核心观点 - Meta Platforms的数字广告收入预计将在2026年首次超越Alphabet子公司Google的广告销售额，标志着行业权力平衡的重大转变 [1] - Meta通过AI推荐引擎的持续优化，正在捕获更高份额的营销预算，其增长趋势预计将持续并扩大领先优势 [2][8] 广告收入超越趋势 - Meta在2025年广告销售同比增长22.1%，而Google搜索增长17%，YouTube广告增长9% [3] - 2026年上半年（H1 2026），Meta广告销售额达1141亿美元，同比增长30%；同期Google搜索收入为1237亿美元，仅增长约18%，YouTube广告贡献210亿美元，增长12% [3][4] - EMARKETER预测2026年Meta广告增长率（24.1%）将是Google总广告增长率（11.9%）的两倍多，Meta全年广告收入预计达2434.6亿美元，略高于Google的2395.4亿美元 [5] - EMARKETER预测到2028年，Meta广告收入将增至3160亿美元，比Google的2980亿美元高出约180亿美元 [8] - 华尔街分析师预计Meta在2028年总收入将超过3600亿美元，比EMARKETER预测高出440亿美元，部分源于非广告AI业务收入 [9] AI驱动的广告引擎优势 - Meta的AI工具（包括Advantage+、AI生成广告创意和自动化堆栈）提升了Facebook和Instagram的广告表现，Reels是主要受益者 [6] - 2025年第四季度Reels观看时长同比增长30%，Instagram总使用时长同比增长两位数，Facebook视频使用时长同比增长9% [6] - Meta采用“算法发现”模式，通过预测并向用户展示其未知需求的产品来创造新需求，与Google的“拉动”搜索模式形成对比 [7] - 这种模式对寻求增长的企业（尤其是小企业）极具价值，帮助它们接触潜在客户 [7] 成本与财务影响 - Meta的强劲广告增长部分源于数十亿美元的AI基础设施投入，这导致上一季度自由现金流下降91%至7.84亿美元 [10] - Meta市盈率为23.23倍，股价616.77美元，52周区间为520.26美元至790.80美元，目标价785.22美元 [1]

核心观点 - AI数据中心租赁市场供需格局逆转，运营商议价权上升，合同条款向供给侧倾斜[1] - 微软等云厂商因急于部署英伟达服务器，在谈判中让步，SLA条款宽松、付款要求强硬[6] - 英伟达和AMD入场竞标为客户提供信用担保，进一步强化运营商筹码[10] - 电力成本波动剧烈，数据中心建设成本翻倍，行业面临成本预测困难[16][17] - 英伟达CEO提出算力碎片化趋势，AI推理走向去中心化分布式网络[19][20] 数据中心运营商议价权上升 - 过去微软、谷歌等云厂商凭借资本和信用评级主导谈判[1] - 当前CoreWeave等运营商议价筹码上升，合同天平向供给侧倾斜[1] - 付款条款收紧，某客户仅租用数据中心一小部分，违约需承担整栋设施全部租金[7] - 数据中心业主承认条款强硬，表示“我们知道这很离谱……但我们就是能做到”[8] 服务水平协议（SLA）条款软化 - 此前云厂商要求每个机架运行时间接近100%，对温湿度标准极为严格[4] - 极端条款曾规定：一个机架因断电、过热或交换机故障宕机，云厂商可取消六个月租金[4] - SLA违约累积到一定程度，云厂商可直接终止租约[4] - 运营商议价能力上升后，这些极端条款正在逐步软化[4] - 谈判SLA本质是在“最优价格”与“合同耐久性”之间取舍[4] 芯片厂商变身信用担保方 - 英伟达和AMD为确保承载自家芯片的数据中心建成，就同一项目竞标提供信用担保[10] - 英伟达更为激进，因其资产负债表更强健[11] - 英伟达和AMD愿意为租约提供长达15年的信用支持[11] - 英伟达此前与部分新兴云服务商披露的合同期限仅为6年[11] 电力成本与建设成本压力 - 电力是数据中心运营成本中占比最高的单项，有时超过总成本的五分之一[13] - 同一个月内，不同客户的电价波动幅度高达400%[14] - 最大的云厂商往往支付最高电价，因为它们付得起[15] - 埃隆·马斯克预计2027年将出现严重电力缺口，筹划自建涡轮叶片工厂[15] - 部分开发商以高额溢价从来路不明的公司采购天然气涡轮机，推高保险和融资成本[15] - 过去几年间，建设一座1吉瓦数据中心的成本已翻倍以上[17] - 成本继续攀升将对全球众多大型上市公司的投资者情绪构成压力[17] 算力碎片化与去中心化趋势 - 英伟达CEO黄仁勋在Equinix客户大会上提出“算力正在碎片化”[19] - AI世界将从根本上去中心化，高度分布[20] - 英伟达、Equinix和Together AI联合推出计划：Together AI采购英伟达硬件，部署在Equinix现有数据中心，面向中小企业提供开源AI模型推理服务[20] - AI任务中对时延敏感的部分在距离用户最近的Equinix数据中心运行，内存和推理任务可在更远处完成[20] - 谷歌、思科和Lambda Labs高管表达类似判断：AI推理将走向去中心化，数千个小型设施构成的分布式网络可能成为未来主流形态[20]

