在全球AI算力供给持续紧张、代理式AI驱动负载结构发生变化的背景下，甲骨文近期同时推进两条截然不同的算力合作路线。据台媒报道，甲骨文官宣与谷歌达成TPU合作，将谷歌自研加速器引入其云端基础设施（OCI）平台；几乎在同一时间，甲骨文又宣布将持续深化和英伟达的合作。
报道称，甲骨文与谷歌的合作方案，将在2027年正式上线，这也是谷歌TPU首次走出自有云体系，落地到第三方超大规模云平台。在合作模式上，甲骨文输出数据中心载体，承担TPU大规模运行所必需的供电、冷却与底层网络建设，谷歌则提供面向AI负载定制开发的加速器产品，后续OCI客户可以根据模型训练、后训练或者推理的差异化诉求，在不同算力架构之间做出选择。
据悉，谷歌第八代TPU做了架构拆分，面向训练场景的TPU 8t和面向推理场景的TPU 8i各司其职，TPU 8t的单Pod算力相比上代实现接近三倍提升，能够压缩前沿大模型的开发周期；而TPU 8i瞄准正在快速兴起的智能代理负载，适配大量Agent反复迭代的推理任务，这也是吸引外部云平台与模型方关注的重要特质。
市场消息也传出，OpenAI也有意采购谷歌TPU的消息，相关团队也在招聘工程师推进模型在TPU平台上的适配优化，尽管这一采购计划还没有得到官方确认，但这条消息本身，也印证了头部模型企业正在持续评估多元算力路线，尝试降低对单一硬件体系的依赖，相信这也是甲骨文引入TPU的主要原因之一吧。
在释放引入谷歌TPU消息的同时，甲骨文同时也宣布加强与英伟达的合作，计划将甲骨文OCI的Vera Rubin NVL72系统部署规模扩展至数GW，同时宣布Vera Rubin NVL72与Vera CPU已正式在OCI上提供服务，进一步满足大型AI模型及代理式AI的运算需求。
代理式AI的兴起，是推动这一轮架构升级的核心推手，当AI的功能从内容生成转向自主调度工具、运行代码、检索数据等复杂任务，整个系统不再只由GPU承担计算，大量流程调度与任务预处理变成CPU密集型工作，如果CPU侧的吞吐跟不上，昂贵的GPU资源就会陷入等待闲置。Vera CPU的加入，让OCI实现GPU与CPU资源的独立弹性扩缩，补齐Agent负载里的算力短板，提升整套集群的资源利用效率。
报道称，OCI Supercluster依托NVL72机柜、Spectrum-X以太网以及甲骨文自研Acceleron网络架构，搭配GW级别的供电与冷却基础设施，能够支撑超大规模模型训练，单台NVL72机柜内部依靠NVLink互联72颗GPU，再借助OCI多平面网络横向扩展到数十万颗GPU的规模。除了面向超大规模训练的NVL72，甲骨文还会引入体量更小的HGX Rubin NVL8方案，这套8卡GPU配置保留了和现有x86应用的兼容性，面向微调、中小规模推理场景提供更加灵活的部署选项。
甲骨文同时押注两条算力路线，并不是简单扩展硬件选择，更多是基于算力市场现状和客户需求做出的安排。英伟达生态经过长期发展，拥有成熟的软件栈、庞大的模型适配基础和经过大规模验证的集群方案，稳定、高密度的NVL集群是支撑前沿模型迭代的刚需，短时间内很难被完全替代，持续扩容能够守住核心大客户的稳定供给。
而引入谷歌TPU，则是面向中长期的对冲布局，一方面可以丰富OCI的算力产品矩阵，给客户提供异构选择，不同模型、不同负载在TPU架构下可能获得独特的吞吐量与成本优势；另一方面，在高端AI芯片供给持续紧张的大环境下，引入第二套成熟自研加速器体系，能够分散供应链集中带来的风险，避免算力供给被单一厂商的产能节奏所约束。
硬件本身的适配门槛，也决定两条路线会长期共存。英伟达CUDA生态积累深厚，大量存量模型、工具链和工程团队都建立在这套体系之上，迁移成本很高；谷歌TPU在架构上为训练和Agent推理做了专门优化，但想要承接广泛的客户需求，仍然需要持续完善软件生态、扩大模型适配范围，这也意味着谷歌TPU落地OCI之后，会先作为差异化补充，而不是直接取代现有GPU集群。
目前，越来越多的头部云厂商与模型企业正走出过去单一算力架构的路径依赖，算力竞争不再只是比拼单一芯片的峰值性能，而是转向多架构共存、软硬件协同调度的综合能力。据美媒近期报道，Anthropic公布的上市申请文件（S-1 表格）显示，其将多家战略合作伙伴提供的算力整合成统一的资源池，再通过软件把计算任务分配到最能发挥效益的芯片上。Anthropic使用的芯片分为四大类，包括亚马逊Trainium、谷歌TPU、英伟达GPU和AMD GPU。分析师认为，这种能力可能帮助大型AI企业逐步减少对英伟达的依赖，在价格谈判中获得更多主动权。
甲骨文的双线布局，也是这个趋势的典型案例，一边依靠成熟GPU生态承接当下最紧迫的大模型与Agent算力需求，一边提前引入新的加速器产品，为后续的供应链安全、客户差异化需求预留空间，两条路线各自承载不同的价值，共同支撑甲骨文OCI面向AI时代的算力底座建设。
