据《The Information》援引知情人士消息，谷歌正在研发一款内部代号为“Frozen v2”的服务器芯片。其核心思路相当直接：将Gemini模型的部分信息直接固化到硬件中，以期在推理效率上实现质的飞跃。

如果一切顺利，这颗芯片最早要到2028年才能部署。按照谷歌内部目前的预期，以“单位能耗生成的Token数量”来衡量，Frozen v2的效率可能是谷歌最新自研AI芯片的6到10倍。

但必须强调的是，整个项目目前仍处于设计阶段，工程团队尚未最终确定究竟要把多少模型信息固化到芯片中。

谷歌官方也没有正式确认Frozen v2一定会量产。公司只是向TechCrunch表示，一直在研究和试验新技术，并强调“并非每个项目最终都会投入生产”。

因此，6到10倍的效率提升，目前更接近一个内部设计目标，而非经过公开测试的产品指标。但即便这个项目最终没有按照现有方案落地，它也已经暴露了谷歌芯片战略的一次重要转向：在持续迭代TPU之外，谷歌开始尝试为特定Gemini模型设计更专用的硬件。

Frozen v2不是下一代TPU

要理解Frozen v2，关键在于认清它并非谷歌下一代TPU的代号。

路透社援引《The Information》的报道指出，Frozen项目的目标是建立一套独立于TPU的新芯片体系，而不是简单地替代TPU。

谷歌仍在同时推进TPU路线。其中一款代号为“Icefish”的下一代处理器，同样可能在2028年量产。根据报道，Icefish的主要计算部分计划由台积电制造，谷歌还在讨论由三星使用2纳米工艺生产连接内存的组件，并与联发科共同参与设计。

这意味着，谷歌可能同时拥有两类定位截然不同的AI芯片。

第一类是TPU。它仍然是一种面向矩阵计算、训练、推理和强化学习等工作负载的AI翻跟斗，可以运行不同规模、不同架构的模型，也能通过Google Cloud提供给外部客户。

第二类则是Frozen。按照现阶段披露的信息，它可能把部分Gemini模型的结构、参数信息或特定计算模式更深入地映射到硬件中，以牺牲一定通用性，换取更高的推理效率。

从产业角度来看，这相当于把AI芯片的专用化程度又向前推进了一层。

GPU主要依靠通用并行计算能力覆盖不同AI模型；TPU针对机器学习中的张量计算进行了专门设计；而Frozen v2则可能进一步针对某一模型家族进行优化。它面对的不再只是“什么样的AI计算”，而是“Gemini具体怎样计算”。

芯片越贴近固定工作负载，理论上越有机会减少不必要的数据搬运、控制逻辑和计算开销。但与此同时，硬件的适用范围也会收窄。Frozen v2能否真正成立，完全取决于谷歌能否在芯片设计阶段，找到Gemini模型中足够稳定、规模足够大、值得被硬件化的那部分。

TPU正在变得更开放，Frozen却可能更封闭

Frozen v2出现的时间点，也相当值得玩味。

2026年4月，谷歌发布了第八代TPU，并第一次将同一代产品明确分成TPU 8t和TPU 8i两种架构。TPU 8t主要用于大规模预训练，TPU 8i则针对采样、推理和模型服务进行了优化。

谷歌披露，TPU 8t在大规模训练任务中的每美元性能最高可达到Ironwood的2.7倍；TPU 8i在低延迟大规模混合专家模型推理中，每美元性能最高可提升80%；两款芯片的每瓦性能最高均可达到Ironwood的两倍。TPU 8i还配置了288GB高带宽内存和384MB片上SRAM，以降低延迟敏感型推理中的数据访问成本。

第八代TPU发布后，开发者社区的注意力很快从芯片本身转向了一个更实际的问题：谷歌拥有从模型、芯片到数据中心的完整技术栈，这种优势究竟在多大程度上转化成了Gemini的产品能力？

