谷歌AI模型与自研芯片进展 - 谷歌AI模型表现亮眼，加速对自研芯片及集群方案的演进，有望带来更多液冷增量需求 [1][2] - 谷歌正在推动TPU与PyTorch的完全兼容，有望大幅降低企业迁移成本，加速开拓市场 [2] - 谷歌发布TPUv7 Ironwood，单芯片算力达到4614 TeraFlops，内存容量为192GB，带宽高达7.2 Tbps，单集群可扩展至9216个芯片，并采用液冷解决方案 [2] - 谷歌发布Gemini 3系列模型，包含Pro预览版和Deep Think模式，整合了推理、多模态理解和智能体能力，在多个测试基准中表现亮眼，有望加速TPU集群部署 [2] TPU/ASIC市场需求与客户合作 - TPU需求旺盛，除谷歌自用于Gemini等模型训练外，Anthropic、Meta等企业计划租用TPU [2][3] - Anthropic与谷歌达成合作，将部署多达100万个谷歌的TPU芯片以训练AI大模型Claude，此次扩展计划价值数百亿美元，预计算力容量将于2026年达到1GW级别 [3] - Meta正与谷歌商讨，计划最早在2026年从谷歌云租用芯片，并在2027年开始在自有数据中心使用谷歌TPU芯片，此次投资或价值数十亿美元 [3] AI对基础设施的拉动效应 - AI大模型训练迭代与推理应用落地加速，并行策略对集群内部网络要求提升，带动光纤光缆用量提升，外部数据中心互联及城域光缆需求增长，或将带动光纤光缆价格复苏 [1][4] - 公司看好“光、液冷、国产算力”三条核心主线，并重视卫星、端侧AI [5]