谷歌TPUv7 Ironwood性能与市场冲击 - 半导体研究机构SemiAnalysis发布首份TPUv7 Ironwood第三方推理测试结果，在同等条件下，Ironwood每美元性能指标最高领先英伟达B200和B300达50% [1] - 在每用户每秒100个token交互速度下，Ironwood每百万token推理成本约0.181美元，低于B200的0.222美元和B300的0.276美元，分别便宜约19%和34% [1] - 在更高并发场景下，采用谷歌内部TCO计算，Ironwood相对B200的每美元性能优势可扩大至76.7%，相对B300则达130.2% [1] - 在低并发、高交互性场景下，Ironwood每芯片总吞吐量达9,364 token/秒，高于B200的8,903和B300的8,925，吞吐量领先约5% [4] - 结合更低每小时芯片成本，Ironwood每美元可产出token数量比B200高出50.4%，比B300高出96.0% [4] - 在20秒中位响应时间下，Ironwood每百万token成本约0.098美元，低于B200的0.106美元和B300的0.132美元，分别便宜约8%和25% [4] - 测试并非全面领先，在约30秒中位响应时间附近局部区间，B200在每美元性能上仍可超越Ironwood [4] - 当英伟达GPU采用FP4精度时，Ironwood尚不支持原生FP4计算，英伟达在该精度下仍保持优势 [4] - 在非同等对比场景下，GB300 NVL72采用分离式服务、TPUv7仍使用聚合服务时，GB300在中等端到端延迟区间具备约30%的每美元性能优势 [5] - SemiAnalysis认为，一旦TPUv7的分离式服务优化完成，这一差距将消除 [5] - 随着分离式预填充/解码、投机解码等关键优化陆续落地，TPUv7竞争力将进一步提升，有望在全性能曲线上与英伟达GB200/GB300 NVL72形成正面竞争 [2] 谷歌TPU外部化与客户进展 - 谷歌自研芯片TPU正加速向外部客户开放 [1] - Anthropic已承诺采购逾百万颗TPU，成为谷歌TPU最大外部用户，预计到2029年其TPU使用量将超过DeepMind自身 [2] TorchTPU软件生态建设 - 谷歌正全力推进名为TorchTPU的新一代原生PyTorch后端，预计于10月开源，以取代此前存在诸多局限的TorchAX方案 [1] - 此前外部开发者需通过TorchAX将PyTorch模型转译为JAX执行，在低级优化、分页注意力机制及与vLLM工作模型适配上存在诸多问题 [6] - 新一代TorchTPU方案通过PyTorch的PrivateUse1后端扩展点，将TPU直接暴露为原生PyTorch设备，开发者可使用.to("tpu")调用，并保留熟悉的分布式接口 [7] - 编译路径上，TorchDynamo和AOTAutograd生成FX计算图，TorchTPU将其降低为StableHLO，再由XLA生成TPU可执行代码 [7] - vLLM和SGLang可以复用更多上游模型代码、调度器和API逻辑，无需跨越PyTorch到JAX的框架边界 [7] - Inferact、RadixArk和Red Hat均在与谷歌合作，推动TorchTPU成为vLLM和SGLang的一级支持后端 [7] - 谷歌计划在Qwen3.5 397B完成初步适配后，进一步支持Kimi K3、GLM5.3以及谷歌自有开源模型Gemma4 [8] - SemiAnalysis预计，一旦少数模型完成优化，新增模型支持的边际成本将大幅下降，TPU有望进入vLLM和SGLang的"Day 0"支持名单 [8] TPUv7 Ironwood硬件架构与成本优势 - 谷歌在推理成本上的优势根源在于芯片、互联网络与编译器的协同设计，而非单纯单芯片算力堆叠 [11] - TPUv7 Ironwood打破"MegaCore"设计惯例，改为单颗芯片上集成两个独立计算裸片，通过高带宽裸片间链路连接 [11] - 