Alphabet 把 Gemini 刻進了硅片

AI 芯片的競爭正在進入一個新階段。

芯片開始反過來適配模型，而且是只為單一模型定制。據報道， Alphabet 正在開發一款內部代號 Frozen v2 的芯片，把 Gemini 模型的核心神經網絡架構直接固化到硅片的物理電路中。消息發布當天，Alphabet 股價盤中最高漲 3.7%。一顆兩年后才會量產的芯片，讓市場為一張藍圖買了單。

這不是又一顆 AI 芯片的事，AI 基礎設施的競爭規則或許發生了改變。

把架構凍進硅片

傳統 AI 芯片的工作方式是一條流水線。模型存在內存里，芯片從內存中抓取權重和架構參數，在計算單元中跑一遍，再把結果寫回去。每生成一個 token，流水線就要完整轉一輪。大量功耗花在搬運上，花在計算上的反而不多。

Frozen v2 把 Gemini 的神經網絡架構，包括層級結構、注意力機制、殘差連接，在芯片設計階段就凍進了電路。這些在傳統推理中需要反復運算和搬移的結構信息，變成了物理電路的一部分。知情工程師稱，這顆芯片的單位功耗 token 處理量將比現有 TPU 提升 6 到 10 倍。它獨立于 TPU 產品線，不會取代后者，目標量產時間定在 2028 年。

Frozen v2 固定的是架構，權重可以更新。最初的 Frozen v1 方案由 Google DeepMind 首席科學家提出，試圖連模型權重一起固化。谷歌后來放棄了這個方案，因為芯片只能跑一個版本的 Gemini，模型一迭代就作廢。Frozen v2 的折中是只鎖骨架不改血肉。截至目前，谷歌尚未最終確定有多大比例的架構會被硬編碼進硅片。

這個做法的前提是，Gemini 的架構已經穩定到了值得用硅片去記住的程度。從 2023 年 12 月 Gemini 1.0 發布到現在的 3.5 Flash，底層 Transformer 架構的核心組件，包括多頭注意力、前饋網絡、層歸一化，沒有經歷過根本性變化。真正的迭代發生在規模、訓練數據和后訓練優化上。

在半導體行業，這個思路叫 ASIC。比特幣礦機是 ASIC，手機 ISP 也是 ASIC。放棄通用性，換取某一個特定任務上的極致效率。但此前沒有人敢為大模型做 ASIC，因為模型迭代太快芯片設計周期太長，流片還沒走完模型已經過時了。Frozen v2 在賭這個約束已經被打破。

一年燒掉 1800 億的底氣

2026 年第一季度，Alphabet 營收 1099 億美元，同比增長 22%。Google Cloud 單季營收首次突破 200 億美元，同比增長 63%。合同積壓從上一季度的 2400 億美元飆升至 4620 億美元。Cloud 運營利潤率 32.9%。

但 Q1 資本支出 357 億美元，全年指引上調至 1800 億到 1900 億美元，是 2025 年 914 億美元的兩倍。管理層已明確表態 2027 年資本開支還將顯著增加。自由現金流同比跌了 47%，只剩 101 億美元。6 月，Alphabet 完成了 847.5 億美元的股權融資，美國歷史上規模最大的增發之一。伯克希爾·哈撒韋以私募方式認購了其中 100 億美元。95 歲的巴菲特在 CNBC 采訪中親自確認，這筆投資由他本人推動。

這筆錢不會花在 Frozen v2 上，Frozen v2 要到 2028 年。這筆錢花在當下，建數據中心、部署第七代 Ironwood TPU、繼續從英偉達手里接貨。驅動 Frozen v2 的直接動因是算力短缺。算力缺口已經引發內部資源爭奪，谷歌云甚至被迫拒絕了部分外部客戶。管理層在 Q1 電話會議上說 AI 需求前所未有，公司仍然受算力約束，如果產能跟得上，云收入本來還會更高。

Alphabet 想做的事是讓成本漲得比收入慢。Frozen v2 是這套思路的硬件落腳點。它讓模型設計、芯片設計和云端設計開始互相配合。更好的模型帶出更多使用量，更多使用量需要更多算力，更多算力因為硬件專門為這個工作負載設計而變得更便宜。這個鏈條如果能跑通，Alphabet 就有了一個自己能轉起來的經濟護城河。

6 月，OpenAI 與博通聯合發布自研推理芯片 Jalape?o，計劃年內部署。7 月初，Anthropic 被曝正與三星洽談定制芯片合作。Meta 的下一代 AI 芯片 Iris 已排定 9 月投產。谷歌自研芯片業務的年化收入運行率已突破 200 億美元。AI 模型實驗室正在變成半個半導體公司。

英偉達在云端 AI 訓練和推理芯片市場仍占據超過 50% 的份額，在純訓練領域超過 95%。全球已有超過 600 萬開發者在 CUDA 生態上構建應用。SemiAnalysis 的基準測試發現，盡管 AMD MI300X 紙面規格更高，實際訓練性能比英偉達 H100 慢了 14%。

Frozen v2 不跟英偉達比誰的 GPU 更強。它做了一件英偉達做不了的事，把芯片和模型深度綁定。英偉達不可能為每個客戶的每個模型定制硅片，Alphabet 可以，因為它只需要為一個模型服務。如果這條路跑通了，AI 推理芯片的最優解可能不再是最快的通用 GPU，而是為模型量身定制的硅片。

真正危險的不是現在的英偉達。當谷歌、OpenAI、Anthropic、Meta 每家都用自己的定制芯片跑自己的模型，剩下的那個通用 GPU 市場，未必還能撐起一家萬億市值的公司。

一座 2028 年的橋

Frozen v2 的全部風險都壓在一個假設上，Gemini 的架構不會變。

第一個風險是架構突變。混合專家模型已經在業界鋪開，狀態空間模型和其他非 Transformer 范式正在學術界積蓄勢能。如果 Gemini 4.0 恰好選擇了一條與 Frozen v2 硬編碼方向沖突的路線，這顆芯片就變成了數十億美元的沉沒成本。

第二個風險是規模經濟。Frozen v2 被定位為小批量內部芯片，產銷量遠低于 TPU。在半導體行業，產量就是一切。如果初始流片和產能攤銷成本過高，即使單顆芯片效率提升了 10 倍，總擁有成本依然可能跑不贏。

第三個風險來自算法側。如果推理成本通過模型蒸餾、量化、投機解碼等純軟件路徑出現了超預期的大幅下降，Frozen v2 的相對優勢就會被壓縮。芯片和算法永遠是兩條平行的效率曲線。Frozen v2 押了芯片贏。

Frozen v2 向行業傳遞了幾個信號。AI 競爭的重心正從訓練速度轉向推理成本。訓練是資本開支，推理是運營開支。資本開支決定誰有資格上牌桌，運營開支決定誰能在桌上坐多久。垂直整合的深度在增加。十年前做 AI 的公司買 GPU，五年前大云廠開始自研通用加速器，現在 AI 公司開始為單一模型定制芯片。每一層都收窄了留給第三方供應商的通用市場。

Alphabet 管理層在 Q1 電話會議上說，“我們在 AI 上的投入，以及全棧式的布局，正在推動整個業務的表現提升。”Alphabet 在用今天的支出去賭未來的經營杠桿。

Frozen v2 最值得關注的是它背后的選擇。Alphabet 不想只當 AI 容量的買家了，它想做 AI 成本曲線的設計者。（本文首發鈦媒體APP，作者 | AGI-Signal，編輯 | 秦聰慧）