两名知情人士透露，谷歌正在研发一款全新服务器芯片 ，这款芯片可将 Gemini 大模型的底层架构方案直接固化在硅基硬件中
，能够极大提升谷歌面向用户提供 AI 服务的运行效率。

　　这款内部代号为Frozen v2（固化二代）的芯片，用于缓解谷歌当前严峻的 AI 算力缺口 。算力不足不仅引发了谷歌内部各部门矛盾 ，还导致谷歌云不得不回绝大量外部客户的算力采购订单
。参与该芯片研发的工程师测算
，按单位功耗可处理的 Token 数量（AI 算力核心计量指标）计算，该芯片正式落地后 ，能效可达谷歌现有最新一代自研 AI 张量处理器（TPU）的6 至 10 倍。

　　该芯片命名为 Frozen（固化）
，源于其设计思路：将大模型的部分运算逻辑永久蚀刻在芯片硅片内部 。工程师现阶段仍在敲定芯片核心功能模块
、各单元协同工作机制
。知情人士称，谷歌计划最早在 2028 年正式投产部署该芯片。

　　Frozen 项目并非用来替代谷歌现有的 TPU 张量处理器 ，而是开辟一条全新的自研芯片产品线 。当下行业使用最广泛的英伟达 GPU、谷歌 TPU 均属于通用型 AI 加速芯片
，能够兼容各式各样的 AI 模型
。

　　通用芯片在运行不同大模型时，需要实时执行大量繁杂的运算调度判断；而 Frozen v2 将 Gemini 模型的部分固定运算逻辑内置在硬件层面 ，精简了芯片的运算步骤与数据搬运量。

　　知情人员表示，硬件内置运算逻辑能够缩短 AI 问答的响应时延
，有望支撑谷歌落地一批全新 AI 应用 。但这套方案也押注谷歌会长期沿用当前 Gemini 大模型的研发架构；只有后续迭代的 Gemini 模型基于芯片设计时的底层架构开发，这款芯片才能正常适配新一代模型
。

　　研发人员补充 ，芯片保留了弹性调整空间
，可通过更新模型权重（决定模型应答逻辑的核心参数配置）完成模型版本升级迭代。

　　谷歌官方发言人对外回应：谷歌各团队始终在持续研发 、试验各类创新技术，力求为用户与企业客户交付性能
、效率最优的 AI 服务 。发言人还表示：并非所有研发项目最终都会量产落地 ，但这种全方位的技术探索
，是谷歌全栈式 AI 布局的关键一环。

　　推理芯片为何成为行业研发热点

　　一大批企业都在布局 AI 推理芯片（承载大模型线上运行的算力硬件），既有 SambaNova、d-Matrix 这类初创公司 ，也包含 OpenAI 、微软等科技巨头
。各家的目标都是打造比英伟达 GPU 能效更高的推理芯片
，缓解全球算力紧缺
、算力成本高企的行业痛点。英伟达自身也在去年 12 月斥资 200 亿美元，收购推理芯片初创企业 Groq 的相关技术授权 。

　　各家厂商的技术路线与谷歌 Frozen 方案存在差异 ，但 Frozen v2 的设计思路和加拿大芯片初创公司 Taalas 相近：二者均把特定 AI 模型的运算逻辑硬编码至芯片硬件
。Taalas 已完成超 2 亿美元融资
，投资方包含 Quiet Capital、富达投资。

　　Frozen v2 的设计源自初代 Frozen 方案，该初代构想由谷歌 DeepMind 首席科学家杰夫・迪恩牵头 ，计划直接将模型权重烧制在芯片硬件中 。但这套多年前的方案存在明显短板：芯片只能适配固定版本的 Gemini 模型，硬件服役生命周期过短
，最终被搁置
。

　　另一名知情人士透露，谷歌团队目前正在权衡芯片内置固化数据的体量 ，在硬件能效与产品通用性之间寻找平衡点。

　　谷歌自研芯片的过往收益

　　谷歌多年的自研芯片布局已经兑现价值 。今年谷歌正式发布第八代 TPU
，并且开始直接向云客户售卖该芯片产品，正面冲击英伟达在 AI 芯片市场的垄断地位
。谷歌已和 Meta 签署数十亿美元 TPU 供货协议 ，同时积极向其他原本忠实采购英伟达硬件的云厂商推销自家 TPU 产品。

　　依靠自研芯片搭配 Gemini 模型协同设计
，谷歌目前运行自家大模型的硬件成本已经下降 。只不过现有 TPU 仅嵌入了少量模型底层信息，集成度远不及 Frozen 系列芯片
。

　　谷歌现阶段没有规划大规模量产 Frozen v2 芯片 ，产能规模远低于 TPU。较小的量产体量意味着谷歌无需在项目早期就引入外部设计 、代工合作方 。谷歌也将本次 Frozen 二代视作一次技术试验：待未来 AI 大模型架构趋于定型后
，本次研发积累的经验，能够帮助工程师设计出更加专用化的高性能 AI 芯片。