宜但利用率低的芯片，实际成本可能高于贵但跑得满的芯片。跨架构比较如果不把适配成本摊进去，结论很容易失真。
在采购TPU的同时，OpenAI的自研芯片也在推进。它与博通合作的项目代号Jalapeno，由原谷歌TPU团队核心成员Richard Ho领衔，从设计到定案约九个月，目标在二〇二六年内投入部署，主要用于优化推理效率而非训练。
两条腿的账要分开算。自研芯片是一次性投入换长期边际成本，前提是产量足够大、迭代足够快；外采TPU是即时的产能与议价筹码，前提是软件栈能适配。前者解决“十年后便不便宜”，后者解决“明年够不够用”。
接下来有三个观察点。第一，OpenAI会不会公布TPU上跑的是哪个模型，如果是推理而非训练，说明分流仍属谨慎。第二，甲骨文的TPU云服务与谷歌自有云是否形成价差。第三，Jalapeno的部署时间表是否兑现，如果推迟，外采的比例会更高。
对整个行业，更值得记住的是一个朴素事实：当算力需求增速超过任何单一供应商的产能弹性，多架构并行就从可选项变成必选项。