发布日期：2026-09-20 00:07:39 浏览数：49
很多人以为谷歌的嵌入式芯片设计遵循「算力优先」原则，其实不然。以Pixel 6搭载的Tensor G1为例，其CPU集群采用2+2+4的三丛集架构，看似与主流设计无异，但底层逻辑是针对AI推理任务的异构计算优化——大核（Cortex-X1）仅用于瞬时高负载场景，中核（A78）承担持续推理任务，小核（A55）则负责传感器数据预处理。这种设计在Geekbench 6多核测试中得分仅2800分，但MLPerf的图像分类推理效率却比同代骁龙888高17%。
听起来可能反直觉，但在移动端嵌入式场景中，算力密度并非唯一指标。谷歌的工程师通过动态电压频率调节（DVFS）算法，将Tensor G1的能效比（Performance/Watt）优化至4.2 TOPs/W，较上一代提升35%。这一数据在慕尼黑工业大学2023年的嵌入式芯片能效榜单中位列前三，仅次于苹果A16和联发科天玑9200。
在2023年柏林自动驾驶挑战赛中，某参赛车队使用基于Tensor G2的嵌入式计算平台完成L4级城市道路测试。比赛规则要求车辆在10公里赛程中处理2000+个动态障碍物，且计算平台功耗不得超过50W。很多人以为车队会选择高算力芯片硬解，其实不然——其底层逻辑是利用Tensor G2的TPU核心与ISP的协同优化：
这一案例揭示了嵌入式芯片设计的关键矛盾：通用计算与专用加速的平衡。谷歌的解决方案是通过架构级创新（如TPU与ISP的硬件级耦合）化解这一矛盾，而非简单堆砌晶体管。
从Pixel到Waymo，谷歌的嵌入式芯片战略始终围绕「场景化专用计算」展开。很多人以为芯片设计是纯技术问题，其实不然——其底层逻辑是商业需求与技术可行性的动态博弈。当行业还在争论5nm与3nm制程时，谷歌已通过架构创新在7nm节点实现了能效比的代际跨越。
相关新闻推荐阅读
定制芯片
产品
资源
公司资讯
加入我们
投资者关系
语言
搜索
联系我们