在Hacker News的相关讨论中，一种颇具代表性的看法是，Gemini已经证明，模型能力并不一定需要依靠不断扩大规模来实现。

ID名为himata4113的用户推测，Gemini 3 Pro和Flash的模型规模，可能只有Claude Opus和GPT-5级模型的五分之一到十分之一。在他看来，Gemini生成的Token明显更少，却仍能在不依赖工具和搜索的原始问题求解中，与Opus和GPT处于相近水平。

但这种效率优势没有完全转化成智能体能力。

himata4113认为，Gemini在推理和执行环节投入得还不够。模型经常生成错误的工具调用，在智能体任务上的表现也不理想。换句话说，Gemini可能已经是一个高效的问题解决模型，却还不是一个足够可靠的任务执行者。

他依然相信，谷歌迟早会拿出一款领先当时最先进水平一代的产品，“让所有人眼前一亮”。但前提是谷歌能够真正从原型阶段过渡到正式产品，而不是不断发布预览版。在他看来，谷歌目前推出的不少AI产品仍像是匆忙发布的原型，主要用于向投资者展示进展和验证概念。

ID名为deaux的用户对此表示强烈怀疑，尤其不认同Gemini Pro规模小五到十倍的说法。他提出了相反的推测：谷歌的硬件优势，可能并不是帮助它运行更小的模型，而是让它能够以更低成本、更高速度运行更大的模型。

deaux认为，Gemini 3 Pro的规模可能小于GPT-5.4和Claude Opus 4.6，但五倍以上的差距“似乎太大了”。从实际使用感受来看，Gemini 3 Pro反而是各方面表现最“智能”的模型之一，尤其在人文领域。

在他看来，Gemini 3 Pro知识丰富，在生成大量自然、接近人类表达的文本方面处于领先位置。在一些小众语言上，优势甚至更加明显。他给出的多语言能力排序中，前四名全部来自谷歌：Gemini 3 Pro、Gemini 3 Flash、Gemini 2.5 Pro和Gemini 2.5 Flash。

即使是OpenAI和Anthropic规模最大的模型，也很难在这些语言任务上与Gemini竞争。

不过，deaux也指出，Gemini的短板同样明显。它的数学能力相对较弱，智能体能力落后更多。Gemini聊天应用本身也“落后了不止一个时代”，在产品形态上与三年前刚发布的ChatGPT没有太大区别。

尽管不少用户认为Gemini的智能体产品仍不成熟，但对于谷歌的长期优势，社区中的判断反而相对一致：谷歌最大的筹码并不是推出另一个聊天机器人，而是将AI嵌入搜索和现有产品体系。

onlyrealcuzzo用户认为，谷歌显然正在优先发展能够增强、甚至部分取代传统搜索的AI技术，因为搜索是谷歌的命脉，也是最容易实现盈利的场景。

谷歌拥有超过其他竞争对手十亿级的用户规模。即使把其他所有大模型产品和本地移动应用加在一起，其用户请求量可能依然无法与谷歌搜索相提并论。

asah补充称，谷歌还可以把Gemini集成进Google Workspace、YouTube、地图、Google Cloud，以及大量已经成功运行的应用和幕后基础设施中。

这种在基础设施布局的前瞻性，也加快了谷歌芯片的商业化进程。

Alphabet在2026年第一季度财报电话会上表示，谷歌将开始向部分客户交付TPU硬件，允许其部署在自己的数据中心内，而不再仅仅通过Google Cloud出租算力。

相关收入将在2026年下半年开始确认，大部分预计在2027年体现。这部分基础设施逐渐变成一种对外输出的计算平台。为了吸引更多模型公司和企业客户，TPU需要支持JAX、PyTorch、vLLM、XLA等软件栈，并尽量降低模型迁移和适配成本。

