选了谷歌，落后一年！美国 AI 领袖「砸场」谷歌：省点钱却输了时间！英伟达笑醒？
一句话看懂：文生图明星公司 Midjourney 的 CEO 公开承认，因早期选择谷歌 TPU 而非英伟达 GPU 进行模型训练，公司研究进度“落后了一整年”。这起“砸场”发生在谷歌年度开发者大会期间，直接点出 AI 算力竞争的核心已从硬件性能转向软件生态。
事件核心：发生了什么
在谷歌 I/O 大会期间，Midjourney 创始人兼 CEO 大卫·霍茨（David Holz）在社交平台 X 上表示，若重返起点，他会完全采用英伟达芯片，而不是谷歌 TPU。他称，由于 TPU 的软件生态（特别是对 PyTorch 框架的弱势支持）导致团队在自定义算子实验、快速原型迭代上效率低下，研究进展比可能达到的水平“落后了一年”。
这一评价来自与谷歌深度合作的 AI 公司：Midjourney 自 2023 年就将谷歌作为核心基础设施供应商，利用 TPU 训练其第四、五代文生图模型，同时租用谷歌云上的英伟达 GPU 处理用户推理。霍茨此番表态相当于承认了在“训练”这一关键环节上的战略失误。
不过，他同时指出，在推理阶段，TPU 的性价比优势是真实的。2025 年第二季度，Midjourney 将主力推理集群迁移至谷歌 Cloud TPU v6e，月度推理支出从约 210 万美元降至 70 万美元，年化节省超 1680 万美元。
为什么重要
霍茨的吐槽触及了当前 AI 基础设施竞争最核心的矛盾：硬件之外，软件生态的护城河才是决定胜负的战场。英伟达的 CUDA 平台已积累近二十年，全球 AI 研究员从学校开始在 CUDA 上写代码，PyTorch 深度绑定 CUDA。而 TPU 要求使用 JAX 或 TensorFlow 框架，对 PyTorch 支持长期残缺，调试环境不成熟，社区资源匮乏。这一差异让使用 TPU 的团队承担了隐性成本：与主流社区隔离，在相对小众的技术栈里独自探索。
这一事件也印证了英伟达的真正护城河不在于 H100 芯片峰值算力，而在于数以万计的开源代码库、行业研究者的工作习惯以及整个学术界默认 GPU 作为实验平台的惯性。在 2026 年，PyTorch 在研究论文中的占有率仍高达 85%。
谷歌并非无动于衷。在今年的谷歌云 Next 大会上，该公司发布了第八代 TPU，首次采用双芯片策略——TPU 8t 专门面向训练，TPU 8i 专攻推理。这一设计本身即是对“一颗芯片无法同时优化两端”的承认，也是对英伟达“一块 GPU 通吃”路线的正面回应。同时，谷歌推出了 TorchTPU 预览版，旨在让 PyTorch 原生运行在 TPU 上，降低研究者的迁移成本。
对用户/开发者/创作者的影响
对于 AI 开发者和研究机构而言，这一事件提供了一个真实的成本-效率权衡案例。如果在研究阶段追求快速迭代、自定义算子实验，英伟达 GPU 搭配 PyTorch 仍是当前最优选择。但若项目进入大规模推理阶段，TPU 在规模化推理上的性价比优势（Midjourney 案例中月费节省近三分之二）值得认真评估。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于使用文生图、视频生成等 AI 应用的内容创作者，这一事件短期内不会直接影响产品体验。但长远看，如果 TorchTPU 正式落地并完善，未来更多模型可能同时适配 GPU 和 TPU，从而降低训练成本，可能间接影响创作者使用相关工具的价格或功能更新速度。
值得关注的后续
1. TorchTPU 的成熟度：目前 TorchTPU 仍是预览版，其是否能在 2027 年量产时真正实现“完整 Pod 规模线性扩展”，以及能否支持快速原型迭代的研究工作流，是决定谷歌能否打破英伟达生态垄断的关键变量。
2. 英伟达的反制：在双芯片策略和台积电 2 纳米工艺面前，英伟达 Vera Rubin NVL72 的对应版本能否在性能和生态上继续保持领先，值得跟踪。
3. 更多独立 AI 公司的选择：Midjourney 的公开复盘可能影响其他中小公司的算力采购决策，尤其是那些既想省推理成本又需要保持研究灵活性的团队。目前公开信息显示，尚未有其他知名 AI 公司宣布类似迁移或转向。
来源：Readhub · AI
