一句话看懂：谷歌正在设计一款代号“Frozen v2”的服务器芯片，计划将Gemini模型的部分信息固化进硬件，目标是在2028年实现比现有自研AI芯片高出6至10倍的每瓦Token效率。这并非简单的芯片迭代，而是谷歌试图通过硬件极度契合自有模型、压缩推理成本来巩固其搜索和AI产品帝国的全栈策略。
事件核心：发生了什么
据《The Information》报道，谷歌正在研发一款代号“Frozen v2”的AI服务器芯片，旨在专门优化Gemini模型的推理效率。该项目仍处于设计阶段，最快可能在2028年部署。其核心设计思路是：将部分Gemini模型的结构、参数或计算模式直接映射到硬件中，以牺牲通用性为代价，换取单位能耗下生成Token数（效率）的跃升，内部目标是对比谷歌最新自研芯片提升6至10倍。谷歌向TechCrunch表示，该项目尚在研究中，并非所有研究项目都会量产。
需要明确的是，Frozen v2不是用于替代谷歌正在推进的下一代TPU（代号“Icefish”），而是建立一套独立的芯片体系。谷歌很可能同时拥有两个芯片路线：面向通用AI计算、可对外开放的TPU，以及针对Gemini模型极致优化、更封闭的Frozen芯片。
为什么重要
这个消息揭示了AI芯片竞争正在从“通用并行计算”走向“模型级专用化”。GPU和TPU已经为矩阵运算做了定制，而Frozen v2则进一步将定制范围缩小到一个模型家族（Gemini）。如果成功，它将意味着：在相同的电力和服务器预算下，谷歌可以处理远超竞争对手的搜索和AI产品请求，大幅降低基础设施成本。
这一策略的背景是Alphabet资本开支的急剧膨胀——2026年全年指引高达1800至1900亿美元。在算力极度紧张、甚至导致Google Cloud拒绝部分外部订单的情况下，任何能降低“每请求成本”的硬件创新都直接关系到谷歌搜索、广告、Workspace等核心业务的利润率。同时，谷歌TPU路线（如第八代TPU）正在变得更开放、更通用，以吸引客户，而Frozen则可能毫无生态可言，只服务于谷歌自身帝国，形成“双轨制”芯片战略。
对用户/开发者/创作者的影响
对普通用户：如果你使用谷歌搜索、Gemini应用、YouTube或Google Workspace，未来可能不会感知到Frozen芯片的存在，但能体验到更快速、更低成本的AI服务（例如更流畅的Agent任务）。谷歌可能在不增加电费、服务器规模的情况下，承载更大规模的用户请求。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者/企业：如果你正在使用Google Cloud租赁TPU训练模型，Frozen芯片与你的直接关系有限——它大概率不会对外开放。但它的存在意味着谷歌内部AI资源可能被优先满足，外部云客户在算力紧张时面临更长的排队压力。同时，谷歌芯片从TPU 8开始支持PyTorch、vLLM等软件栈并强调兼容性，这对第三方开发者是利好。
对创作者：Gemini模型（尤其在多语言、文本生成）的高效性可能进一步提升，但智能体、工具调用等短板短期难以仅靠芯片解决。
值得关注的后续
- 量产风险与模型架构的稳定性：Frozen v2计划在2028年部署，而Gemini模型迭代以月计。如果Gemini未来两年出现重大架构调整（如Agent化、多模态增强），固化在硅片中的部分可能过时。谷歌是否会如期量产，取决于它能否预判模型未来2-3年不变的部分。
- 对TPU路线和云业务的影响：Frozen芯片的研发是否会影响TPU（如“Icefish”）的资源分配？如果Frozen效率极高，谷歌会不会在2028年后调整TPU定位，使其更专注对外输出而非内部使用？这将直接影响企业客户对Google Cloud的采购决策。
- 资本市场的反应：Alphabet在Frozen芯片消息后股价上涨约2%，表明市场对“降本增效”故事给予初步认可。但后续需要看到实测数据、良率和真正部署，才能转化为长期信任。
来源：InfoQ CN
