有報導指出，Google正在開發一款只為執行自家生成式AI「Gemini」而設計的伺服器晶片，代號為「Frozen v2」。這款晶片將模型的內部結構直接固化到矽晶片中，預估每瓦效能可達現行TPU的6至10倍。據稱將自2028年起導入資料中心。
從通用晶片走向「專為單一模型」
過去的AI晶片大多保留一定程度的通用性。Google在雲端提供多年的TPU雖然分別針對訓練與推論進行最佳化，但基本上仍是能執行多種模型的設計。通用是優勢，反過來說，對某個特定模型而言，晶片上必然存在用不到的電路。
Frozen v2捨棄了這個前提。它把Gemini的架構，也就是模型依什麼順序執行哪些運算的這份「設計圖」，事先固定在硬體端。代價是失去通用性，換來的是把執行單一模型時的浪費壓到趨近於零。名稱中的「Frozen」（被凍結的）正是對這種作法的直白描述。
據稱，這個構想出自Google DeepMind首席科學家Jeff Dean。
為何固化的是「結構」而非權重
更耐人尋味的是Google據稱放棄的那個方案。最初曾考慮把模型權重，也就是訓練所得的參數本身燒進晶片，但那樣只能執行特定版本的Gemini，模型一更新就立刻過時。半導體的設計與製造要以年為單位計算，這個限制是致命的。
於是固化的對象從容易變動的權重，轉向相對穩定的結構。其前提判斷是，模型換代時骨架被徹底重做的情況並不多見。反過來說，這個賭注押的是Gemini的基本設計在一段時間內不會大幅動搖，成敗也就繫於此。
效率究竟從何而來
6至10倍這個數字，主要來自兩個面向。
其一是減少運算次數。把多個運算合併成一次處理，是加速AI模型的常見手法，但若不是每次都交由軟體處理，而是在電路階段就織入其中，就不會有遺漏。
其二是減少資料搬移。當模型放不進晶片上的記憶體時，就必須不斷與外部記憶體之間來回傳輸資料，這種往返會拖慢處理速度。若Frozen v2能配備足以完整承載Gemini的記憶體，這種往返本身就消失了。AI處理的耗電中，搬移資料的部分往往比運算本身更吃重，因此這個環節的意義不小。
該如何看待2028年這個時間點
受該報導影響，Alphabet股價上漲1.5%。不過實際導入要到2028年，產量預估也小於TPU系列。其定位與其說是量產主力，不如說更接近一塊試驗場，用來驗證專用晶片這條路線是否真的划算。
目前Google並未正式承認Frozen v2的存在，6至10倍的能效數字也並非在實際矽晶片上測得。這類預期在量產階段縮水並不罕見，照單全收未免言之過早。但在推論的執行成本成為各家負擔的當下，把模型與晶片視為一體來設計，方向本身是合理的。Google目前面臨Gemini 3.5 Pro延後的局面，若能在執行成本上拉開差距，等於在模型本身的勝負之外另闢戰場。
總結
Google據稱正在開發的「Frozen v2」，是一款透過將Gemini架構固化進矽晶片、力求每瓦效能提升6至10倍的推論晶片。固化結構而非權重是為了避免過時，設計上同時削減運算次數與資料搬移。資料中心的部署據稱自2028年開始，產量規模小於TPU。Google尚未正式承認，數字也未經驗證，但這項計畫將成為觀察模型與硬體一體化設計能走多遠的風向標。
