7月20日，据科技媒体The Information独家报道，谷歌正在研发一款内部代号为“Frozen v2”的全新服务器芯片。核心突破在于将Gemini大模型的底层运算架构直接固化进硬件层面——用知情人士的话说，不是跑在芯片上，是长在芯片里。
消息一出，Alphabet股价盘中一度涨超3.7%。一颗最早2028年才部署的芯片，让市场为一张蓝图买了单。
一、“冻”进硅片：芯片第一次为单一模型定制
传统AI芯片——无论是英伟达GPU还是谷歌TPU——本质上都是通用芯片。什么模型都能跑，但代价是芯片在运行时必须做大量实时决策，反复搬运数据。就像一个什么菜都能做的后厨，每做一道菜都得现翻菜谱、现找工具。
Frozen v2的思路完全不同。它把针对Gemini的关键决策路径直接内建进电路——芯片不用再“想”该怎么走，因为路已经浇铸在硅片里了。要走的步骤更少，要搬的数据更少，要做的决策更少。相当于给一道菜专门砌了一个灶台，灶眼大小、锅具位置全部量身定制。
参与项目的谷歌工程师测算，以单位功耗可处理的Token数量衡量，Frozen v2的效率将达到谷歌现有最新一代自研AI芯片的6至10倍。
二、Frozen v1→v2：从“烧权重”到“锁骨架”
这个想法并非凭空而来。最初的Frozen v1方案由Google DeepMind首席科学家Jeff Dean主导，思路更激进——直接把模型权重烧进芯片。
但那个方案被搁置了。一旦权重烧死，芯片只能服务某个特定版本的Gemini，模型一更新就报废。Frozen v2是折中版：不烧权重，只固化架构。底层的计算蓝图刻死，但权重还能更新。只要Gemini的架构不大改，芯片就能一直用。
谷歌仍在内部权衡到底把多少东西锁进硅片——锁得越多效率越高，但灵活性也越差。这个分寸，是整个项目最关键的工程判断。
三、TPU之外的新分支，而非替代品
谷歌明确将Frozen v2定位为TPU产品线之外的新分支，而非替代品。
TPU仍是面向矩阵计算、训练、推理等负载的通用AI加速器。Frozen v2则把部分Gemini模型结构、参数信息或特定计算模式更深入地映射到硬件中，以牺牲一定通用性换取更高的推理效率。
产业视角看，这相当于把AI芯片的专用化程度又向前推了一层。GPU靠通用并行计算覆盖不同AI模型；TPU针对张量计算专门设计；Frozen v2则进一步针对某一模型家族进行优化。它面对的不再只是“什么样的AI计算”，而是“Gemini具体怎样计算”。
目前谷歌尚无将Frozen v2扩产至与TPU相当体量的计划。这一代产品部分被视为工程试验，为工程师积累开发更高专用化芯片的经验。
四、算力荒逼出来的杀手锏
谷歌为什么要下这步险棋？答案简单而残酷：算力真的不够用了。
算力短缺已在谷歌内部引发激烈矛盾，Google Cloud被迫开始拒绝外部客户的订单。今年6月，谷歌签下一纸合同：每月向SpaceX支付9.2亿美元，租用11万张英伟达GPU的算力，合同签到2029年。一家全球最大的云计算公司向一家火箭公司租算力——这个画面足以说明AI军备竞赛的疯狂程度。
2026年第一季度，Alphabet资本支出357亿美元，全年指引上调至1800亿到1900亿美元——是2025年914亿美元的两倍。管理层已明确2027年资本开支还将显著增加。驱动Frozen v2的直接动因正是这场算力饥渴。
与此同时，竞争压力持续加剧。据CNBC报道，中国模型已占美国企业Token使用量的45%。上周，月之暗面Kimi K3和阿里通义千问等新发布进一步缩小了能力差距。
五、一场豪赌
十倍能效不是白拿的。代价是两个字：僵化。只有后续世代的Gemini仍沿用芯片设计时的同一底层架构，Frozen v2才能继续工作。
由于芯片设计周期通常需要数年，而AI模型迭代速度远快于传统半导体产业，谷歌需要在“专用化效率”和“模型持续演进能力”之间找到平衡。Frozen项目能否成立，取决于谷歌能否在芯片设计阶段找到Gemini模型中足够稳定、足够大规模、值得被硬件化的部分。
谷歌发言人在声明中表示，团队“持续研究和探索新创新”并强调“并非每个项目都会进入量产”。
2026年4月，谷歌发布了第八代TPU，首次将同一代产品明确分为TPU 8t（训练）和TPU 8i（推理）。谷歌还在同时推进代号“Icefish”的下一代处理器，同样计划2028年量产。
当AI芯片的竞争从“支持所有模型”转向“围绕主流模型深度优化”，Frozen v2可能代表着一个全新方向的起点。但前提是——谷歌得赌赢Gemini的架构，足够稳定。
