7 月 20 日，The Information 和 Bloomberg 同时爆料：Alphabet 旗下的 Google 正在研发一款代号「Frozen v2」的新一代服务器芯片，其核心创新不是更快的晶体管或更大的内存带宽，而是将 Gemini 模型的架构元素直接固化在硅片中。信息来自两名直接知情人士，目标部署时间最早为 2028 年。消息公布后，Alphabet 股价当日收涨 1.51%，报 $351.99。
「Frozen」这个名字来自机器学习术语——「冻结」（freeze）参数意味着将其锁定、不再更新。Google 的野心是将这种「冻结」从软件层下沉到物理层：把 Gemini 的部分网络结构直接蚀刻进晶体管电路。这不再是通用芯片跑通用模型，而是芯片的物理设计反映模型的架构特性——半导体历史上罕见的垂直锁定深度。
从 TPU 到 Frozen：一条更激进的路
要理解 Frozen v2 的激进之处，需要回顾 Google 的自研芯片路线。
Google 从 2015 年开始在内部使用 TPU（张量处理单元），至今已演进至第八代——2026 年 4 月 Cloud Next 大会上发布的 TPU 8t（训练）和 TPU 8i（推理），首次将训练和推理拆分为两条独立产品线。TPU 的核心理念是「AI 专用但模型通用」：它是为神经网络计算优化的 ASIC，但任何模型——Gemini、Gemma、第三方开源模型——都可以在 TPU 上运行。
Frozen v2 打破了这个范式。据 The Information 报道，该芯片将 Gemini 模型的部分架构元素直接嵌入硅片设计，工程师预计其推理效率可达最新一代 TPU 的 6 到 10 倍——以「每瓦特功耗产生的 token 数量」衡量。Tom's Hardware 进一步指出，Google 不打算以 TPU 的规模量产 Frozen v2，而是将这一代视为试验品，为「模型架构趋于稳定后的更专用硅」探路。
The Decoder 对命名的解释提供了关键线索：「冻结参数」意味着这些被固化的模型组件不会随软件更新而改变——芯片生产出来后，Gemini 的那部分就「长」在硅里了。这是灵活性换效率的极端交易。
多位分析师指出，Frozen v2 几乎不可能成为对外销售的云产品——它是 Google 的内部效率工具，专门服务于 Gemini 家族模型的推理场景。这与 TPU 的商业化路径形成鲜明对比：TPU 通过 Google Cloud 向外部客户开放，而 Frozen v2 是把芯片锁定在单一模型上。
Gemini 困境与硬件豪赌
Frozen v2 的曝光时间点耐人寻味。
就在一周前，本刊报道了 Gemini 3.5 Pro 因编码能力不足第三次推迟发布，Alphabet 市值蒸发约 2000 亿美元。Google CFO 此前透露，Anthropic 的 Claude 已能用 AI 撰写接近 100% 的代码，而 Google 内部约 50%。Sergey Brin 亲自参与组建的编码「突击队」正在重组，战略重心从编码工具转向「中训练」技术。
在这种背景下，Frozen v2 的研发表明 Google 并非单纯在软件层面追赶——它正在做一个不同时间尺度的押注：如果 Gemini 在模型能力上暂时落后，那就确保当 Gemini 追上时，运行它的成本只有竞品的十分之一。
The Information 援引消息人士称，Frozen v2 项目独立于 TPU 团队运作，直接向 Google DeepMind 和 Google Cloud 的高层汇报。这暗示着该项目不仅是芯片工程，更是「模型-芯片协同设计」的战略级实验——芯片设计师和模型架构师在同一张桌子上决定哪些计算模式值得被「烧」进硅片。
CNBC 报道指出，Alphabet 股价在消息公布后一度上涨 3.7%，最终收涨 1.51%。市场似乎在用真金白银投票：在一个模型层价格战白热化的年份，控制推理成本的能力比模型本身的短期 benchmark 排名更具长期价值。
模型即芯片：一场行业级的范式竞赛
