谷歌正在研发一款代号为「Frozen v2」的专用AI服务器芯片。它并非运行Gemini模型，而是将Gemini的底层计算架构——包括关键数据流路径、算子调度逻辑与内存访问模式——直接固化进硬件电路中。模型不是跑在芯片上，而是‘长’在芯片里。

当前主流AI芯片，无论是英伟达GPU还是谷歌自研TPU，本质都是通用计算架构：通过软件动态调度，适配不同模型。这种灵活性带来巨大开销——每一次推理都要反复搬运数据、解析指令、判断分支路径，就像一个全能厨师每次炒菜都得重读菜谱、重选锅具、重调火候。

Frozen v2彻底反其道而行之。它只为Gemini服务，把该模型最核心的执行逻辑‘浇铸’进硅片：哪些张量该走哪条通路、哪类计算该用哪种单元、缓存如何预取、权重如何分片加载……全部由物理连线决定。没有运行时决策，没有冗余搬运，没有动态调度。每一步都省下来，最终转化为实打实的能效提升。

最初的Frozen构想更为激进：由Jeff Dean团队提出，计划将Gemini的权重参数直接写入芯片ROM。但这条路被放弃——权重一旦固化，模型更新即意味芯片报废，生命周期过短，无法支撑迭代节奏。

Frozen v2是务实的演进：不固化权重，只固化计算架构。这意味着只要Gemini保持主干结构稳定（如MoE路由机制、注意力块组织方式、token处理流水线等），新版本参数仍可载入运行。芯片寿命不再绑定某一次模型发布，而取决于架构演进的步调。

谷歌正面临真实的算力瓶颈。Google Cloud已开始拒绝部分外部客户订单；6月，谷歌与SpaceX签下9.2亿美元/月的长期协议，租用11万张英伟达GPU——一家云计算巨头向火箭公司租算力，本身就是行业失衡的明证。

全行业都在加速走向专用化：亚马逊有Inferentia与Trainium，微软推出Maia，OpenAI内部组建芯片团队，初创公司如d-Matrix、SambaNova持续融资加码。英伟达去年斥资200亿美元收购Groq技术，也印证了推理效率已成为生死线。

内部测算显示，Frozen v2在单位功耗下的Token吞吐量，预计达最新TPU的6–10倍。但这份高效背后，是明确的取舍：芯片仅适配特定架构范式。若后续Gemini转向全新范式（例如抛弃Transformer主干、改用动态图神经网络或非冯·诺依曼结构），Frozen v2将迅速失去价值。

因此，它不是替代TPU的大规模量产产品，而是一次高精度工程验证：小批量部署，聚焦真实业务负载，检验‘架构固化’在延迟、能效、运维成本上的真实收益。成败不在于是否量产，而在于能否验证这条路径的技术可行性与商业阈值。

从TPU到Frozen v2，谷歌的芯片战略从未偏离同一主线：让软件定义硬件，再让硬件重塑软件。当模型复杂度逼近物理极限，竞争就不再停留在算法或数据层面，而下沉至晶体管排布、金属层走向、信号传播延时——AI战争，正式进入物理世界。