谷歌被曝研发 Frozen v2 专用芯片：把 Gemini 底层架构写入硬件以降低推理成本
据 IT之家 7 月 20 日援引 The Information 报道，知情人士透露，谷歌正在研发一款代号为 Frozen v2 的全新服务器芯片，目标是提升 Gemini 系列大模型在推理阶段的运行效率。与面向多种模型和任务的通用 GPU、TPU 不同，这款芯片被描述为更接近“为 Gemini 定制”的专用硬件：它计划将部分底层运算架构固化到硅片中，从而减少推理时的计算步骤、数据搬运与能耗。来源显示，其单位功耗可处理的词元数量预计达到谷歌现有自研 AI 芯片的 6 至 10 倍，最早可能在 2028 年部署。
Frozen v2 的核心思路：不是固化模型权重，而是固化架构逻辑
“Frozen”这一代号对应的是一种更激进的芯片设计理念：把大模型运行中相对稳定、重复出现的底层逻辑直接做进硬件。这样做的好处是，芯片在执行 Gemini 推理任务时，不必像通用芯片那样为不同模型保留大量灵活调度空间，而是可以围绕特定模型家族优化数据流和计算路径。
不过，谷歌此前并非没有尝试过类似方向。来源称，初代 Frozen 方案由谷歌 DeepMind 首席科学家 Jeff Dean 牵头，曾计划把完整模型权重直接蚀刻进芯片。该路线的问题也很明显：一旦 Gemini 版本更新，写死在芯片里的权重就可能过时，导致硬件生命周期过短，因此项目被搁置多年。
相比之下，Frozen v2 的调整更务实：它不再把完整模型权重固定到芯片中，而是选择固化底层架构逻辑，同时保留更新内置模型权重的能力。换句话说，谷歌试图在 硬件专用化 与 模型可迭代性 之间寻找平衡。
- 定位：专为 Gemini 系列模型服务的服务器芯片，而非通用 AI 加速器。
- 目标：降低 AI 推理能耗和延迟，提高单位功耗下可处理的词元数量。
- 进度：工程团队仍在敲定核心功能模块及组件协同方案。
- 部署时间：知情人士称最早计划于 2028 年部署。
为什么谷歌需要这类专用芯片
报道提到，谷歌当前面临 AI 算力资源紧张的问题，内部资源压力甚至已导致谷歌云不得不回绝部分外部客户订单。随着 Gemini 被嵌入搜索、办公、开发工具和云服务，推理成本正在成为决定 AI 产品能否规模化落地的关键变量。
从产业角度看，大模型竞争已不只是模型参数、榜单成绩和应用体验的竞争，也逐渐演变为底层算力效率的竞争。对于拥有模型、云、芯片和应用入口的谷歌而言，如果能让 Gemini 在自家硬件上以更低能耗运行，就能在云服务定价、AI 产品响应速度和大规模部署能力上获得更大主动权。
这也是 Frozen v2 与谷歌 TPU 战略之间的关系所在。来源显示，Frozen v2 将开辟一条新的自研芯片产品线，与现有 TPU 形成互补，而不是取代 TPU。谷歌今年已推出第八代 TPU，并直接向云客户推广，同时也在对英伟达主导的 AI 芯片市场发起更直接的挑战。报道称，谷歌已与 Meta 签署数十亿美元订单，向其出租 TPU 算力。
影响与风险：高能效背后是架构押注
Frozen v2 的潜在价值在于，它可能显著降低 Gemini 推理成本，并带来更快的用户响应速度。对于面向海量用户的 AI 助手、搜索增强、企业智能体和自动化工具而言，推理效率提升往往比训练能力更直接影响商业化结果。
但这条路线也存在明确风险：Frozen v2 能否长期有效，取决于谷歌未来 Gemini 模型是否继续沿用与芯片设计一致的底层架构。如果后续模型架构发生较大变化，专用硬件的优势可能被削弱，甚至面临适配困难。这也是专用芯片区别于 GPU、TPU 等更通用加速器的核心代价。
因此，谷歌目前并无大规模量产 Frozen v2 的计划。来源称，其产能规模预计将远低于 TPU，谷歌更倾向于把这一代产品视作技术试验平台：在大模型底层架构逐步稳定之前，先积累高度专用化 AI 芯片的工程经验。谷歌发言人也回应称，公司团队会持续研发和测试创新技术，但并非所有研发项目都会落地量产。
整体来看，Frozen v2 反映出一个重要趋势：头部 AI 公司正在从“买算力、堆集群”走向“围绕模型重构硬件”。如果这一方向被验证有效，未来 AI 基础设施可能会出现更明显的分层——通用芯片负责广泛模型与训练任务，专用芯片则承担高频、稳定、规模巨大的推理负载。