每颗芯片配备2个TensorCore和4个第三代SparseCore，HBM容量约为上一代Trillium的6倍，并首次引入原生FP8硬件支持 [11] - 矩阵乘法单元采用256×256脉动阵列，每周期可执行65,536次乘加运算，是此前128×128设计的4倍 [11] - 矩阵维度需填充至256的倍数，否则将造成MXU利用率损失，以Llama 3 8B为例，其注意力头维度为128，两个注意力矩阵乘法的MXU利用率上限仅为50% [11] - 芯片互联延续3D环形拓扑，基本构建单元为64颗芯片组成的4×4×4立方体，通过光学电路交换机可扩展至9,216颗芯片的超级Pod，总算力达42.5 FP8 exaflops [12] - ICI网络绕过主机CPU，支持芯片间直接交换激活值和梯度，在整个Pod范围内提供接近NVLink级别的带宽 [12] TPUv8i前瞻与软件路线图 - 谷歌新发布的第八代TPU首次将训练与推理拆分为两款独立芯片：TPU 8t面向训练，TPU 8i面向推理 [13] - TPUv8i以高基数交换机构成的扁平化层次网络取代3D环形拓扑，在1,024至1,152颗芯片规模下，网络直径从约16跳降至约7跳，降幅超过50% [13] - TPUv8i配备19.2 Tb/s的ICI带宽（较上一代翻倍）和384 MB片上SRAM（较上一代增加3倍），专为在片上缓存推理和智能体模型的KV缓存而设计 [13] - TPUv8i将支持原生FP4计算，SemiAnalysis认为其有望与英伟达Rubin NVL72形成正面竞争 [13] - 谷歌当前优先推进的外部化工作包括：投机解码优化、预填充-解码分离式服务、KV缓存DRAM卸载，以及对多轮智能体工作负载的支持 [14] - 谷歌已开源TPU-Sync KV缓存传输库，并计划支持业界标准的Mooncake Store卸载方案 [14] 内核优化与性能提升 - 谷歌工程团队对TPU推理内核进行大量针对性优化，涵盖注意力机制、MoE路由、混合模型状态管理等多个层面 [9] - 针对Qwen3.5的GQA层不均匀分布问题，TPU后端新增8路注意力数据并行与8路专家并行的组合支持，避免了不必要的All-to-All通信开销 [9] - 谷歌将专家ID和路由权重合并为单次All-Gather操作，在DeepSeek-V3测试中每层节省约80微秒，跨58层累计可节省约4.64毫秒每次前向传播 [9] - ReduceScatter集合操作被迁移至SparseCore执行，结合双缓冲技术实现计算与通信流水线重叠，在8k1k工作负载下，并发64至512的吞吐量提升幅度为4.1%至14.2% [9] - 通过将token不规则重排移至SparseCore处理、对专家权重实施三重缓冲、以及针对小批量场景引入独立排列路径，8k1k服务吞吐量在并发64时提升7.3%，在并发128时提升5.1% [9] - 将循环状态存储精度从FP32降至BF16，在保持VMEM内FP32算术精度的同时，将HBM占用减半，1k8k吞吐量在并发512时提升15% [10] - 通过优化KV缓存页面布局，可用KV页面数量从5,141增至10,283，在并发128的8k1k测试中吞吐量提升16.5%，中位TTFT下降95% [10]

公司对比与投资分析 - Alphabet和Meta Platforms均为广告巨头，Alphabet收入来自Google Search、YouTube等平台，Meta运营Facebook、Instagram等社交媒体平台[1] - 两家公司是迄今为止最大的广告公司，但哪家更适合在9月投资需进一步分析[1] 人工智能业务布局 - 两家公司均将人工智能视为重大技术趋势，今年各自投入数百亿美元用于数据中心以提升计算能力[3] - 两家公司已将AI工具和功能整合到平台中，以推动更好的广告转化或提高价格[3] - AI对收入有显著影响，但未达到投资者预期，比较两家广告业务如同吹毛求疵，两者均具主导地位且各有优劣[4] Alphabet的AI战略优势 - Alphabet拥有AI模型和云计算业务，AI模型回报未知，但云计算业务快速增长且盈利能力大幅提升[5] - 云计算业务为投资者提供了可衡量的实际投资回报，这是Meta无法比拟的[5] Meta的AI战略劣势 - Meta在AI上投入巨大，但其模型为开源且免费使用，缺乏可货币化的商业策略[6] - 投资者质疑Meta为何在无法盈利的情况下投入数百亿美元，市场对其路径存疑[6] - Meta声称在AI上玩长期游戏，但当前情况并不乐观[6] 综合判断 - Alphabet的商业策略明显优于Meta，但这并非唯一考量因素[7]