跳至新闻
← 新闻
AI分析

谷歌Ironwood TPU以1.70分钟完成DeepSeek-V3训练

关注我们的 Telegram 频道

谷歌最新公布的训练成绩表明,速度靠规模换得,协同靠设计换得,而非某一颗芯片的单点突破。Ironwood只有在数千颗处理器几乎无需等待地协同训练时,才能达到其宣传时间;而在同一云平台上,一个规模小得多的NVIDIA系统运行同一模型则耗时远长。谷歌真正在赢的这场竞赛,是让一台庞大的机器保持忙碌。

官方文件
文件详情
发布机构Google
发布日期2026年11月16日
官方文本blog.google
关联官方页面2
对比的此前文件2
来源:Google.

谷歌于2026年11月16日发布的文档《New AI training performance benchmarks for Google TPUs》报告了MLPerf Training v6.1基准测试轮次中的10项结果。MLPerf是一项共享测试:每位参赛者都从官方参考检查点(即模型的起始版本)开始训练,直到达到设定的质量或准确率目标。结果之间的分布之所以重要,是因为谷歌推介的不只是它的芯片,而是它的云——这两种硬件都能在其上发挥性能的场所。

预训练速度来自数千颗芯片的协同工作

预训练是漫长的第一阶段,模型在此阶段从大量数据中学习,之后再进行后续调优。在结果列表中提及的模型DeepSeek-V3上,8192颗Ironwood TPU在1.70分钟内达到了基准测试的目标质量。谷歌还报告了扩展至4096颗芯片时达到96%的效率。这里的效率指的是:增加芯片所带来的预期收益在多大程度上能在实践中保留下来。增加处理器会带来协调成本,因为工作必须拆分、结果必须交换、部分结果必须合并。高数值意味着因这种协调而损失的新增算力较少。

谷歌将这一结果归功于其AI Hypercomputer架构,以及将芯片、网络和开放软件协同设计。这是谷歌自己的解释,而扩展性数据正是赋予其分量的部分。一个集群可以规模庞大却毫无用处——如果多出来的芯片把时间花在等待数据或等待彼此上。谷歌的说法比单纯的规模更有限,也更有力:机器规模扩大的同时仍保留了大部分预期性能。对于训练前沿模型的客户而言,超大任务的实际耗时是一个直接的商业事实,因为任务在完成之前一直占用着昂贵的算力。

智能体学习青睐能让芯片持续运转的系统

本轮测试还包括首个针对智能体强化学习的MLPerf基准测试。强化学习通过对其行动的反馈来训练系统。在智能体版本中,系统执行工作——在此场景下是生成代码——并在工作持续进行的同时从结果中学习。这既带来了计算问题,也带来了调度问题:生成与学习争夺注意力,如果两类活动节奏失调,昂贵的训练芯片就可能闲置。

文件原文摘录
原文,按发布内容引用。

Built on Google Cloud’s AI Hypercomputer architecture, these results reflect co-design across silicon, networking, and open software: Pre-training on Ironwood: 8,192 Ironwood TPUs reached the target model's benchmark target quality in 1.70 minutes, scaling up to 4,096 chips with 96% efficiency. Agentic RL on Ironwood: 640 Ironwood TPUs reached the target model’s coding benchmark target accuracy in 18.02 minutes (0.765 vs. the 0.69 goal), running code generation and learning simultaneously so training chips waited under 3% of the time.

来源:Google, 2026年11月16日. Google, New AI training performance benchmarks for Google TPUs

在该测试中,640颗Ironwood TPU在18.02分钟内达到了编程基准测试的目标准确率,得分为0.765,目标是0.69。结果列表将模型标识为Qwen3.5-397B。谷歌称该系统同时运行代码生成和学习,因此训练芯片的等待时间不到3%。这一低等待比例解释了为何该结果应与预训练时间并列,而非位居其后。预训练展示了一个协调良好的集群在已知工作负载上能跑多快。智能体学习则展示同类集群在运行过程中工作负载不断为自身产生新素材时,是否仍能保持生产力。

NVIDIA成绩让推介指向谷歌云,而非对单一芯片的忠诚

谷歌还公布了基于NVIDIA硬件的预训练结果。在Google Cloud A4X Max实例上,256颗NVIDIA GB300 GPU在31.96分钟内使DeepSeek-V3达到该模型在基准测试中的目标质量。该公司还补充了智能体强化学习基准上的五项A4X和A4X Max提交,涵盖GB200和GB300系统。读者不应将Ironwood和NVIDIA的耗时视为单颗设备之间的直接较量。芯片数量差异悬殊,实例不同,而且基准衡量的正是谷歌所提交的整套配置系统。

这样解读的话,NVIDIA的条目改变了Ironwood头条成绩的含义。谷歌并非主张客户必须选择自家芯片才能使用其云。它主张的是,它的云是承载多种大型训练系统的合格场所,每种情况下网络和软件均由谷歌提供。Ironwood仍是旗舰成绩,也是谷歌端到端构建能力的最清晰表述。Blackwell的成绩拓宽了商业主张:已经锁定NVIDIA硬件的买家,仍被邀请在谷歌云上运行任务。

新文档将话题从访问转向容量

谷歌在同一系列发布中较早的文档聚焦的是单个用户。2026年11月13日,谷歌告知美国Gemini应用用户,他们可以连接Google Wallet,以获得基于其消费习惯的回复,访问为只读,且用户可控制该连接。同日另一份文档将Google Cloud额度放入Google AI Studio,面向Google AI Pro和Ultra订阅用户,使开发者可以领取每月额度,无需离开工作区即可继续开发。这些举措拓宽了使用渠道,也加深了个人情境。

本文档面向另一类读者:按集群购买算力、训练模型的实验室或公司。它们的问题不是助手对某个人了解多少,而是大型训练任务多快完成、在协调消耗收益之前能扩展多远,以及不规则的智能体工作能否让硬件保持忙碌。这种对照正是让基准成绩超越分数的背景。谷歌在此前公告中让Gemini和AI Studio更易进入。现在它必须展示这些产品之下的工业基础,并将这一基础卖给可能根本不会使用消费级应用的客户。

基准时间是一项附带严格条件的承诺

所有报告的耗时均指从官方参考检查点到目标收敛标准的MLPerf训练时间,正如谷歌在文档中所述。这一定义使提交的运行结果在该轮规则下具有可比性,同时也限制了买家能了解到什么。公布的结果没有给出单次运行的价格、没有能耗数据,也没有说明新客户能获得多少Ironwood容量、何时获得。这些缺失之所以重要,是因为一个快速的基准系统在速度能够真正转化为成本节省之前,仍必须在生产规模上可用且可负担。

下一轮MLPerf将检验竞争对手能否缩小扩展性差距,以及随着该基准趋于成熟,谷歌能否重现智能体成绩。在此之前,有依据的结论是明确的。谷歌记录了一个训练平台,其优势在于大规模下的协同能力,涵盖预训练和一项新的智能体测试,并且它将这一主张同时建立在自家芯片和通过其云销售的NVIDIA系统之上。在规定测试范围内,速度是真实的。商业价值将由容量和成本决定,而本文档并未给出这些方面的价格。

来源: Google, Google, Google Cloud Google Cloud leaders share what to expect in cybersecurity for 2027., Google, Google Cloud Get certified as a Google Cloud Professional Agentic Architect. By Gary Eimerman, Google, Claim your Google Cloud Credits in Google AI Studio (13 November 2026), Google, Connect Google Wallet to Gemini for personal finance insights (13 November 2026) · 日期:

谷歌Ironwood TPU以1.70分钟完成DeepSeek-V3训练

继续阅读