谷歌正秘密推进一项代号为“Frozen v2”的服务器芯片研发计划，试图通过硬件与算法的深度融合破解AI算力瓶颈。据内部人士透露，这款芯片将Gemini大模型的底层运算逻辑直接固化至芯片硅层，预计可使单位功耗处理的词元数量达到现有自研芯片的6至10倍，同时显著降低推理延迟。该技术路线与英伟达GPU、谷歌TPU等通用芯片形成鲜明对比，标志着专用化芯片进入新的发展阶段。
项目启动背景直指谷歌云当前的算力危机。由于内部资源紧张，谷歌已开始拒绝部分外部客户的AI服务订单。Frozen v2的研发被视为突破困境的关键举措，其核心设计理念在于通过“冻结”大模型运算逻辑减少硬件动态判断需求。与通用芯片每次运行不同模型都需重新编译逻辑不同，该芯片通过内置Gemini的底层运算框架，可省略大量中间计算步骤，理论上能将用户响应速度提升至新高度。
这项技术并非谷歌首次尝试。早在数年前，由DeepMind首席科学家杰夫·迪恩主导的初代方案就曾试图将完整模型权重蚀刻进芯片，但因硬件生命周期过短而搁置——芯片只能适配特定版本的Gemini模型，随着模型迭代迅速沦为电子垃圾。新方案吸取教训，仅固化底层架构逻辑，保留通过更新模型权重（决定回答质量的核心参数）进行迭代的能力，但这也要求后续Gemini模型必须沿用相同的基础架构设计。
研发团队目前正面临关键技术抉择：如何在硬件固化深度与系统灵活性之间取得平衡。过深的固化虽能提升能效，但会限制模型升级空间；固化不足则可能削弱专用芯片的性能优势。工程师们正在测试不同功能模块的协同方案，同时评估将哪些模型信息永久写入芯片最划算。
尽管技术前景诱人，谷歌对量产计划保持谨慎。知情人士称，Frozen v2的初期产能将远低于现有TPU产品线，甚至可能延迟引入外部代工伙伴。谷歌更倾向于将该项目视为技术试验平台，待大模型底层架构稳定后，再为研发更高度专用的芯片积累经验。这种策略既规避了过早量产的技术风险，也为未来芯片迭代保留了调整空间。
在芯片市场布局上，谷歌采取双线并进策略。今年推出的第八代TPU已直接面向云客户销售，并与meta签署数十亿美元算力租赁协议，正面挑战英伟达的市场主导地位。而Frozen v2将开辟全新产品线，与TPU形成互补关系——前者专注极致能效的专用场景，后者覆盖通用AI计算需求。通过这种差异化定位，谷歌试图构建覆盖全场景的自研芯片生态。
谷歌官方回应证实了项目的存在，但强调“并非所有研发项目都会落地量产”。发言人表示：“持续探索各类创新技术是我们全栈自研路线的核心，这种全方位的技术验证最终将转化为用户和企业客户能感知到的性能提升。”随着AI模型规模持续膨胀，硬件与算法的协同优化正成为行业新战场，谷歌的这次尝试或将重新定义专用芯片的发展方向。
