谷歌正在把一件此前只有初创公司尝试过的事情推向主流——把AI模型的底层架构直接固化到芯片硬件之中。
据The Information 7月20日报道，谷歌正秘密研发一款内部代号为”Frozen v2″的新型服务器芯片。该芯片将Gemini大模型的部分底层运算逻辑直接嵌入硅片，不再依赖传统通用芯片在运行时动态执行决策。参与项目的谷歌工程师预估，按每瓦特可处理的Token数量衡量，Frozen v2的效率将是谷歌最新一代TPU的6至10倍。消息公布当天，Alphabet股价盘中一度上涨近3.7%。
不是跑在芯片上，而是长在芯片里
要理解Frozen v2的激进程度，需要先看看现有的AI芯片是怎么工作的。
无论是英伟达的GPU还是谷歌自家的TPU，本质上都是通用型芯片——什么模型都能跑，灵活性很强。但代价也很明显：芯片每处理一个推理请求，都需要做海量的实时决策，不停地搬运数据、查询路径、调度计算资源。就像一个什么菜都能做的后厨，每出一道菜都得现翻菜谱、现调火候。
Frozen v2走了一条完全不同的路。它只为Gemini一个模型而生——将针对Gemini的关键计算路径直接内建进电路设计中。芯片不再需要”思考”该怎么走，因为路已经浇铸在硅片里了。更少的计算步骤，更少的数据搬运，更少的运行时决策，省下来的每一步冗余都变成了实打实的能效提升。
每月花10亿美元向SpaceX租算力，谷歌的”算力荒”有多严重
谷歌为什么要押注如此激进的芯片方案？答案直接写在了财务数字里。
据多方信源交叉印证，谷歌内部正面临严峻的AI算力短缺。这种紧缺已不仅影响了内部资源分配，甚至迫使Google Cloud开始拒绝部分外部客户的合作请求——对一家全球最大的云计算公司而言，这几乎是最极端的信号。
2026年6月，谷歌签下一笔令行业侧目的合同：每月向SpaceX支付约9.2亿美元，租用11万张英伟达GPU的算力，合同期一直到2029年。一家云计算巨头向火箭公司购买算力来兑现对客户的承诺，这件事本身就足以说明AI军备竞赛的烈度。
Frozen v2正是谷歌为解决这一结构性矛盾而布局的长期方案。通过将核心模型的推理效率提升数倍，谷歌有望在同等电力和服务器预算下处理更多用户请求，从根本上缓解算力瓶颈。
从”烧权重”到”固化架构”：Frozen项目的演进之路
Frozen并非全新构想。其前身由Google DeepMind首席科学家Jeff Dean主导，最初的方案更加激进——直接将模型的权重参数烧录进芯片。
权重是决定模型如何回答问题的核心参数。一旦烧死，芯片就只能服务某个特定版本的Gemini，模型一更新，芯片即报废。这一方案因生命周期过短被搁置。
Frozen v2调整为”弹性固化”策略：只固化模型的底层架构蓝图，不锁定具体权重。这意味着新版本的模型参数仍然可以灌入芯片，只要Gemini的整体架构不发生根本性改变，芯片就能持续服役。谷歌正在内部权衡到底将多少信息锁定于硅片之中——锁得越多，效率越高，但灵活性也越差，这个平衡点是整个项目最核心的工程判断。
效率与灵活性的博弈：一场有意识的豪赌
十倍效率提升的代价，是通用性的降低。
Frozen v2只在后续Gemini版本沿用相同底层架构的前提下才能兼容。换句话说，谷歌是在赌自身未来几年不会对Gemini的架构做根本性改动。从纯Transformer到MoE混合专家，从密集推理到稀疏激活，模型架构的迭代速度堪比手机行业最疯狂的年代，将硬件寿命绑定在软件架构的稳定性上，风险不容忽视。
谷歌自己也清楚这一点。目前Frozen v2被定位为TPU产品线之外的新分支，而非替代品。TPU继续走通用路线，服务训练、推理和外部云客户；Frozen则走专用路线，压低内部核心模型的运行成本。两条产品线并行发展，谷歌将这一代产品部分视为工程试验——赌对了是印钞机，赌错了也能帮工程师积累开发更高专用化芯片的经验。
同一天三巨头亮剑，AI芯片竞争进入新维度
值得玩味的是，就在谷歌Frozen v2消息曝光的同一天，AMD正式展示了首款机架级AI系统Helios，集成GPU、CPU和网络平台，已获得微软、Meta、OpenAI、甲骨文等企业的采购协议；英伟达则推出了面向DGX Station的Agent Toolkit，宣称开发者30分钟即可本地部署AI智能体。
三家公司在同一天密集发布，共同指向一个趋势：AI基础设施竞争的核心维度正在变化。单一的芯片浮点性能已不足以定义竞争力，系统集成能力、软硬件协同深度和能源效率正在成为新的关键变量。
谷歌从当年自研TPU减少对英伟达的依赖，到今天把模型架构直接焊进硅片，走的是同一条路的更深处：软硬件协同的尽头，是软硬件合体。AI竞争已经开始拼物理层。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
