1800億美金逼出來的殺手鐧：谷歌Frozen v2把Gemini燒進硬件，每瓦Token翻10倍，股價先漲3.3%

谷歌近日正式發表新一代硬體加速方案「Frozen v2」，這項技術直接將Gemini模型的核心運算邏輯燒錄進專用晶片，成功實現每瓦特產出的Token數量翻升十倍。這項突破被外界視為谷歌在人工智慧軍備競賽中被迫亮出的殺手鐧，背後壓力來自高達1800億美元的資本支出。消息一出，谷歌股價隨即上漲3.3%，顯示市場對這項硬體革新給予高度肯定。Frozen v2的核心優勢在於大幅降低運算能耗，讓Gemini這類大型語言模型在推論階段的效率出現飛躍式提升。傳統上，AI模型仰賴通用GPU或TPU進行運算，但谷歌這次選擇將模型參數與運算邏輯直接固化在硬體中，省去大量資料搬運與動態調度的耗損。

這項設計不僅讓每瓦Token產出達到原先的十倍，也意味著在相同電力預算下，谷歌能承載更多用戶請求或更複雜的模型推論。這項技術的誕生，與谷歌近年來在AI基礎設施上的巨額投資息息相關。為了追上競爭對手在生成式AI領域的進展，谷歌已投入超過1800億美元用於資料中心與晶片研發。Frozen v2正是這筆投資的具體成果之一，透過硬體與模型的深度整合，谷歌試圖在成本與效能之間找到新的平衡點。股價的即時反應，也反映出投資人對這條技術路線的期待。從技術細節來看，Frozen v2並非單純的晶片升級，而是從架構層面重新設計了運算流程。

傳統AI推論過程中，模型參數需要頻繁從記憶體讀取，並透過通用運算單元進行矩陣乘法與激活函數計算，這會產生大量資料搬運與動態排程的能耗。谷歌的工程團隊將Gemini模型的關鍵參數與運算邏輯直接固化在專用晶片中，形成一個高度特化的運算單元。這種「硬體即模型」的設計，讓資料流動路徑大幅縮短，運算延遲與能耗同步下降。根據谷歌內部測試數據，Frozen v2在處理Gemini模型的標準推論任務時，每瓦特能產出的Token數量是前一代方案的十倍。這項效能提升並非來自製程微縮或時脈拉高，而是來自於運算效率的根本性改善。

舉例來說，在同樣的電力預算下，Frozen v2可以同時服務十倍數量的用戶請求，或者處理更複雜的模型版本，這對谷歌的雲端服務與消費者產品都有直接助益。這項技術的發表時機也相當敏感。過去一年，谷歌在生成式AI領域面臨來自OpenAI、微軟與其他新創公司的激烈競爭。為了不落後對手，谷歌不僅加速了Gemini模型的迭代，也大幅擴張資料中心規模。然而，這些基礎設施投資的代價極為驚人，谷歌在過去數季的資本支出累計已超過1800億美元，對公司財務造成顯著壓力。Frozen v2的出現，正是為了讓這筆巨額投資能產生更高的回報。市場分析師指出，Frozen v2的關鍵意義在於它改變了AI運算的成本結構。

過去，大型語言模型的推論成本主要來自於電力消耗與硬體折舊，而Frozen v2透過十倍效能提升，直接將每Token的運算成本壓低一個數量級。這不僅讓谷歌在提供AI服務時擁有更強的定價彈性，也讓它能夠在相同預算下部署更強大的模型，進一步拉開與競爭對手的差距。谷歌股價在消息公布後隨即上漲3.3%，這並非偶然。投資人長期以來一直擔心谷歌在AI領域的巨額投資能否轉化為實際回報，而Frozen v2的技術突破正好回應了這項疑慮。華爾街分析師普遍認為，這項硬體革新將顯著改善谷歌的AI服務利潤率，並可能帶動雲端業務的成長動能。從產業角度來看，Frozen v2也代表了一種新的技術路線。

過去，AI硬體的發展主要依賴通用GPU的效能提升，但隨著摩爾定律放緩與模型規模持續擴大，單純依賴通用運算單元已難以滿足需求。谷歌選擇將模型與硬體深度綁定，走出一條與NVIDIA等GPU供應商截然不同的道路。這種「模型定義硬體」的策略，可能成為未來AI基礎設施的重要發展方向。不過，Frozen v2也並非沒有挑戰。由於它將Gemini模型的參數與運算邏輯固化在晶片中，這意味著一旦模型版本更新，硬體也必須隨之更換。這項限制可能讓谷歌在模型迭代時面臨更高的硬體更新成本，也讓Frozen v2的適用範圍僅限於Gemini系列模型，無法像通用GPU那樣靈活支援多種架構。

儘管如此，谷歌顯然認為這項取捨是值得的。在AI軍備競賽中，效能與成本是決定勝負的關鍵因素，而Frozen v2在能耗效率上的十倍提升，足以讓谷歌在短期內獲得顯著的競爭優勢。隨著這項技術逐步導入資料中心，外界預期谷歌的AI服務將在未來數季內展現出更強的效能與更低的成本。整體而言，Frozen v2的發表不僅是谷歌在硬體技術上的一次重大突破，也是其面對1800億美元資本支出壓力下的關鍵回應。這項技術能否真正改變AI產業的遊戲規則，還需要時間驗證，但至少從市場反應來看，投資人已經給了谷歌一個明確的肯定。