谷歌设计“Frozen v2”芯片，或提Gemini推理效率6至10倍，芯片战略现“双轨制”

谷歌设计“Frozen v2”芯片或提Gemini推理效率6至10倍芯片战略现“双轨制”据《The Information》援引知情人士报道谷歌正在设计一款内部代号为“Frozen v2”的服务器芯片计划把Gemini模型的部分信息直接融入硬件以提高模型推理效率。这款芯片最早可能在2028年部署按照目前的内部预期以单位能耗生成的Token数量衡量其效率可能达到谷歌最新自研AI芯片的6至10倍。不过这一项目仍处于设计阶段工程团队尚未最终确定有多少模型信息会被固化进芯片。谷歌也没有正式确认Frozen v2一定会量产只是向TechCrunch表示公司一直在研究和试验新技术并强调“并非每个项目最终都会投入生产”。因此6至10倍的效率提升目前更接近内部设计目标而不是经过公开测试的产品指标。即便最终没有按照现有方案落地这一项目仍然暴露出谷歌芯片战略的一次重要变化在持续迭代TPU之外谷歌开始尝试为特定Gemini模型设计更专用的硬件。Frozen v2不是下一代TPU理解Frozen v2的关键在于它并不是谷歌下一代TPU的代号。路透社援引《The Information》报道称Frozen项目的目标是建立一套独立于TPU的新芯片体系而不是替代TPU。谷歌仍在同时推进TPU路线其中一款代号为“Icefish”的下一代处理器也可能在2028年量产。按照相关报道Icefish的主要计算部分计划由台积电制造谷歌还在讨论由三星使用2纳米工艺生产连接内存的组件并与联发科共同参与设计。谷歌可能同时拥有两类不同定位的AI芯片。一类是TPU它仍然是一种面向矩阵计算、训练、推理和强化学习等工作负载的AI加速器可以运行不同规模、不同架构的模型也可以通过Google Cloud提供给外部客户。另一类则是Frozen按照现阶段披露的信息它可能把部分Gemini模型结构、参数信息或者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。从产业角度看这相当于把AI芯片的专用化程度又向前推进了一层。GPU主要依靠通用并行计算能力覆盖不同AI模型TPU针对机器学习中的张量计算进行了专门设计Frozen v2则可能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”。芯片越贴近固定工作负载理论上越有机会减少不必要的数据搬运、控制逻辑和计算开销但与此同时硬件的适用范围也会收窄。Frozen v2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、规模足够大、值得被硬件化的部分。TPU正在变得更开放Frozen却可能更封闭Frozen v2出现的时间点也值得注意。2026年4月谷歌发布了第八代TPU并第一次将同一代产品明确分成TPU 8t和TPU 8i两种架构TPU 8t主要用于大规模预训练TPU 8i则针对采样、推理和模型服务进行了优化。谷歌披露TPU 8t在大规模训练任务中的每美元性能最高可达到Ironwood的2.7倍TPU 8i在低延迟大规模混合专家模型推理中每美元性能最高可提升80%两款芯片的每瓦性能最高均可达到Ironwood的两倍。TPU 8i还配置了288GB高带宽内存和384MB片上SRAM以降低延迟敏感型推理中的数据访问成本。第八代TPU后开发者社区的注意力很快从芯片本身转向了一个更实际的问题谷歌拥有从模型、芯片到数据中心的完整技术栈这种优势究竟在多大程度上转化成了Gemini的产品能力在Hacker News的相关讨论中一种颇具代表性的看法是Gemini已经证明模型能力并不一定需要依靠不断扩大规模来实现。ID名为himata4113的用户推测Gemini 3 Pro和Flash的模型规模可能只有Claude Opus和GPT - 5级模型的五分之一到十分之一。在他看来Gemini生成的Token明显更少却仍能在不依赖工具和搜索的原始问题求解中与Opus和GPT处于相近水平。但这种效率优势没有完全转化成智能体能力。himata4113认为Gemini在推理和执行环节投入得还不够模型经常生成错误的工具调用在智能体任务上的表现也不理想。换句话说Gemini可能已经是一个高效的问题解决模型却还不是一个足够可靠的任务执行者。他依然相信谷歌迟早会拿出一款领先当时最先进水平一代的产品“让所有人眼前一亮”但前提是谷歌能够真正从原型阶段过渡到正式产品而不是不断发布预览版。在他看来谷歌目前推出的不少AI产品仍像是匆忙发布的原型主要用于向投资者展示进展和验证概念。ID名为deaux的用户对此表示强烈怀疑尤其不认同Gemini Pro规模小五到十倍的说法。他提出了相反的推测谷歌的硬件优势可能并不是帮助它运行更小的模型而是让它能够以更低成本、更高速度运行更大的模型。deaux认为Gemini 3 Pro的规模可能小于GPT - 5.4和Claude Opus 4.6但五倍以上的差距“似乎太大了”。从实际使用感受来看Gemini 3 Pro反而是各方面表现最“智能”的模型之一尤其在人文领域。在他看来Gemini 3 Pro知识丰富在生成大量自然、接近人类表达的文本方面处于领先位置。在一些小众语言上优势甚至更加明显。