Google | 发布第七代TPU，性能是最强超算的24倍+，提出A2A，构建Agent协作生态

AI 算力又迎来了新的标杆。昨天，谷歌正式发布了旗下第七代张量处理单元（TPU）Ironwood。谷歌称，在大规模部署的情况下，这款 AI 加速器的计算能力能达到全球最快超级计算机的 24 倍以上。

这款在 Google Cloud Next '25 大会上发布的新芯片代表着谷歌十年来 AI 芯片研发战略的重大转折：谷歌自研的前几代 TPU 主要面向 AI 的训练和推理工作负载，而 Ironwood 是第一款专为推理而设计的芯片。

谷歌副总裁兼机器学习、系统和云 AI 总经理 Amin Vahdat 表示：「Ironwood 旨在支持生成式 AI 的下一阶段及其巨大的计算和通信需求。这就是我们所说的『推理时代』，AI 代理将主动检索和生成数据，以协作方式提供洞察和答案，而不仅仅是数据。」

突破壁垒，最大 42.5 exaflops 算力

Ironwood 拥有超模的技术规格，当每个 pod 扩展至 9216 块芯片时，它可提供 42.5 exaflops 的 AI 算力，远超目前全球最快的超级计算机 El Capitan 的 1.7 exaflops。每块 Ironwood 芯片的峰值计算能力可达 4614 TFLOPs。

在单芯片规格上，Ironwood 显著提升了内存和带宽，每块芯片配备 192GB 高带宽内存（HBM），是去年发布的上一代 TPU Trillium 的六倍。每块芯片的内存带宽达到 7.2 terabits/s，是 Trillium 的 4.5 倍。

在数据中心规模扩大，供电逐渐成为瓶颈的时代，Ironwood 也大幅提升了计算效率，其每瓦性能是 Trillium 的两倍，和 2018 年推出的首款 TPU 相比高出近 30 倍。

对于推理的优化代表了 AI 发展历程中的一个重要转折点。最近几年，前沿的 AI 实验室一直专注在构建参数规模不断扩大的基础模型上。谷歌转向推理优化表明，我们正在进入一个以部署效率和推理能力为核心的新阶段。

毕竟对于 AI 参与的业务而言，模型训练的次数有限，但随着 AI 技术应用逐渐铺开，推理操作每天都会发生数十亿次。由于模型日趋复杂，这些业务的经济效益与推理成本紧密相关。

谷歌在过去八年里对于 AI 计算的需求同比增长了 10 倍，总需求量高达惊人的 1 亿。如果没有像 Ironwood 这样的专用架构，任何摩尔定律的进步都无法满足这一增长曲线。

尤其值得注意的是，谷歌在发布中提到了对执行复杂推理任务而非简单模式识别的「思维模型」的关注。这表明，谷歌认为 AI 的未来不仅在于更大的模型，还在于能够分解问题、进行多步骤推理并模拟类人思维过程的模型。

面向下一代大模型

谷歌将 Ironwood 定位为其最先进 AI 模型的基础设施，其优化的大模型自然包括自家的 Gemini 2.5，它「原生内置了思维能力」。

昨天，谷歌还发布了 Gemini 2.5 Flash，作为最新旗舰模型的缩小版本，它「可以根据提示的复杂性调整推理深度」，定位于对响应速度敏感的日常应用。

谷歌还展示了其全套多模态生成模型，包括文本转图像、文本转视频以及新发布的文本转音乐功能 Lyria。谷歌展示 demo 介绍了如何将这些工具结合使用，为一场音乐会制作完整的宣传视频。

Ironwood 只是谷歌更广泛的 AI 基础设施战略的一部分，谷歌还宣布推出 Cloud WAN，这是一项托管式广域网服务，使企业能够访问 Google 的全球规模私有网络基础设施。

Google 还在扩展其面向 AI 工作负载的软件产品，其中包括由 Google DeepMind 开发的机器学习运行时 Pathways，现在它允许客户在数百个 TPU 上扩展模型服务。

提出 A2A、支持 MCP，构建智能体协作生态

除了硬件之外，谷歌还概述了以多智能体系统为中心的 AI 愿景，发布了一个促进智能体发展的协议 ——Agent-to-Agent（A2A），旨在促进不同 AI 智能体之间的安全、标准化通信。

