据知情人士透露，《The Information》报道谷歌正在研发代号为“Frozen v2”的服务器芯片。该芯片旨在将部分 Gemini 模型特性直接嵌入硬件，以提升模型推理效率。据内部预期，这款芯片最早有望在 2028 年部署，其单位能耗产生的 Token 数量预计可达谷歌当前最新自研 AI 芯片的 6 至 10 倍。然而，该项目目前仍处于设计阶段，工程团队尚未最终确定将多少模型信息固化进芯片。谷歌也未正式确认该芯片一定会量产，仅向 TechCrunch 表示，公司一直在研究新技术，但“并非每个项目最终都会投入生产”。因此，这 6 至 10 倍的效率提升目前更接近内部设计目标，而非公开测试后的产品指标。
这一项目的曝光，反映了谷歌芯片战略的一次重要调整：在持续迭代 TPU 的同时，开始尝试为特定的 Gemini 模型设计更专用的硬件。Frozen v2 并非下一代 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，而非替代 TPU。谷歌仍在推进 TPU 路线，其下一代处理器“冰鱼”预计也将在 2028 年量产。按照相关报道，“冰鱼”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。
这意味着谷歌可能同时拥有两类不同定位的 AI 芯片。一类是 TPU，它仍是一种面向矩阵计算、训练、推理和强化学习等工作负载的通用 AI 加速器，可以运行不同规模和架构的模型，并通过 Google Cloud 提供给外部客户。另一类则是 Frozen。目前披露的信息显示，它可能将部分 Gemini 模型的结构、参数或特定计算模式更深入地映射到硬件中，以牺牲一定的通用性来换取更高的推理效率。从产业角度看，这相当于将 AI 芯片的专用化程度推向了新的高度。GPU 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；而 Frozen v2 则可能进一步针对某一特定模型家族进行优化，其面对的不再是“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、规模足够大且值得被硬件化的部分。
Frozen v2 出现的时间点颇具深意。2026 年 4 月，谷歌发布了第八代 TPU，首次将产品细分为 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 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 发布后，开发者社区的关注点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为了 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。用户 himata4113 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为智能体能力。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，谷歌迟早会推出领先一代的产品，但前提是能从原型阶段过渡到正式产品。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。
用户 deaux 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。他推测，谷歌的硬件优势可能并非帮助其运行更小的模型，而是让它能够以更低成本、更高速度运行更大的模型。他认为，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。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，其数学能力相对较弱，智能体能力落后更多，聊天应用本身也“落后了不止一个时代”。
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。用户 onlyrealcuzzo 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。用户 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。
这种在基础设施上的前瞻性布局，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。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、XLA 等软件栈，并尽量降低模型迁移和适配成本。谷歌在第八代 TPU 中强调原生 PyTorch 体验和跨代代码兼容，本质上也是在提高 TPU 的通用性。这与 Frozen v2 的方向恰好相反。Frozen v2 不需要服务大量外部模型，也不一定需要建立类似 CUDA 或 Cloud TPU 的软件生态。只要能够稳定运行 Gemini，并在谷歌搜索、Gemini 应用、Workspace、广告和云服务中被大规模调用，谷歌就有可能摊薄芯片研发成本。因此，谷歌的芯片战略正在形成一个“双轨制”：TPU 负责扩大基础设施的通用性和商业半径，Frozen 则负责把内部核心模型的单位运行成本压到更低。
在 1800 亿美元支出之后，谷歌必须回答回报问题。Frozen v2 最值得注意的地方，不是“6 至 10 倍”这个尚未验证的数字，而是谷歌选择的衡量指标——单位能耗产生的 Token 数量。随着大模型进入大规模推理阶段，单颗芯片的峰值算力并不能直接决定商业效率。对于模型厂商而言，更现实的问题是：在同样的电力和服务器预算下，能够处理多少用户请求，生成多少有效 Token，并维持怎样的响应速度。特别是在 Agent 场景中，一次用户请求可能触发规划、搜索、工具调用、代码执行、结果验证和多轮反思，表面上是完成一个任务，背后却可能产生远高于聊天机器人的 Token 消耗。芯片在数据搬运、内存访问和低批量推理中的效率，开始直接影响产品毛利率。谷歌第八代 TPU 的设计已经反映出这种变化。TPU 8t 主要解决训练吞吐量和集群扩展问题，TPU 8i 则增加内存带宽和片上 SRAM，面向低延迟推理和多 Agent 协同。Frozen v2 如果继续把 Gemini 的部分计算模式固化进硬件，相当于把这种分工进一步推进到了模型层。特殊价值在于，Gemini 不仅是一款独立应用，还在进入搜索、广告、Workspace 和 Google Cloud。只要模型被部署到足够多的产品中，即便每次调用只节省少量能耗和计算时间，累计到数十亿次请求之后，也可能转化为显著的基础设施成本差异。
Frozen v2 获得资本市场关注，也与 Alphabet 迅速膨胀的资本开支有关。2025 年，Alphabet 资本开支为 914 亿美元，其中约 60% 投向服务器，40% 投向数据中心和网络设备。到 2026 年第一季度，公司又将全年资本开支指引提高至 1800 亿至 1900 亿美元，接近 2025 年的两倍。Alphabet 同时表示，2027 年的资本开支还将显著高于 2026 年。管理层表示，内部和外部对 AI 算力的需求均达到前所未有的水平，Google Cloud 仍处在算力供应紧张的环境中。Frozen v2 的相关报道则进一步提到，算力短缺已经引发谷歌内部资源分配压力，并导致 Google Cloud 拒绝部分外部客户订单。路透社报道称，谷歌这款新的芯片消息发布后，Alphabet 股价在 7 月 20 日早盘上涨约 3.3%，截至发稿前，Alphabet 股价上涨 2%。市场关注的并不只是谷歌又多了一款芯片，而是它是否找到了降低 AI 基础设施资本强度和运行成本的方法。
但需要区分的是，芯片效率提升并不等于资本回报自动改善。一款芯片能否真正降低成本，还取决于制造良率、先进封装、内存供应、服务器部署速度、软件适配、实际利用率和芯片生命周期。即便 Frozen v2 达到预定的每瓦 Token 指标，如果 Gemini 模型在芯片投产前发生重大架构变化，部分硬件设计也可能面临重新调整。这正是模型专用芯片最大的风险：模型的迭代周期通常以月计算，先进芯片从架构设计到量产却往往需要数年。Frozen v2 计划 2028 年发布，谷歌需要判断哪些 Gemini 能力在未来两年内仍然稳定，而不是把快速变化的模型短暂特征过早固定在硅片中。谷歌自己也为 Frozen v2 项目的不确定性留下了余地，明确表示并非所有研究项目都会进入生产阶段。