互联网行业谷歌链专题：AI全栈式创新，TPU+OCS共塑下一代智算网络

首席通信分析师陈宁玉SAC：S0740517020004通信分析师孙悦文SAC：S0760525070002通信分析师杨雷SAC：S0740524060005 核心要点核心要点 ◼谷歌AI全栈优势构筑护城河，资本开支具备提升潜力。全面布局芯片（TPU）-网络(OCS)-模型(Gemini)-应用(云计算/搜索/广告等)，自研TPU芯片实现跨越式发展，Gemini模型能力全球领先，重视谷歌算力需求的高增长以及AI硬件创新带来的产业链投资机会。谷歌2025Capex上调至910-930亿，capex营收比与经营性现金流占比，相比其他CSP具备提升潜力，预计2026年将继续加大资本投入。Gemini月活跃用户已超6.5亿，每月处理Token总量一年内增长超过20倍。谷歌云营收及占比持续提高，AI拉动下需求强劲在手订单充足。 ◼为什么AI数据中心要使用OCS？光交换技术最早出现于电信市场，应用于以WSS为代表的传统电信网络中。数通领域特殊的光开关为OCS（光电路交换机），利用光信号直接传输数据，避免了信号的转换过程，减少了延迟和能量消耗，尤其是在跨区域扩展和大规模AI算力需求下表现出极大优势。传统光电架构动态性能、功耗、成本面临挑战，OCS是应对动态算力需求的关键解决方案——服务器解耦的核心动态互连技术。当Scale-Out规模呈指数级扩张，传统Clos架构在功耗散热，布线及相应资本开支方面都会面对明显挑战；而传统数据中心架构“CPU–内存–GPU–存储”紧耦合加重上述症结。根据Drut，服务器解耦的技术核心是通过OCS动态光子fabric，实现PCIe信号的长距离、低延迟传输，数据无需经过多跳交换机，效率显著提升。 ◼谷歌TPU出货预期上修，OCS光交换机前景广阔。早期谷歌数据中心使用Clos拓扑架构，在自研TPU集群Jupiter/Apollo架构中引入OCS替代脊交换机，根据SemiAnalysis，谷歌的OCS定制化网络使其整个网络的吞吐量提升了30%，功耗降低了40%，数据流完成时间缩短了10%，网络宕机时间减少50倍，且资本开支减少30%。目前谷歌TPU V7 Ironwood即将全面上市，开始配置1.6T光模块，OCS主要采用MEMS和液晶方案，其核心部件MEMS阵列、光纤阵列、发射/接收模组及其光学器件、钒酸钇晶体、光模块、环形器、光源等供应商均有望受益。OCS主要包括MEMS、液晶、压电、硅光波导四种方案，其中MEMS和液晶方案应用进展较快，其他方案也在技术优化。英伟达等也在探索OCS应用，考虑到OCS的性能优势，随着技术方案的成熟，未来在数据中心应用前景广阔。 ◼投资建议：重视谷歌AI算力产业链和OCS技术创新带来的投资机会。重点关注中际旭创（谷歌光模块主供应商，海外子公司TeraHop推出硅光子OCS交换机），长芯博创（谷歌链光器件供应商），腾景科技（OCS主要产品种类较多，且在多种方案都有应用），德科立（iPronics联合研发制造光波导方案OCS），光库科技（收购武汉捷普，具有OCS业务），炬光科技（提供NXN大透镜、精密设计V型槽阵列等产品），赛微电子（MEMS-OCS境内外产线分别服务于境内外知名客户，具有多年经验），凌云光（压电陶瓷方案国内稀有厂商）、光迅科技（OFC2024创新推出MEMS系列最新产品OCS）等。 ◼风险提示：AI进展不及预期、全球数据中心资本开支不及预期、下游需求不及预期、OCS产业技术进展不及预期、国内外宏观经济下行风险、研报更新不及时风险。3 谷歌AI全栈优势，增强Capex持续性 谷歌谷歌AIAI全全栈栈优优势势构构筑筑护护城城河河 ◼谷歌AI围绕芯片（TPU）-网络(OCS)-模型(Gemini)-应用(云计算/搜索/广告等)全栈优势构筑护城河。