地址：https://google.github.io/A2A/#/

谷歌认为，2025 年将是 AI 方向转型之年，生成式 AI 的应用形式会从回答单一问题转向通过智能体系统来解决复杂问题。

A2A 协议允许跨平台、跨框架的智能体实现互操作，为它们提供了共同的「语言」和安全的通信渠道。这一协议可视为智能体的网络层，其目标是简化复杂工作流程中的智能体协作，使专业 AI 智能体能够协同完成各种复杂度和时长的任务，从而通过协作提升整体能力。

A2A 的工作原理

谷歌在博客中对 MCP 和 A2A 两种协议进行了比较。

MCP（模型上下文协议，Model Context Protocol）用于工具和资源管理

• 通过结构化的输入 / 输出将智能体连接到工具、API 接口和资源

• Google ADK 支持 MCP 工具，使得各类 MCP 服务器能够与智能体配合使用

A2A（智能体间协议，Agent2Agent Protocol）用于智能体之间的协作

• 在不共享内存、资源和工具的情况下，实现智能体之间的动态多模态通信

• 由社区驱动的开放标准

• 可使用 Google ADK、LangGraph、Crew.AI 等工具查看示例

总的来说，A2A 与 MCP 是互补的：MCP 可以为智能体提供工具支持，而 A2A 则让这些装备了工具的智能体能够相互对话和协作。

从谷歌公布的合作伙伴阵容来看，A2A 似乎有望获得类似 MCP 的关注度。该计划已吸引超过 50 家企业加入首批合作阵营，包括领先科技企业以及全球顶级咨询和系统集成服务商。

谷歌强调了该协议的开放性，将其作为智能体相互协作的标准方式，不受底层技术框架或服务供应商的限制。谷歌表示，在与合作伙伴设计协议时，坚持了以下五项关键原则：

\1. 拥抱智能体能力：A2A 专注于使智能体能够以其自然、非结构化的方式进行协作，即使它们不共享记忆、工具和上下文。我们正在实现真正的多智能体场景，而不将智能体限制为「工具」。

\2. 基于现有标准构建：该协议建立在现有流行标准之上，包括 HTTP、SSE、JSON-RPC，这意味着它更容易与企业日常使用的现有 IT 堆栈集成。

\3. 默认安全：A2A 设计为支持企业级身份验证和授权，在发布时与 OpenAPI 的身份验证方案相当。

\4. 支持长时间运行的任务：我们设计 A2A 具有灵活性，支持各种场景，从快速任务到可能需要数小时甚至数天（当人类参与其中时）的深入研究。在整个过程中，A2A 可以向用户提供实时反馈、通知和状态更新。

\5. 模态无关：智能体世界不仅限于文本，这就是为什么我们设计 A2A 支持各种模态，包括音频和视频流。

官方还给出了一个例子，通过 A2A 招聘流程得到显著简化。

，时长01:22

在 Agentspace 等统一界面中，招聘经理可指派智能体依据职位需求寻找匹配人选，该智能体会与专业领域智能体互动完成候选人寻源工作。用户还可指示智能体安排面试，并启用其他专项智能体协助背景调查，从而实现跨系统协作的全流程智能化招聘。

与此同时，谷歌也在拥抱 MCP。就在 OpenAI 宣布采用竞争对手 Anthropic 的模型上下文协议（Model Context Protocol，简称 MCP）几周后，Google 也紧随其后加入了这一行列。

刚刚，Google DeepMind 首席执行官 Demis Hassabis 在 X 平台上发文宣布，Google 将在其 Gemini 模型和 SDK 中添加对 MCP 的支持。不过他并未给出具体时间表。

Hassabis 表示：「MCP 是一个优秀的协议，正在迅速成为 AI 智能体时代的开放标准。期待与 MCP 团队和业界其他伙伴一起推进这项技术的发展。」

自 2024 年 11 月发布以来，MCP 迅速走红，引发广泛关注，成为连接语言模型与工具和数据的一种简单、标准化方式。

MCP 使 AI 模型能够从企业工具和软件等数据源获取数据以完成任务，并访问内容库和应用程序开发环境。该协议允许开发者在数据源与 AI 驱动的应用程序（如聊天机器人）之间建立双向连接。

开发者可以通过 MCP 服务器开放数据接口，并构建 MCP 客户端（如应用程序和工作流）来连接这些服务器。自从 Anthropic 开源 MCP 以来，多个公司已在其平台中集成了 MCP 支持。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型落地应用案例PPT👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）