Google 正在开发一款代号“Frozen v2”的专用服务器芯片，据内部人士透露，该芯片将 Gemini 大模型的架构直接“烧录”进硅片，而非通过通用计算单元或软件模拟。这一硬件级集成有望带来 6 到 10 倍的能效提升，计划于 2028 年部署。
发生了什么
The Decoder 援引内部消息称，Google 正在推进 Frozen v2 芯片项目。与现有 TPU（张量处理单元）不同，Frozen v2 并非可编程的通用 AI 加速器，而是将 Gemini 模型的特定计算模式——如注意力机制、前馈网络结构——直接固化在芯片逻辑中。这意味着该芯片无法运行其他模型，但针对 Gemini 的推理任务可实现极致效率。消息称其能效比当前 TPU 提升 6 到 10 倍，且已进入设计验证阶段。
为什么重要
Google 在 AI 芯片领域拥有深厚积累：从早期 TPU v1 到最新的 TPU v5p，始终围绕 TensorFlow/JAX 生态优化。但 Frozen v2 代表一种截然不同的思路——为单一模型定制专用硬件。这种“模型即芯片”的策略在业界并非首次：特斯拉的 Dojo 芯片针对其自动驾驶神经网络设计，而 Cerebras 的晶圆级芯片也为特定模型优化。然而，Google 将这一思路用于云端推理，目标直指成本控制。
Gemini 是 Google 当前最核心的 AI 模型，覆盖从文本到多模态的多种任务。随着 Gemini 在搜索、广告、Cloud 等业务中广泛部署，推理成本成为关键瓶颈。Frozen v2 的 6-10 倍能效提升意味着同等算力下电力成本降至 1/6 到 1/10，这将在价格上对 OpenAI 和 Anthropic 形成显著优势。此外，定制芯片还能通过减少内存带宽需求、优化数据流来降低延迟，提升用户体验。
影响与看点
对行业而言，Frozen v2 预示着一个新趋势：当模型架构趋于稳定，头部玩家可能从“通用加速器”转向“模型专用芯片”。这将对 NVIDIA 等通用 GPU 厂商构成潜在威胁——如果 Google、微软、亚马逊纷纷效仿，定制芯片将蚕食通用 AI 芯片市场份额。
对开发者来说，Frozen v2 的封闭性意味着他们无法直接利用该芯片运行其他模型。但若 Google 将部分能力通过 Cloud API 开放，开发者可能以更低价格调用 Gemini 服务，从而降低应用成本。
值得关注的是，2028 年的部署时间表暗示 Google 对 Gemini 架构的长期信心。但若未来模型架构发生根本性变革（如从 Transformer 转向其他范式），定制芯片将面临过时风险。因此，Frozen v2 也是一场豪赌——赌 Gemini 的架构能持续领先数年。
独立判断：Frozen v2 的能效优势并非空中楼阁，但 6-10 倍的数字可能来自理想化基准测试。实际部署中，系统功耗、散热、互联带宽等因素会稀释理论增益。不过，即便只有 3-5 倍提升，也足以改写 AI 云服务的成本结构。