谷歌在第八代TPU中强调原生PyTorch体验和跨代代码兼容，本质上也是在提高TPU的通用性。而这，恰好是Frozen的相反方向。

Frozen未必需要服务大量外部模型，也不一定需要建立类似CUDA或Cloud TPU的软件生态。只要能够稳定运行Gemini，并在谷歌搜索、Gemini应用、Workspace、广告和云服务中被大规模调用，谷歌就有可能摊薄芯片研发成本。

因此，谷歌的芯片战略正在形成一个“双轨制”：TPU负责扩大基础设施的通用性和商业半径，Frozen则负责把内部核心模型的单位运行成本压到更低。

1800亿美元支出之后，谷歌必须回答回报问题

Frozen v2最值得注意的地方，不是“6至10倍”这个尚未验证的数字，而是谷歌选择的衡量指标——单位能耗产生的Token数量。

在上一阶段的AI芯片竞争中，厂商更习惯强调浮点计算能力、参数规模、芯片互联带宽和训练集群规模。但随着大模型进入大规模推理阶段，单颗芯片的峰值算力并不能直接决定商业效率。

对于模型厂商而言，更现实的问题是：在同样的电力和服务器预算下，能够处理多少用户请求、生成多少有效Token，并维持怎样的响应速度。

特别是在Agent场景中，一次用户请求可能触发规划、搜索、工具调用、代码执行、结果验证和多轮反思。表面上只是完成一个任务，背后却可能产生远高于聊天机器人的Token消耗。芯片在数据搬运、内存访问和低批量推理中的效率，开始直接影响产品毛利率。

谷歌第八代TPU的设计已经反映出这种变化。TPU 8t主要解决训练吞吐量和集群扩展问题，TPU 8i则增加内存带宽和片上SRAM，面向低延迟推理和多Agent协同。

Frozen v2如果继续把Gemini的部分计算模式固化进硬件，相当于把这种分工进一步推进到了模型层。这就是Frozen的特殊价值所在。Gemini不仅是一款独立应用，还在进入搜索、广告、Workspace和Google Cloud。只要模型被部署到足够多的产品中，即便每次调用只节省少量能耗和计算时间，累计到数十亿次请求之后，也可能转化为显著的基础设施成本差异。

Frozen v2获得资本市场关注，也与Alphabet迅速膨胀的资本开支有关。

2025年，Alphabet资本开支为914亿美元，其中约60%投向服务器，40%投向数据中心和网络设备。到2026年第一季度，公司又将全年资本开支指引提高至1800亿至1900亿美元，接近2025年的两倍。Alphabet同时表示，2027年的资本开支还将显著高于2026年。

Alphabet管理层表示，内部和外部对AI算力的需求均达到前所未有的水平，Google Cloud仍处在算力供应紧张的环境中。

Frozen v2的相关报道则进一步提到，算力短缺已经引发谷歌内部资源分配压力，并导致Google Cloud拒绝部分外部客户订单。

路透社报道称，谷歌这款新的芯片消息发布后，Alphabet股价在7月20日早盘上涨约3.3%，截至发稿前，Alphabet股价上涨2%。市场关注的并不只是谷歌又多了一款芯片，而是它是否找到了降低AI基础设施资本强度和运行成本的方法。

但需要区分的是，芯片效率提升并不等于资本回报自动改善。

一款芯片能否真正降低成本，还取决于制造良率、先进封装、内存供应、服务器部署速度、软件适配、实际利用率和芯片生命周期。即便Frozen v2达到预定的每瓦Token指标，如果Gemini模型在芯片投产前发生重大架构变化，部分硬件设计也可能面临重新调整。

这正是模型专用芯片最大的风险：模型的迭代周期通常以月计算，先进芯片从架构设计到量产却往往需要数年。Frozen v2计划2028年发布，谷歌需要判断哪些Gemini能力在未来两年内仍然稳定，而不是把快速变化的模型短暂特征过早固定在硅片中。

谷歌自己也为Frozen v2项目的不确定性留下了余地，明确表示并非所有研究项目都会进入生产阶段。