2026年7月，theinformation等多家权威媒体爆出谷歌正秘密研发一款代号为Frozen v2的全新专用服务器芯片。该芯片的核心突破在于将Gemini大模型的部分底层计算逻辑直接固化在硬件之中，以此大幅提升芯片的运算效率。据报道，与现有TPU相比，Frozen v2在单位功耗下的Token处理能力有望提升6至10倍，预计2028年开始部署。这一项目反映了谷歌在应对内部算力短缺和AI基础设施扩张压力下的战略举措。

Frozen v2核心原理：架构固化与计算优化

Frozen v2的创新之处在于“将Gemini架构直接固化到硅片中”：

架构固化机制 传统AI芯片（如TPU）是通用型处理器，通过软件加载模型权重进行计算。而Frozen v2则将Gemini模型的部分核心架构（而非具体权重）永久“冻结”在硬件电路中。这一设计大幅减少了推理时的计算步骤和数据搬运开销。
效率提升逻辑
- 减少数据移动：传统推理需要频繁在内存和计算单元间传输数据，而固化架构可将常用计算路径直接硬件化，显著降低延迟。
- 功耗优化：通过专用电路实现高频操作，单位功耗下可处理更多Token。
- 灵活性平衡：不同于早期“冻结权重”的方案，Frozen v2固化的是架构蓝图，允许未来Gemini版本在保持核心框架的前提下更新参数，避免芯片快速过时。

该项目据称源自谷歌DeepMind首席科学家Jeff Dean的早期构想，目前仍处于实验阶段，不会完全取代通用TPU，而是作为专用补充。

项目背景：算力短缺驱动的硬件创新

谷歌研发Frozen v2的主要原因在于内部算力供需矛盾日益突出：

AI需求爆炸式增长：Gemini等模型的广泛应用导致谷歌云和内部服务算力紧张，甚至出现拒绝部分外部客户业务的情况。
通用芯片瓶颈：现有TPU虽强大，但在特定Gemini推理场景下效率仍有提升空间。
全栈优化战略：谷歌坚持“软硬一体”路线，通过定制芯片实现软件-硬件协同优化，降低整体TCO（总拥有成本）。

这一项目是谷歌AI基础设施投资的重要组成部分，Alphabet计划在AI领域投入巨资，以确保在与OpenAI、Anthropic等竞争中的领先地位。

可能影响：多维度产业冲击

1. 对谷歌自身的影响

效率与成本优化：Frozen v2有望显著降低Gemini推理的能耗和延迟，提升Google Cloud的服务能力和盈利空间。
竞争壁垒提升：专用芯片形成独特技术护城河，强化Gemini生态优势。
风险挑战：专用化设计可能降低灵活性，若Gemini架构迭代过快，芯片兼容性将成为问题；研发失败或延期也将影响整体AI战略。

2. 对AI硬件产业的影响

专用芯片趋势加速：Frozen v2验证了“模型-硬件协同设计”的可行性，或促使更多厂商开发类似专用加速器。
供应链重构：谷歌可能扩大与TSMC、Samsung等代工厂的合作，推动先进制程在AI芯片领域的应用。
能耗与可持续性：效率提升有助于缓解AI数据中心的能源压力，对全球绿色计算贡献积极影响。

3. 对全球AI竞争格局的影响

谷歌领先优势扩大：在算力效率上的突破，将进一步巩固谷歌在AI基础设施领域的地位。
行业分层加剧：通用芯片与专用芯片并行发展