1800亿美元资本开支逼出的“死磕”：谷歌“Frozen v2”要把大模型焊死在硅片里
AI飞行客 1800亿美元资本开支逼出的“死磕”：谷歌“Frozen v2”要把大模型焊死在硅片里
据《The Information》爆料，谷歌正在秘密设计一款内部代号为 Frozen v2 的全新服务器芯片。
与目前行业通用的 TPU 或英伟达 GPU 不同，Frozen v2 的野心极其霸道——它准备把 Gemini 模型的一部分结构、参数信息以及特定计算模式，直接“硬焊”进硅片硬件里。
根据谷歌内部预期，如果这套方案成功落地，以每瓦能耗生成的 Token 数量衡量，其效率将达到谷歌最新自研芯片的 6 到 10 倍。
消息一出，Alphabet 股价在 7 月 20 日应声上涨 3.3%。
但在一片“芯片革命”的欢呼声中，我们需要看清这背后的真实商业逻辑：这根本不是什么优雅的技术突破，而是被每年近 2000 亿美元暴涨的资本开支（CapEx）逼出来的“破釜沉舟”。
—
逼近极限的物理法则：英伟达GPU模式的财务隐患
过去几年，整个 AI 行业的繁荣建立在一句口号上：Scaling Law（规模法则）。
算法不够？堆参数！模型不行？加算力！
然而，当大模型的应用从“尝鲜聊天”走向全网千万级并发的 Agent 部署时，巨头们突然踩中了一块无比坚硬的物理铁板：推理成本黑洞。
Alphabet 2026 年第一季度的财报指引将全年资本开支拉到了令人窒息的 1800 亿至 1900 亿美元——几乎是 2025 年（914亿美元）的两倍！即便强如谷歌，其 Google Cloud 甚至因为算力集群极端紧张而不得不婉拒部分外部客户的巨额订单。
通用 GPU（比如 H100/B200）为了照顾极高的通用性，绝大部分芯片面积和能耗都浪费在了数据搬运、控制逻辑以及未被充分利用的矩阵单元上。
当用户每次在搜索引擎或智能终端里触发一次复杂的 Agent 多轮调用时，后台消耗的每一度电、诞生的每一个 Token，都在吞噬公司的营业利润。
如果继续用通用芯片跑通用模型，AI 业务规模越大，巨头的现金流失血就越惨烈。
谷歌的算盘：用“牺牲通用性”换取“每瓦10倍Token”
面对这个财务死局，谷歌选择了一条极端的路线：从“通用计算”彻底倒退回“专用计算”。
这就是 Frozen v2 的本质——芯片不再回答“什么样的 AI 适合计算”，而是只回答“Gemini 到底该怎么计算”。
1. TPU 的开放双轨制：TPU 8t 和 TPU 8i 继续向外输出，支持 PyTorch、JAX 等主流软件栈，去赚外部企业和云客户的钱。 2. Frozen 的极度封闭化：它不需要兼容别的模型，不需要支持外部生态，它的唯一使命就是在谷歌私域数据中心里，以极致的能效比跑 Gemini。
只要把 Gemini 最核心、最不可能改动的注意力矩阵和参数结构映射到硬件上，就能省去数以亿计的 SRAM 寻址和 DRAM 数据搬运。
在数十亿用户每天触发的谷歌搜索、Workspace、YouTube 推荐和 AI 助手请求里，每一次 Token 生成节省的哪怕 0.001 美厘成本，乘以万亿级的日并发量，都是极其惊人的财务屏障。
这是只有谷歌、微软这种手握超级流量入口的巨人才能玩的“以量摊薄硬件研发”的终极游戏。
最大的毒药：软件迭代以月计，硬件迭代以年计
但把大模型固化进芯片，无异于一场高风险的豪赌。
芯片设计的物理周期以“年”计算：从架构设计、Tape-out 流片、台积电/三星 2nm 晶圆代工到最终的数据中心部署，Frozen v2 最快也要到 2028 年才能投产。
而大模型的进化周期是以“月”甚至“周”计算： – 2024 年大家还在卷 Dense 架构，2025 年瞬间全面转向 MoE（混合专家模型）； – 昨天还在用传统的 Self-Attention，今天 DeepSeek 的 MLA（多头潜在注意力）和各种稀疏注意力机制就轰炸了整个行业。
如果到了 2028 年，Gemini 的底层算法架构发生了根本性变迁（例如全新的非 Transformer 架构或全新的动态路由算法），那么被提前“焊死”在 Frozen v2 硅片上的硬件电路，就会在瞬间变成昂贵且毫无用处的电子垃圾。
这也是为什么谷歌官方在面对 TechCrunch 的询问时显得极其克制，强调“并非每个研究项目最终都会投入生产”。
Kate 的判断：AI 芯片的竞争重点，已经彻底变了
Frozen v2 项目给所有创业者和技术决策者敲响了一个信号：
AI 芯片的上一阶段竞争，拼的是“绝对算力”（FLOPs 和带宽）；而下一阶段的生死局，拼的是“商业能效比”（每瓦 Token 产出）。
随着大模型演进到 Agent 自动化时代，Token 不再是简单的文字输出，而是庞大智能体协同的燃料。谁能把 Token 的生产和推理成本降低一个数量级，谁就能在接下来的产品定价战中降维打击对手。
但这并不意味着普通企业应该效仿谷歌去搞“硬件定制”。
对于 99% 的公司而言，建立多模型动态路由网关（Model Routing）、精细化管理上下文与推理 Effort 档位，才是当下无需造芯片就能立刻见效的降本手段。
至于把大模型刻进芯片这盘大棋？让拥有 1800 亿美金预算的谷歌去替大家试错和踩雷就好。