从2011年谷歌成立谷歌大脑（Google Brain）实验室开始涉足AI开始，一系列具有影响力的AI研究相继问世，包括2017年发布Transformer架构到2023年推出多模态大模型Gemini，目前已形成从芯片到集群架构到大模型再到应用端的布局，谷歌将AI逐步整合到多元业务流程中，这些业务为谷歌获取了海量数据，用于训练完善AI。同时通过收购AI初创公司拓展市场边界。2025Q3季度营收突破千亿美金，全栈式人工智能解决方案发展势头强劲，有3亿付费订阅用户，主要来自Google One和YouTube Premium。Gemini应用的月活跃用户已超过6.5亿，现在每月处理的Token总量超过1.3千万亿枚（7月处理的Token总量为980万亿枚），一年内增长超过20倍。 谷谷歌歌资资本本开开支支新新高高，，CCapapeexx营营收收比比具具备备提提升升潜潜力力 ◼CSP厂商Capex营收占比历史高位，谷歌具备进一步提升潜力。谷歌25Q3资本开支239.57亿元，同比+83.42%，2025年以来谷歌Capex及同比均重回增长，Capex绝对值为2020年来最高值，同比自24Q4以来营收及同比均创下新高。公司法说会FY25 Capex上调至910-930亿美金，前值为850亿美元。预计2026年谷歌仍将继续加大资本投入，算力发展确定性高。 ◼2024年谷歌Capex占营收比15%，其他CSP厂商Meta、微软、甲骨文Capex营收比均超20%；与之呼应的是，2024年谷歌Capex相对谨慎，季度同比呈现下行趋势；2025年谷歌Capex资本开支分季度同比斜率重新回正，一方面印证谷歌资本开支营收比仍有空间，另一方面考虑到本轮谷歌Capex加速始于2023年起公司推进AI，公司AI飞轮效应显现，Capex投入力度或将继续加大。 来源：wind，中泰证券研究所 云云业业务务营营收收及及占占比比持持续续提提高高，，CCapapeexx现现金金流流相相对对较较低低 ◼2025Q3谷歌云收入增长34%至152亿美元，净利润增长33%，主要得益于谷歌云平台(GCP)核心产品、AI基础设施和生成式AI解决方案的增长,季度末积压订单达1550亿美元。2020年以来云业务营收及营收比稳步提升，25Q3云业务营收占比约为15%，AI对云业务拉动明显，今年前三个季度签署的超过10亿美元的交易数量，超过了过去两年的总和。2024年谷歌Capex经营性现金流占比41.93%，低于微软（44.24%）及甲骨文（59.40%），略高于Meta(40.79%），表明2024年谷歌现金流空间相对安全，2025年后可进行更大Capex投入。◼自研第七代TPU Ironwood即将全面上市，正在加大TPU产能投入，以满足客户巨大需求，Anthropic最近宣布计划采购多达100万个TPU。 来源：wind，中泰证券研究所 谷歌TPU跨越式发展，带动产业链需求 ◼2015年谷歌发布第一代TPU起，每一代TPU系统均在性能、可扩展性与系统效率上不断提升，Google逐步将光互连技术融入TPU系统，2025年发布的TPU v7实现了能构建9216颗大规模集群的跨越。•2018年TPU v2：每个superpod包含256颗TPU芯片，采用2D环面（2D Torus）拓扑，单芯片芯片间互连（ICI）带宽为800GB/s，尚未引入 光模块；•2020年TPU v3：超级集群芯片数提升至1024颗，仍保持2D环面拓扑，单芯片ICI带宽维持800GB/s，首次引入光互连技术，采用400Gbps有源光缆（AOC），光通道波特率为50G；•2022年TPU v4：芯片数跃升至4096颗，拓扑升级为3D环面（3D Torus），单芯片ICI带宽调整为600GB/s，光模块升级为400G OSFP，同时引入OCS，光通道波特率仍为50G；•2023年TPU v5p：集群芯片数增至8960颗，延续3D Torus拓扑，单芯片ICI带宽翻倍至1200GB/s，光模块更新为800G OSFP，光通道波特率提升至100G，OCS技术继续沿用；•2025年TPU v7（Ironwood）：集群芯片数达到9216颗，保持3D Torus与1200GB/s的单芯片ICI带宽，采用800G OSFP光模块，光通道波特率提升至200G。 