有了TPU還不夠，谷歌開始為Gemini 獨造芯片：推理能效或達6到10倍

谷歌正在嘗試把 Gemini 與芯片更緊密地結合起來。

據《The Information》援引知情人士消息，谷歌母公司 Alphabet 正在研發一款服務器 AI 芯片，內部非正式代號為“Frozen v2”。這款芯片針對 Gemini 模型設計，計劃最早于 2028 年部署。谷歌工程師預計，以單位功耗所能處理的 Token 數量計算，其效率可能達到公司最新一代自研 AI 芯片的 6—10 倍。

谷歌目前尚未正式確認 Frozen v2 項目，也沒有公布芯片規格。公司在回應媒體時表示，其團隊一直在研究和試驗提升性能與效率的新方案，但并非所有項目最終都會進入生產階段。谷歌同時強調，從底層共同設計硬件和軟件，是其打造高度集成系統的重要方式。但報道發布后，Alphabet 股價在當地時間 7 月 20 日早盤上漲約 3.3%。

與現有 TPU 相比，Frozen v2 的主要區別，是它進一步收窄了芯片的適用范圍。它的定位是一顆更極致的“專用芯片”。根據現有報道，谷歌計劃將 Gemini 的部分架構特征固化在芯片中，針對其計算路徑和常用操作進行專門優化。

大模型推理不僅需要完成大量矩陣運算，還要頻繁從高帶寬內存讀取參數。數據在內存與計算單元之間移動，會消耗時間和電力。Frozen v2 希望減少這部分開銷，從而提高響應速度，并在相同功耗下處理更多請求。報道所稱的 6—10 倍效率提升，具體指每單位功耗能夠處理的 Token 數量，并不是芯片峰值算力。

谷歌現有 TPU 同樣是面向機器學習的專用處理器，但需要適配不同模型，并承擔訓練、推理等多種任務。最新一代 Ironwood 單顆芯片配備 192GB 高帶寬內存，單位功耗性能約為上一代 Trillium 的兩倍，最多可由 9216 顆芯片組成 Superpod。Frozen v2 不會取代 TPU，而是作為一條更具針對性的產品線，與其并行使用。

(來源：Google)

但專用芯片也有其劣勢，更深的模型與芯片綁定會降低靈活性。芯片從設計到投產通常需要數年，如果此后 Gemini 的基礎架構發生較大變化，已經固化的設計可能難以適配。Frozen v2 能否獲得長期收益，既取決于實際能效，也取決于谷歌能否在快速迭代模型的同時，維持底層架構的相對穩定。

那么，谷歌為什么要“鋌而走險”？首先一個原因，是為了應對持續增長的算力需求。據相關數據，谷歌內部的 AI 計算資源短缺已經引發不同團隊之間的資源競爭，Google Cloud 甚至因此拒絕過部分外部客戶訂單。

大模型的計算需求包括訓練與推理兩個階段。訓練先進模型需要集中投入大量算力，但隨著 Gemini 被加入搜索、辦公軟件、云服務和智能終端，長期發生的推理可能形成更龐大的成本。單次生成的費用看似有限，乘以數以億計的用戶和持續增長的調用量后，電力、芯片、網絡及數據中心投入都會成為重要支出。

Alphabet 已將 2026 年資本開支預期上調至 1,800 億—1,900 億美元，主要用于擴建 AI 計算能力、數據中心和相關基礎設施。在這一背景下，提高每瓦電力能夠生成的 Token 數，不僅意味著更低的能源消耗，還意味著同一座數據中心能夠承載更多用戶請求。對于已經擁有大量 Gemini 使用場景的谷歌而言，即使單次推理成本只下降一小部分，規模化之后也可能帶來可觀節省。

圖｜谷歌歷年資本開支預期（來源：S&P）

自研芯片還可以加強谷歌對供應鏈和產品節奏的控制，減少對英偉達等外部芯片供應商的依賴。但這種“減少依賴”并不等于完全替代。Frozen v2 即使順利投產，預計規模也將低于 TPU；谷歌的數據中心仍會同時使用 TPU、GPU 及其他計算設備。它更像是為高頻且相對穩定的 Gemini 任務增加一類成本更低的專用工具。

谷歌也不是唯一走向自研芯片的 AI 公司。2026 年 6 月，OpenAI 與博通公布首款自研推理芯片 Jalape?o。OpenAI 表示，這款芯片圍繞大語言模型推理設計，將結合博通的芯片實現和網絡技術以及 Celestica 的服務器系統能力，計劃于 2026 年底開始部署。

（來源：OpenAI）

Anthropic 也被曝已經開始研究自有 AI 芯片，并與三星電子等潛在合作方接觸。不過該項目仍處于早期階段，芯片的用途、性能目標和服務器部署方式尚未明確 Anthropic 同時表示，亞馬遜 Trainium、谷歌 TPU 和英偉達 GPU 仍將是其擴張算力的重要基礎。中國方面，此前 DeepSeek 和近期的月之暗面也有自研芯片方面的傳聞。

除專注于基礎模型的公司外，亞馬遜、微軟、Meta、阿里巴巴、百度和字節跳動等擁有云服務或大規模互聯網業務的企業，也在不同程度上推進專用 AI 芯片。其中部分芯片服務于模型訓練，部分集中于推理、推薦和廣告等高頻工作負載。它們共同反映出一個趨勢：隨著 AI 服務規模擴大，掌握模型的公司越來越希望同時參與芯片和計算系統設計。

這些項目屬于同一輪趨勢：AI 公司希望根據自身模型和業務負載設計芯片，以獲得更好的成本、能效和供應保障。但它們并不是完全相同的技術路線。Trainium、Maia、MTIA 以及 OpenAI 的 Jalape?o 主要面向一類或多類 AI 工作負載，仍保留一定通用性；Frozen v2 則稱會把 Gemini 的部分架構直接固化進硬件，模型與芯片的綁定程度可能更高。

因此，Frozen v2 所代表的不只是谷歌擴大自研芯片投入，也是一項更激進的軟硬件協同試驗。答案將取決于芯片能否如期投產，也取決于到 2028 年時，Gemini 是否仍然適合這塊為它提前設計的硅片。

1.https://techcrunch.com/2026/07/20/google-is-working-on-a-new-ai-chip-designed-to-make-gemini-more-efficient/

2.https://www.reuters.com/business/google-plans-new-chip-run-gemini-models-more-efficiently-information-reports-2026-07-20/

3.https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/ironwood-tpu-age-of-inference/

4.https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/ironwood-google-tpu-things-to-know/

運營/排版：何晨龍

注：封面由 AI 輔助生成