Alphabet自研芯片Frozen v2：将Gemini架构固化硅片，推理效率跃升10倍
在人工智能基础设施的演进历程中，我们正见证一个关键转折点的到来。长期以来，AI芯片的设计逻辑遵循着通用计算的原则，即通过强大的通用处理单元来适应不断变化的软件模型。然而，Alphabet最新披露的内部项目Frozen v2正在颠覆这一传统范式。这款预计于2028年量产的芯片，并非仅仅是对现有TPU性能的线性升级，而是尝试将Gemini大模型的核心神经网络架构直接“冻结”并固化到硅片的物理电路中。这种从“软件定义硬件”到“硬件固化软件”的转变，预示着AI竞争已进入深度垂直整合的新阶段。
传统AI推理过程本质上是一个数据搬运的游戏。在现有的通用GPU或TPU架构中，模型权重和架构参数存储在内存中，计算单元需要频繁地从内存抓取数据进行运算，再将结果写回。这一过程中，大量的能耗和时间消耗在了数据搬运而非实际计算上。Frozen v2的创新之处在于，它将Gemini模型的层级结构、注意力机制以及残差连接等固定不变的架构信息，在芯片设计阶段就转化为物理电路的一部分。这意味着，那些在传统推理中需要反复运算和搬移的结构信息，现在变成了电流可以直接通过的固定路径。据知情工程师透露，这种设计使得单位功耗下的Token处理量相比现有TPU提升了6至10倍。这不仅是效率的提升，更是能源经济学的重构。
值得注意的是，Frozen v2并非试图固化模型的所有内容。早期的Frozen v1方案曾尝试连模型权重一起固化，但因无法适应模型快速迭代而被放弃。目前的V2版本采取了一种折中策略：只锁住“骨架”，即相对稳定的底层架构，而保留“血肉”，即可更新的模型权重。这一决策基于一个核心判断：Gemini的底层Transformer架构已经足够稳定。从2023年底发布的Gemini 1.0到后续的3.5 Flash版本，其核心的多头注意力、前馈网络和层归一化组件并未发生根本性变革。真正的迭代主要集中在规模扩大、训练数据优化和后训练调整上。因此，将架构固化在硅片中，是在模型稳定性与硬件专用性之间找到的最佳平衡点。
这种定制化ASIC（专用集成电路）的思路在半导体行业并不新鲜，比特币矿机和手机ISP都是典型案例。但在大模型领域，此前鲜有巨头敢冒此风险，主要原因在于模型迭代速度远快于芯片设计周期。通常一颗高端芯片从设计到流片需要两到三年时间，而大模型可能在几个月内就会发生架构突变。如果芯片出炉时模型架构已变，数十亿美元的投资将瞬间化为沉没成本。Alphabet敢于下注Frozen v2，表明其内部对Gemini架构的长期稳定性拥有极高信心，同时也反映出其对算力成本控制的迫切需求。
支撑这一大胆技术赌注的，是Alphabet雄厚的财务底气与紧迫的市场压力。2026年第一季度，Alphabet营收同比增长22%，Google Cloud营收首次突破200亿美元，合同积压飙升至4620亿美元。然而，光鲜的收入背后是惊人的资本支出。仅Q1资本支出就达到357亿美元，全年指引上调至1800亿至1900亿美元，几乎是2025年的两倍。自由现金流同比大幅下滑，迫使公司通过大规模股权融资来补充弹药，甚至吸引了伯克希尔·哈撒韦的巨额认购。这些资金主要流向当下的数据中心建设和第七代Ironwood TPU部署，以解决迫在眉睫的算力短缺问题。管理层明确表示，如果产能充足，云收入本可以更高。Frozen v2正是为了解决这一长期瓶颈，旨在让成本增长慢于收入增长，构建自我强化的经济护城河。
与此同时，AI行业的竞争格局正在发生深刻变化。英伟达虽然在云端AI训练和推理市场占据主导地位，拥有超过600万开发者的CUDA生态壁垒，但其通用GPU的模式正面临挑战。英伟达无法为每个客户的特定模型定制硅片，而Alphabet、OpenAI、Anthropic和Meta等头部玩家却可以。OpenAI与博通合作研发Jalapeño芯片，Meta推进Iris芯片投产，这些动作都指向同一个趋势：AI模型实验室正在演变为半个半导体公司。当每家巨头都使用为自己模型量身定制的芯片时，通用GPU市场的边际效应将递减，留给第三方供应商的空间将被压缩。这并非意味着英伟达的立即衰落，而是标志着AI算力市场从“通用垄断”向“专用分化”的结构性转变。
当然，Frozen v2之路并非坦途，其面临的风险不容忽视。首先是架构突变风险。尽管目前Transformer架构占据主导，但混合专家模型（MoE）、状态空间模型（SSM）等新范式正在学术界和工业界积蓄势能。如果Gemini 4.0或后续版本转向与Frozen v2硬编码方向冲突的架构，这颗芯片将面临巨大的贬值风险。其次是规模经济问题。作为小批量内部使用的芯片，Frozen v2的产销量远低于通用TPU，高昂的研发和流片成本摊销可能导致其总拥有成本（TCO）未必优于通用方案。最后是算法优化的不确定性。如果通过模型蒸馏、量化、投机解码等纯软件手段能大幅降低推理成本，那么硬件固化的相对优势将被削弱。芯片与算法始终是两条平行的效率曲线，Frozen v2押注的是硬件优化的上限更高。
尽管存在风险，Frozen v2向行业传递的信号依然清晰且强烈。AI竞争的重心正从训练速度转向推理成本。训练是一次性的资本开支，决定了谁有资格上牌桌；而推理是持续的运营开支，决定了谁能在桌上坐多久。随着AI应用从探索期进入普及期，推理成本的敏感度将远超训练速度。Alphabet通过Frozen v2展示了一种新的战略思路：不再仅仅作为AI容量的买家，而是成为AI成本曲线的设计者。这种全栈式的垂直整合，从模型算法到芯片架构，再到云端基础设施，正在形成一种难以复制的竞争壁垒。
对于整个科技行业而言，这一趋势意味着未来的AI基础设施将更加碎片化和专用化。通用算力依然重要，但在特定高负载场景下，专用芯片将凭借极致的能效比占据主导。这也要求企业在技术路线选择上具备更强的前瞻性和定力。Alphabet的尝试不仅是为了自身的成本控制，更是在探索后摩尔定律时代，如何通过软硬协同设计来突破物理极限。如果Frozen v2成功量产并验证其经济性，它将成为AI硬件发展史上的一个里程碑，证明在特定的超大规模应用场景下，专用性终将战胜通用性。这场关于硅片与代码深度融合的实验，才刚刚拉开序幕，其结果将深刻影响未来十年全球AI产业的权力版图。