他给出的多语言能力排序中前四名全部来自谷歌Gemini 3 Pro、Gemini 3 Flash、Gemini 2.5 Pro和Gemini 2.5 Flash。即使是OpenAI和Anthropic规模最大的模型也很难在这些语言任务上与Gemini竞争。不过deaux也指出Gemini的短板同样明显它的数学能力相对较弱智能体能力落后更多。Gemini聊天应用本身也“落后了不止一个时代”在产品形态上与三年前刚发布的ChatGPT没有太大区别。尽管不少用户认为Gemini的智能体产品仍不成熟但对于谷歌的长期优势社区中的判断反而相对一致谷歌最大的筹码并不是推出另一个聊天机器人而是将AI嵌入搜索和现有产品体系。onlyrealcuzzo用户认为谷歌显然正在优先发展能够增强、甚至部分取代传统搜索的AI技术因为搜索是谷歌的命脉也是最容易实现盈利的场景。谷歌拥有超过其他竞争对手十亿级的用户规模即使把其他所有大模型产品和本地移动应用加在一起其用户请求量可能依然无法与谷歌搜索相提并论。asah补充称谷歌还可以把Gemini集成进Google Workspace、YouTube、地图、Google Cloud以及大量已经成功运行的应用和幕后基础设施中。这种在基础设施的布局的前瞻性也加快了谷歌芯片的商业化进程。Alphabet在2026年第一季度财报电话会上表示谷歌将开始向部分客户交付TPU硬件允许其部署在自己的数据中心内而不再仅仅通过Google Cloud出租算力。相关收入将在2026年下半年开始确认大部分预计在2027年体现。为了吸引更多模型公司和企业客户TPU需要支持JAX、PyTorch、vLLM、XLA等软件栈并尽量降低模型迁移和适配成本。谷歌在第八代TPU中强调原生PyTorch体验和跨代代码兼容本质上也是在提高TPU的通用性。而Frozen v2恰好是相反方向它未必需要服务大量外部模型也不一定需要建立类似CUDA或Cloud TPU的软件生态。只要能够稳定运行Gemini并在谷歌搜索、Gemini应用、Workspace、广告和云服务中被大规模调用谷歌就有可能摊薄芯片研发成本。因此谷歌的芯片战略正在形成一个“双轨制”TPU负责扩大基础设施的通用性和商业半径Frozen则负责把内部核心模型的单位运行成本压到更低。1800亿美元支出之后谷歌必须回答回报问题Frozen v2最值得注意的地方不是“6至10倍”这个尚未验证的数字而是谷歌选择的衡量指标——单位能耗产生的Token数量。在上一阶段的AI芯片竞争中厂商更习惯强调浮点计算能力、参数规模、芯片互联带宽和训练集群规模。但随着大模型进入大规模推理阶段单颗芯片的峰值算力并不能直接决定商业效率。对于模型厂商而言更现实的问题是在同样的电力和服务器预算下能够处理多少用户请求生成多少有效Token并维持怎样的响应速度。特别是在Agent场景中一次用户请求可能触发规划、搜索、工具调用、代码执行、结果验证和多轮反思。表面上只是完成一个任务背后却可能产生远高于聊天机器人的Token消耗。芯片在数据搬运、内存访问和低批量推理中的效率开始直接影响产品毛利率。谷歌第八代TPU的设计已经反映出这种变化。TPU 8t主要解决训练吞吐量和集群扩展问题TPU 8i则增加内存带宽和片上SRAM面向低延迟推理和多Agent协同。Frozen v2如果继续把Gemini的部分计算模式固化进硬件相当于把这种分工进一步推进到了模型层。Gemini不仅是一款独立应用还在进入搜索、广告、Workspace和Google Cloud。只要模型被部署到足够多的产品中即便每次调用只节省少量能耗和计算时间累计到数十亿次请求之后也可能转化为显著的基础设施成本差异。Frozen v2获得资本市场关注也与Alphabet迅速膨胀的资本开支有关。2025年Alphabet资本开支为914亿美元其中约60%投向服务器40%投向数据中心和网络设备。到2026年第一季度公司又将全年资本开支指引提高至1800亿至1900亿美元接近2025年的两倍。Alphabet同时表示2027年的资本开支还将显著高于2026年。Alphabet管理层表示内部和外部对AI算力的需求均达到前所未有的水平Google Cloud仍处在算力供应紧张的环境中。Frozen v2的相关报道则进一步提到算力短缺已经引发谷歌内部资源分配压力并导致Google Cloud拒绝部分外部客户订单。路透社报道称谷歌这款新的芯片消息发布后Alphabet股价在7月20日早盘上涨约3.3%截至发稿前Alphabet股价上涨2%。市场关注的并不只是谷歌又多了一款芯片而是它是否找到了降低AI基础设施资本强度和运行成本的方法。但需要区分的是芯片效率提升并不等于资本回报自动改善。一款芯片能否真正降低成本还取决于制造良率、先进封装、内存供应、服务器部署速度、软件适配、实际利用率和芯片生命周期。即便Frozen v2达到预定的每瓦Token指标如果Gemini模型在芯片投产前发生重大架构变化部分硬件设计也可能面临重新调整。这正是模型专用芯片最大的风险模型的迭代周期通常以月计算先进芯片从架构设计到量产却往往需要数年。Frozen v2计划2028年发布谷歌需要判断哪些Gemini能力在未来两年内仍然稳定而不是把快速变化的模型短暂特征过早固定在硅片中。谷歌自己也为Frozen v2项目的不确定性留下了余地明确表示并非所有研究项目都会进入生产阶段。