7 月 20 日，The Information 援引两名直接知情人士报道，Google 正在研发一款代号「Frozen v2」的服务器芯片，计划将 Gemini 模型的部分架构直接固化在硅片中，最早于 2028 年部署。Bloomberg 等媒体随后跟进。消息公布当天，Alphabet A 类股收涨 1.51%，报 $351.99。
「Frozen」让人联想到机器学习中的「冻结」（freeze），但报道所说的 v2 固化的是部分架构，权重仍可更新。它希望让芯片的物理设计更贴合 Gemini 的计算方式，以提高运行效率。
相比 TPU，Frozen 拟进一步针对 Gemini 架构设计
Google 已有自研 TPU，Frozen v2 拟在此之外尝试更专用的设计。
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，可支持 Gemini、Gemma 及适配后的第三方模型等不同模型。
Frozen v2 则进一步针对 Gemini 设计。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，测试在模型架构趋于稳定后采用更专用芯片的可行性。
这里需要区分固化架构与固化参数。据 Tom's Hardware 转引的报道，早期 Frozen 方案曾考虑将权重也写入芯片，后来因使用寿命过短而放弃。v2 留下权重更新的空间，但被固化的架构仍会限制后续调整。
Frozen v2 的设计首先针对 Gemini 家族的推理需求，外部模型能否使用、是否通过云服务开放，仍未明确。TPU 已通过 Google Cloud 向客户开放；按目前报道，Frozen v2 将与 TPU 并存。
Google 同时面临模型竞争和推理成本压力
Frozen v2 的消息公布时，Google 的模型竞争力也正受到市场关注。
此前一周，本刊援引媒体消息报道了 Gemini 3.5 Pro 因编码表现问题第三次推迟发布，以及 Alphabet 市值缩水约 2000 亿美元的情况。Google CFO 此前披露，AI 撰写约 50% 的 Google 代码；Anthropic 则称这一比例在自己公司接近 100%，两者的统计范围并未统一。另据报道，Sergey Brin 参与组建的编码团队正在调整，将更多精力转向介于预训练和后训练之间的「中训练」。
模型能力与运行成本需要同时改善，芯片研发的周期又长于一次模型更新。若 Frozen v2 达到报道中的能效目标，Google 运行 Gemini 的用电需求有望下降。这项预期以自家 TPU 为比较对象，整体成本还要看实际部署。
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。这种安排有利于芯片团队与模型团队共同决定哪些计算方式适合固化，以及哪些部分需要保留可调整的空间。
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%。这一反应反映出市场对降低推理成本的关注，但短期股价变化无法验证芯片的实际表现。
AI 公司都在设计定制芯片，专用程度各不相同
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，多家 AI 公司都在推进软硬件协同设计，各自选择的专用程度不同。
6 月 24 日，OpenAI 与 Broadcom 联合发布了 Jalapeño——一款针对 LLM 推理优化的定制芯片，公开设计并未将某一版本的模型权重固定在芯片里。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，都属于大型云厂商的自研芯片布局。Etched 获得 50 亿美元估值，并宣布签下超过 10 亿美元的客户合同，显示专用推理芯片也吸引了投资和采购需求。
Frozen v2 拟进一步绑定 Gemini 的部分架构。这样的设计需要回答一个问题：哪些计算结构足够稳定，适合在芯片制造前固定下来？
The New Stack 的分析关注的是架构变化带来的风险：若 Gemini 在芯片投入使用前后改用不兼容的计算方式，固定电路的利用价值就会下降。选择固化哪些部分，是效率和适应性之间的取舍；据报道，具体固化范围仍未确定。
每瓦输出更多 token，有望降低推理用电成本
2026 年，不同前沿模型的推理定价相差明显。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 定价为 $10/$50——三度延期的免费窗口才刚在 7 月 19 日午夜正式关闭。据报道，Uber 四个月内耗尽全年 AI 预算、Walmart 对内部编码工具设限。企业开始审视高强度调用的成本，也增加了模型厂商控制价格的压力。
在这种环境下，单位电力消耗能够支持多少 token 产出，会影响模型服务的成本。Frozen v2 所预期的 6 到 10 倍能效若能兑现，可能显著降低部分推理用电，但整体成本还包括芯片研发、制造、运维和利用率等因素。
因此，即使部署目标是「最早 2028 年」，这项研发也有长期经营上的意义。对 Google 来说，模型能否完成客户任务、专用芯片能否降低运行成本，都会影响投入回报，不能仅凭其中一项判断竞争胜负。
制程、成本和架构兼容性仍待明确
Frozen v2 目前尚无正式产品公告。Google 回应媒体时未确认项目细节，并提醒并非所有研发项目都会投产。仍有几项问题需要后续信息：
制程节点：外界对 3nm、2nm 等制程有不同推测，但 Google 尚未公布选择。制程和制造时间表都会影响能效及成本。
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，Google 需要评估自家模型的推理规模能否支撑这项投入。
架构风险：如果 Gemini 的底层架构在 2025-2028 年间或此后发生重大变化，例如引入不兼容的新注意力机制，固定电路的用途可能受限。Google 需要判断哪些部分适合固化、哪些部分应保留灵活性。
人才争夺：芯片架构师是 AI 行业最稀缺的人才之一。OpenAI 与 Broadcom 的合作、Meta 的自研团队，以及 Apple 的硬件业务，都会争夺相关人才。Google 也需要持续维护这支跨模型与芯片领域的团队。
芯片与模型协同设计，最终要看实际收益
Frozen v2 展示了 Google 可能采取的一条降本路径：让芯片更贴合自家模型的计算方式。它能否成为有用的产品，取决于能效预期能否实现、架构兼容性能维持多久，以及节省的运行成本能否覆盖研发制造投入。下一步值得关注的是芯片验证和部署进展。