TPUTPU架架构构迭迭代代::从从v1v1到到v3v3 ◼架构上来看，TPU v4前为2D环面拓扑结构： •TPU v1为服务器端推理芯片。TPU v1由CPU通过PCIe 3.0总线驱动CISC指令，采用28nm工艺制造，具有28MiB的芯片内存和4MiB 32位累加器，用于存储256x256系统阵列的8位乘法器的结果，核心是一个巨大的256x256矩阵乘法器（MXU），里面塞了65536个8位计算单元。TPU v1主要针对2015年左右最火的神经网络进行优化，包括MLP多层感知机、CNN卷积神经网络、RNN递归神经网络& LSTM长短期记忆。 •TPU v2定位服务端AI推理和训练芯片。对比v1，TPU v2改变主要有1）采用单个向量存储器，而不是固定功能单元之间的缓冲区；2）通用向量单元，而不是固定功能激活管道；3）连接矩阵单元作为向量单元的卸载；4）将DRAM连接到内存系统而不是直接连接到矩阵单元；4）转向HBM以获得带宽；5）添加互连以实现高带宽扩展。此外，谷歌将四个TPU v2排列成了性能为180 TFLOPS的四芯片模块，并将64个模块组成一个一共有256片TPU v2集成的TPU v2 Pod，理论峰值计算量达到了11.5 PFLOPS。 •TPU v3是对TPU2的温和重新设计，采用相同的技术，MXU和HBM容量增加了两倍，时钟速率、内存带宽和ICI带宽增加了1.3倍，同时Pod规模翻了四倍到1024个芯片；此外TPU v3引入液冷以降低功耗。 TPUTPU架架构构迭迭代代:v7:v7性性能能大大幅幅提提升升 ◼TPUv4后采用3D Torus架构。 •TPU v4为谷歌2021年发布，定位服务器推理和训练芯片，芯片数量是TPUv3的四倍，采用异构架构结构内含SparseCore专用单元。•TPU v7 Ironwood每颗芯片提供4614 teraflops的FP8性能，计算能力比TPU v5p提升超过十倍，峰值带宽达7.4 TB/s，容量为192GiB。芯片架构包括多个协调工作的专用组件，TensorCore提供高性能向量和矩阵计算，第四代SparseCore处理嵌入和集合卸载操作，芯片具备1.2 TB/s的输入/输出能力，支持扩展到9216颗芯片。 OCSOCS交交换换机机提提升升TTPUPU集集群群效效率率 ◼架构上，谷歌借助OCS组网提高了集群整体效率。具体来看，虽然谷歌TPU与英伟达单卡性能仍有差距，但在系统级维度，OCS带来的网络重构与规模效应，部分抵消了单卡差距，到v5p/v6e阶段，谷歌可借助超大Pod（v5p单Pod 8960芯片）+ OCS重构继续放大总吞吐与集群效率。 ◼TPU与NVIDIA GPU的差距以TPU v4为分界点可以分成“引入OCS之前/引入OCS之后”两个阶段。早期TPU（TPU v2/v3时代）更像是“以单卡性能为基础、靠固定电互联做平面扩展”的路线，v3的典型集群规模约为1024芯片/Pod，互联以电连接为主，单卡算力与显存/带宽层面整体落后于在当时的NVIDIA旗舰，系统可重构性也有限；TPU v4的单Pod规模直接拉升至4096芯片，并能在3D Torus等拓扑间按需重构，根据谷歌论文，对比A100，相近规模的系统上TPU v4集群性能高1.2×–1.7×、功耗低1.3×–1.9；目前，Gemini 2.5 Pro借助TPU v5p进行训练，同时v6e已经发布，相比而言，虽然单卡维度上NVIDIA仍有优势，但系统维度上谷歌借助超大规模集群利用OCS将效率大大提升。 OCSOCS交交换换机机提提升升TTPUPU集集群群效效率率 ◼TPU v4、v5p及v7均采用“4×4×4立方体构建块”（Cube）作为核心架构单元：立方体内的T