Google 并非唯一在尝试将模型和芯片深度绑定的公司。2026 年夏天，前沿 AI 公司正在系统性地将软件栈和硬件栈对齐，只是各自的路径和激进程度不同。
6 月 24 日，OpenAI 与 Broadcom 联合发布了 Jalapeño——一款专为 LLM 推理设计的定制芯片，但 Jalapeño 仍是「AI 专用但模型通用」的设计，可以运行 GPT 系列之外的模型。7 月 2 日，TechCrunch 报道 Anthropic 正与三星讨论定制芯片合作。Meta 的 MTIA 和 Iris 芯片系列、Microsoft 的 Maia 芯片、AWS 的 Trainium 和 Inferentia——hyperscaler 的自研芯片竞赛已经全面铺开。Etched 则以 50 亿美元估值和 10 亿美元合同订单证明，市场愿意为 Transformer 专用推理架构下重注。
但 Frozen v2 的激进程度超出了上述所有项目。它不仅是「AI 专用」，更是「单一模型专用」。这提出了一个根本性的战略问题：模型架构是否已经趋于稳定，值得为之铸造硅片？
The New Stack 的分析一语中的：Frozen v2 的前提假设是 Gemini 的架构在 2028 年之前不会发生根本性变化——否则固化的那部分硅就会变成沉没成本。Google 的设计回应似乎是「灵活固化」：只冻那些最稳定、最基础的计算模式，而非整个模型。
推理经济学：为什么「烧进硅片」是终极答案
2026 年，前沿模型的推理定价正在经历断崖式下跌。Grok 4.5 定价 $2/$6（输入/输出每百万 token），GPT-5.6 Terra 为 $2.50/$15，而 Anthropic 的 Fable 5 定价高达 $10/$50——三度延期的免费窗口才刚在 7 月 19 日午夜正式关闭。「Tokenmaxxing」文化的终结——Uber 四个月内耗尽全年 AI 预算、Walmart 对内部编码工具设限——更是让模型厂商面临越来越大的降价压力。
在这种环境下，推理成本不再是锦上添花的运营效率问题，而是模型公司的生死线。谁能在单位电力消耗下输出更多 token，谁就能在价格战中活得更久、抢到更多份额。将模型「烧」进硅片的长期成本优势——6 到 10 倍的每瓦 token 产出——如果兑现，将是决定性的。
这也解释了为什么市场对一份「最早 2028 年」的芯片爆料反应积极。因为投资者正在用 DCF 模型衡量 AI 公司的远期推理经济性：如果 Google 能在 2028 年以十分之一的电力成本运行 Gemini，那么今天 Gemini 在编码 benchmark 上落后几个百分点就不再那么重要。
已知的未知
Frozen v2 目前仅存在于报道中，Google 未正式确认该项目。多个关键问题尚无答案：
制程节点：多位分析师推测 Frozen v2 可能采用 3nm 或更先进制程，但 Tom's Hardware 指出，考虑到 2028 年目标，完全可能在 2nm 节点上流片。这将影响实际的效率增益幅度。
经济可行性：芯片设计的一次性工程成本（NRE）在先进制程上可达数亿美元。如果 Frozen v2 只服务 Gemini 且不对外销售，它需要极大的推理规模才能摊销——Google 必须坚信 Gemini 将成为数十亿用户日常使用的模型。
架构风险：如果 Gemini 的底层架构在 2025-2028 年间发生重大变化——例如从 Dense 转向 MoE 或引入全新的注意力机制——已固化的硅可能变成废铁。Google 需要在「冻哪些层」和「留哪些灵活」之间做出精确判断。
人才争夺：芯片架构师是 AI 行业最稀缺的人才之一。Google 能否在 OpenAI（Broadcom 合作）、Meta（自研团队）、Apple（硬件传统优势）的围攻下维持 Frozen 团队，是一个被低估的风险。
结语
Frozen v2 的真正意义不在于它比 TPU 快多少倍，而在于它代表了一种新的信念：AI 的价值捕获正在从软件层向硅层迁移。当模型的能力趋于收敛，当 token 价格趋近于电力成本，控制物理层的人将控制一切。Google 正在为那个未来下注——用一块只属于 Gemini 的芯片。