过去大半年,Google在AI模型发布上给人的印象是「挤牙膏」:Gemini 3.5 Pro一再跳票,主力模型缺乏SOTA竞争力,开发者手里能用的只有Flash系列。但把时间线摊开看,这不是节奏问题,而是三件事同时撞到了一起。
第一件是模型路线重切。团队主动押注小模型,集中开发Flash系列以提升Agent和编码能力,为的是快速迭代强化学习和后训练循环。等这套方法跑通时,Gemini 4 Argon已经完成预训练,3.5 Pro的发布窗口就此被取消。
第二件是外部算力抢单叠加内部供应链问题。Google把大量TPU出货量通过长约卖给了Anthropic等外部客户,同时自身TPU芯片(如EMIB-T基板)良率较低,下一代TPU v9推迟。结果是即便Google也无法获得足够的计算资源。
第三件是TPU训推拆家。从TPU v7升级到TPU v8时,架构彻底拆分为训练专用的TPU 8t和推理/RL专用的TPU 8i。新架构初期切换,训练和推理两侧都面临挑战,直到后续型号TPU 8tx、8i Max补齐才真正跑顺。
所以近期第八代TPU以及Gemini 4 Argon、Carbon、Hydrogen等一系列模型的发布,并非「突然开窍」,而是底层硬件和架构熬过阵痛期后,终于匹配了上层模型的野心。
这套拆法也指向一个趋势:以前我们指望「一个全能SOTA旗舰救全场」,但现实是Google自己都把硬件(8t训、8i推)和模型(Carbon主脑、Hydrogen工兵)拆开了。多模型编排(Orchestrator)正在成为新的组织方式。
热门跟贴