有了TPU还不够，谷歌开始为Gemini 独造芯片：推理能效或达6到10倍

谷歌正在琢磨一件事：怎么把Gemini和自家芯片绑得更紧一点。

据《The Information》援引知情人士的消息，谷歌母公司Alphabet正在研发一款内部代号为“Frozen v2”的服务器AI芯片。这款芯片专门为Gemini模型设计，计划最早2028年部署。谷歌工程师预计，在单位功耗所能处理的Token数量上，它的效率可能达到公司最新一代自研AI芯片的6到10倍。

截至目前，谷歌并未正式确认Frozen v2项目，也没有公布具体规格。官方回应媒体时表示，团队一直在研究和试验提升性能与效率的新方案，但并非所有项目都会进入生产阶段。同时强调，从底层共同设计硬件和软件，是打造高度集成系统的关键路径。不过，消息一出，Alphabet股价在当地时间7月20日早盘上涨约3.3%。

与现有TPU相比，Frozen v2的最大区别在于进一步收窄了芯片的适用范围——它是一颗更极致的“专用芯片”。根据现有报道，谷歌计划将Gemini的部分架构特征固化在芯片中，针对其计算路径和常用操作进行专门优化。

大模型推理不仅需要大量的矩阵运算，还要频繁从高带宽内存读取参数。数据在内存与计算单元之间来回搬运，既耗时间也耗电力。Frozen v2的目标就是减少这部分开销，从而提升响应速度，并在相同功耗下处理更多请求。至于报道中提到的6到10倍效率提升，具体指每单位功耗能处理的Token数量，而非芯片的峰值算力。

谷歌现有的TPU同样是面向机器学习的专用处理器，但需要适配不同模型，并承担训练、推理等多种任务。最新一代Ironwood单颗芯片配备192GB高带宽内存，单位功耗性能约为上一代Trillium的两倍，最多可由9216颗芯片组成Superpod。Frozen v2不会取代TPU，而是作为一条更具针对性的产品线，与之并行使用。

(来源：Google)

不过，专用芯片也有它的短板：模型与芯片绑得越深，灵活性就越差。芯片从设计到投产通常需要几年时间，如果这段时间内Gemini的基础架构发生较大变化，已经固化的设计可能很难适配。Frozen v2能否带来长期收益，既取决于实际能效，也取决于谷歌能否在快速迭代模型的同时，保持底层架构的相对稳定。

那么，谷歌为什么要“铤而走险”？首要原因，自然是应对持续增长的算力需求。据相关数据，谷歌内部的AI计算资源短缺已经引发不同团队之间的资源竞争，Google Cloud甚至因此拒绝过部分外部客户订单。

大模型的计算需求包括训练和推理两个阶段。训练先进模型需要集中投入大量算力，但随着Gemini被嵌入搜索、办公软件、云服务和智能终端，长期发生的推理可能形成更庞大的成本。单次生成费用看似有限，但乘以数以亿计的用户和持续增长的调用量，电力、芯片、网络及数据中心投入都会成为重要的支出项。

Alphabet已将2026年资本开支预期上调至1800亿至1900亿美元，主要用于扩建AI计算能力、数据中心和相关基础设施。在这一背景下，提高每瓦电力所能生成的Token数，不仅意味着更低的能耗，还意味着同一座数据中心能承载更多用户请求。对于已经拥有大量Gemini使用场景的谷歌来说，即使单次推理成本只下降一小部分，规模化之后也能带来可观的节省。

图｜谷歌历年资本开支预期（来源：S&P）

自研芯片还能加强谷歌对供应链和产品节奏的控制，减少对英伟达等外部芯片供应商的依赖。但这种“减少依赖”并不等于完全替代。Frozen v2即使顺利投产，预计规模也会低于TPU；谷歌的数据中心仍会同时使用TPU、GPU及其他计算设备。它更像是为高频且相对稳定的Gemini任务增加一类成本更低的专用工具。

谷歌并非唯一走向自研芯片的AI公司。2026年6月，OpenAI与博通公布了首款自研推理芯片Jalapeño。OpenAI表示，这款芯片围绕大语言模型推理设计，将结合博通的芯片实现和网络技术以及Celestica的服务器系统能力，计划于2026年底开始部署。

（来源：OpenAI）

Anthropic也被曝已开始研究自有AI芯片，并与三星电子等潜在合作方接触。不过项目仍处于早期阶段，芯片的用途、性能目标和部署方式尚未明确。Anthropic同时表示，亚马逊Trainium、谷歌TPU和英伟达GPU仍将是其扩张算力的重要基础。中国方面，此前DeepSeek和近期的月之暗面也有自研芯片方面的传闻。

除了专注基础模型的公司，亚马逊、微软、Meta、阿里巴巴、百度和字节跳动等拥有云服务或大规模互联网业务的企业，也在不同程度推进专用AI芯片。其中部分芯片服务于模型训练，部分集中于推理、推荐和广告等高频工作负载。它们共同反映出一个趋势：随着AI服务规模扩大，掌握模型的公司越来越希望同时参与芯片和计算系统设计。

这些项目属于同一轮趋势：AI公司希望根据自身模型和业务负载设计芯片，以获得更好的成本、能效和供应保障。但它们并不完全相同。Trainium、Maia、MTIA以及OpenAI的Jalapeño主要面向一类或多类AI工作负载，仍保留一定通用性；而Frozen v2则称会把Gemini的部分架构直接固化进硬件，模型与芯片的绑定程度可能更高。

因此，Frozen v2所代表的不仅仅是谷歌扩大自研芯片投入，更是一项激进的软硬件协同试验。答案将取决于芯片能否如期投产，也取决于到2028年时，Gemini是否仍然适合这块为它提前设计的硅片。