报道：谷歌正在开发新款芯片，Gemini架构直接写入硅片，效率最高提升10倍

谷歌正在开发一款专为自家Gemini AI模型打造的服务器芯片，思路很直接：把模型架构直接“刻”进硅片里。换句话说，Gemini的部分逻辑不再靠软件实时计算，而是在硬件层面就固化好了。这步棋走对了，AI推理效率的提升可能相当可观。

据科技媒体The Information周一报道，这款内部代号为“Frozen v2”的芯片，效率据称能达到现有自研芯片的6到10倍。最早有望在2028年投入实际部署。

为什么这么干？答案很简单：AI算力短缺。知情人士透露，谷歌内部算力紧张的问题已经相当严重，甚至引发了部门之间的矛盾，连部分外部客户的合作请求都不得不拒之门外。Frozen v2的应对策略是，把Gemini模型的部分决策逻辑预先固化在芯片里，运行时需要计算和搬运的数据量自然就少了。结果是，响应速度更快，单位算力的功耗也更低。

谷歌发言人在声明中表示，团队“一直在研究和探索新创新，以确保为用户和客户提供最高性能和效率”。当然，他们也留了余地：“并非每个项目都会进入量产，但这种严格的探索是我们全栈方法的核心。”

消息一出，市场反应很直接——谷歌股价周一盘中一度上涨3.7%，最终收涨1.52%。

专用推理芯片：效率优先的架构赌注

Frozen v2的核心设计思路，说白了就是把Gemini模型的底层架构永久性地刻进芯片里。这样一来，芯片在处理推理请求时，就不需要像通用芯片那样做大量实时决策，省去了很多中间环节。

报道称，用每单位功耗能处理的token数量来衡量，这块芯片的效率预计能达到谷歌最新一代自研AI芯片的6到10倍。这个差距，不是一点半点。

这套逻辑跟通用AI芯片完全是两码事。谷歌现有的张量处理器（TPU），和英伟达的GPU类似，设计时就要兼容多种AI模型，所以跑特定模型时，免不了要处理大量动态决策。Frozen v2的做法是，牺牲一部分通用性，换更高的运行效率。可以这样理解：它把一部分“想”的过程，提前变成了“做”的动作。

那么问题来了：到底要把多少信息固化在芯片里，才能在灵活性和效率之间找到最佳平衡点？知情人士指出，Frozen v2只能兼容与设计时采用相同底层架构的Gemini后续版本。这意味着，谷歌实际上是在押注——押注自己会长期沿用当前的Gemini模型架构。当然，芯片也支持模型权重的更新，也就是控制模型如何响应问题的参数设置，这一点谷歌已经明确表态。

项目沿革：从“全固化”到“弹性固化”

Frozen项目不是突然冒出来的想法。

报道称，它最早的前身是谷歌DeepMind首席科学家Jeff Dean主导的“原版Frozen”方案。那个方案更激进——打算直接把模型权重烧录进芯片。但后果也很明显：芯片只能服务于某一特定版本的Gemini模型，生命周期太短。这个方案最终被搁置了。

Frozen v2在此基础上做了调整，转向“弹性固化”的思路——固化的是模型架构，而不是具体权重。这样一来，效率优势保留下来了，芯片的使用周期也大大延长。

放眼行业，加拿大芯片初创公司Taalas采用了类似的设计理念，把特定AI模型硬编码进芯片，目前已经从Quiet Capital、富达等投资方融资超过2亿美元。SambaNova、d-Matrix，以及OpenAI、微软等公司也在开发推理芯片，但技术路径各有不同。英伟达则于去年12月斥资200亿美元，与推理芯片初创公司Groq达成技术授权协议，显然是想在推理市场进一步巩固自己的地位。

定位：TPU之外的新分支，而非替代品

谷歌明确表示，Frozen v2是TPU产品线之外的新分支，而不是替代现有自研芯片体系。TPU和英伟达GPU一样，属于通用AI芯片，兼容多种模型；Frozen v2则专为Gemini打造。两条产品线会并行发展。

谷歌目前也没有计划把Frozen v2的规模扩大到与TPU相当的体量。知情人士解释，因为部署规模相对有限，谷歌可以在项目后期再引入外部设计与制造合作伙伴，而不需要像重大产品发布那样提前大规模统筹。此外，这一代产品也被部分视作工程试验——为工程师积累开发更高专用化芯片的经验，尤其是在AI模型架构逐渐趋于稳定的背景下。

谷歌现有的自研芯片战略已经初见成效。今年，谷歌发布了第八代TPU，并开始直接向云计算客户销售，向英伟达的主导地位发起挑战。谷歌已经与Meta签署了数十亿美元规模的TPU租用协议，还在积极争取其他云服务提供商客户。知情人士表示，自主研发芯片已经让谷歌能够以更低成本运行Gemini模型——如果Frozen v2能成功，这个成本优势还会进一步放大。