谷歌研发Frozen v2专用AI芯片 适配Gemini能效最高提10倍

2026年7月曝光的行业信息显示，谷歌正秘密研发代号为Frozen v2的专用AI芯片，该芯片将Gemini大模型底层计算逻辑固化至硬件，单位功耗处理性能可达其现役自研芯片的6至10倍，预计2028年投入部署，未来将与现有TPU芯片形成互补而非替代关系，旨在缓解当前全球AI算力短缺压力。

过去三年，头部大模型厂商的总算力消耗涨幅超过15倍，而通用AI芯片的能效提升幅度每年仅不到30%，供需错配带来的算力短缺，已经成为制约大模型迭代和商业化落地的核心瓶颈。对谷歌而言，Gemini系列大模型覆盖多模态推理、长上下文处理、企业级服务等多个场景，日均调用量连续12个季度保持两位数增长，现有TPU集群的算力供给已经逐渐捉襟见肘。

和英伟达GPU、谷歌现有TPU等通用AI芯片的设计逻辑不同，Frozen v2的核心创新在于将Gemini大模型的底层计算逻辑直接固化到硬件电路中，省去了通用芯片运行时反复调用算法指令、搬运中间数据的冗余步骤，从架构层面减少了无效功耗。

据谷歌内部研发团队测算，Frozen v2量产后的单位功耗处理性能将达到谷歌现役自研芯片的6至10倍，不仅可以大幅缩短普通用户调用Gemini服务的响应延迟，还能支撑Gemini落地实时三维生成、全链路多模态交互等此前算力成本过高的复杂场景，该芯片预计最早于2028年正式投入商用部署。

尽管Frozen v2的能效表现远超现有通用芯片，但谷歌并未打算用其完全替代已经迭代多代的TPU产品线。

相关内部人士透露，由于算法逻辑已经固化在硬件中，Frozen系列芯片仅能适配Gemini架构的大模型，无法灵活支持新算法研发、多模型训练等需要动态调整计算逻辑的场景。未来Frozen v2将主要承担Gemini大规模标准化推理、固定版本模型训练等算力需求，而TPU则作为通用算力底座支撑前沿技术研发、多业务场景灵活调度，二者形成优势互补的算力矩阵，进一步降低谷歌整体的算力运营成本。

谷歌布局大模型专用芯片的动作，也折射出全球AI算力竞赛的新趋势：通用GPU的性能提升速度已经跟不上大模型的迭代需求，软硬融合的垂直专用芯片正在成为头部厂商解决算力缺口的核心路径。

除了谷歌之外，OpenAI、Meta等多家头部大模型厂商都在推进自研专用芯片的研发，针对自有大模型的架构特点优化硬件设计，这类专用芯片的普及有望将大模型的推理成本降低一个数量级，进一步推动AI应用向千行百业渗透。