不靠最强模型也能赢？谷歌正用一款“冷冻”芯片复制搜索时代的“全栈碾压”

据《The Information》援引知情人士报道，谷歌正在设计一款内部代号为“Frozen v2”的服务器芯片，计划把Gemini模型的部分信息直接融入硬件，以提高模型推理效率。 这款芯片最早可能在2028年部署。按照目前的内部预期，以单位能耗生成的Token数量衡量，其效率可能达到谷歌最新自研AI芯片的6至10倍。 不过，这一项目仍处于设计阶段，工程团队尚未最终确定有多少模型信息会被固化进芯片。 谷歌也没有正式确认Frozen v2一定会量产，只是向TechCrunch表示，公司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至10倍的效率提升目前更接近内部设计目标，而不是经过公开测试的产品指标。 终没有按照现有方案落地，这一项目仍然暴露出谷歌芯片战略的一次重要变化：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 理解Frozen v2的关键，在于它并不是谷歌下一代TPU的代号。 路透社援引《The Information》报道称，Frozen项目的目标是建立一套独立于TPU的新芯片体系，而不是替代TPU。 谷歌仍在同时推进 TPU 路线，其中一款代号为“Icefish”的下一代处理器也可能在2028年量产。按照相关报道，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。 谷歌可能同时拥有两类不同定位的AI芯片。 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加速器，可以运行不同规模、不同架构的模型，也可以通过Google Cloud提供给外部客户。 另一类则是Frozen。按照现阶段披露的信息，它可能把部分 Gemini 模型结构、参数信息或者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；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能否成立，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出现的时间点也值得注意。 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。 这种在基础设施的布局的前瞻性，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。 部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、XL