Alphabet 把 Gemini 刻進了硅片

Alphabet 正在開發一款內部代號 Frozen v2 的晶片，直接將 Gemini 模型的核心神經網路架構固化到矽晶片的物理電路中。這款晶片不同於傳統的 AI 加速器，標誌著晶片設計開始反過來為單一模型量身打造。消息發布當天，Alphabet 股價盤中一度上漲 3.7%，市場對這張兩年後才會量產的藍圖給予了正面回應。這不僅是另一款 AI 晶片的故事，更可能改寫 AI 基礎設施的競爭規則。 傳統 AI 晶片的工作方式類似流水線。模型存放在記憶體中，晶片從記憶體抓取權重與架構參數，在計算單元中執行一輪運算，再將結果寫回。每生成一個 token，整條流水線就要完整跑一次，大量功耗耗費在資料搬運上，而非實際計算。Frozen v2 則將 Gemini 的神經網路架構，包括層級結構、注意力機制、殘差連接，在晶片設計階段就凍結進電路中，這些原本需要反覆運算與搬移的結構資訊，變成了物理電路的一部分。 知情工程師透露，這款晶片的單位功耗 token 處理量將比現有的 TPU 提升 6 到 10 倍。Frozen v2 獨立於 TPU 產品線，不會取代後者，目標量產時間定在 2028 年。值得注意的是，Frozen v2 固定的是架構，權重仍可更新。最初的 Frozen v1 方案由 Google DeepMind 首席科學家提出，曾試圖連模型權重一起固化，但谷歌後來放棄了這個方案，因為晶片只能跑一個版本的 Gemini，模型一迭代就會作廢。Frozen v2 的折衷方案是只鎖定骨架，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矽晶片。 這個做法的前提是，Gemini 的架構已經穩定到值得用矽晶片去記憶。從 2023 年 12 月 Gemini 1.0 發布到現在的 3.5 Flash 版本，底層 Transformer 架構的核心組件，包括多頭注意力、前饋網路、層歸一化，沒有經歷過根本性變化。真正的迭代發生在規模、訓練資料與後訓練優化上。在半導體產業中，這個思路稱為 ASIC，比特幣礦機與手機 ISP 都是 ASIC 的典型應用。放棄通用性，換取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，晶片設計週期太長，流片還沒走完，模型可能已經過時。Frozen v2 賭的是這個約束已經被打破。 驅動 Frozen v2 的直接動因是算力短缺。2026 年第一季，Alphabet 營收達到 1099 億美元，年增 22%；Google Cloud 單季營收首次突破 200 億美元，年增 63%，合同積壓從上一季的 2400 億美元飆升至 4620 億美元，雲端營運利潤率為 32.9%。但同一季的資本支出高達 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。管理層已明確表示 2027 年資本開支還將顯著增加。自由現金流年減 47%，只剩 101 億美元。6 月，Alphabet 完成了 847.5 億美元的股權融資，是美國史上規模最大的增發之一，波克夏·海瑟威以私募方式認購了其中 100 億美元，股神巴菲特親自確認這筆投資由他推動。 這筆資金不會直接用在 Frozen v2 上，因為它要到 2028 年才會量產，而是用於當前的數據中心建設、部署第七代 Ironwood TPU，以及繼續向輝達採購晶片。算力缺口已經引發內部資源爭奪，谷歌雲甚至被迫拒絕了部分外部客戶。管理層在第一季電話會議上表示，AI 需求前所未有，公司仍然受算力約束，如果產能跟得上，雲端收入本來還會更高。 Alphabet 的目標是讓成本漲得比收入慢，Frozen v2 正是這套策略的硬體落腳點。它讓模型設計、晶片設計與雲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，更多算力因為硬體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 將擁有自己的經濟護城河。 與此同時，競爭對手也在加速布局。6 月，OpenAI 與博通聯合發布自研推理晶片 Jalapeño，計劃年內部署；7 月初，Anthropic 被傳正與三星洽談定製晶片合作；Meta 的下一代 AI 晶片 Iris 已排定 9 月投產。谷歌自研晶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。輝達在雲端 AI 訓練與推理晶片市場仍佔據超過 50% 的份額，在純訓練領域甚至超過 95%，全球已有超過 600 萬開發者在 CUDA 生態上構建應用。但 Frozen v2 不跟輝達比誰的 GPU 更強，它做了一件輝達做不了的事：把晶片與模型深度綁定。輝達不可能為每個客戶的每個模型定製矽晶片，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 推理晶片的最優解可能不再是最快的通用 GPU，而是為模型量身定製的矽晶片。真正危險的可能不是現在的輝達，而是當谷歌、OpenAI、Anthropic、Meta 每家都用自己的定製晶片跑自己的模型，剩下的通用 GPU 市場，未必還能撐起一家市值破兆的公司。 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，混合專家模型已在業界鋪開，狀態空間模型與其他非 Transformer 範式正在學術界蓄勢；如果 Gemini 4.0 選擇了與 Frozen v2 硬編碼方向衝突的路線，這顆晶片就會變成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晶片，產銷量遠低於 TPU，在半導體產業中，產量就是一切，如果初始流片與產能攤銷成本過高，即使單顆晶片效率提升 10 倍，總擁有成本仍可能不划算。第三個風險來自演算法側，如果推理成本透過模型蒸餾、量化、投機解碼等純軟體路徑出現超預期的大幅下降，Frozen v2 的相對優勢就會被壓縮。 Frozen v2 向行業傳遞了幾個重要信號。AI 競爭的重心正從訓練速度轉向推理成本，訓練是資本支出，推理是營運支出，資本支出決定誰有資格上牌桌，營運支出決定誰能在桌上坐多久。垂直整合的深度也在增加，十年前做 AI 的公司買 GPU，五年前大雲廠開始自研通用加速器，現在 AI 公司開始為單一模型定製晶片，每一層都收窄了留給第三方供應商的通用市場。Alphabet 管理層在第一季電話會議上表示，他們在 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 正在用今天的支出去賭未來的經營槓桿，Frozen v2 最值得關注的不是晶片本身，而是它背後的選擇——Alphabet 不想只當 AI 容量的買家，而是想做 AI 成本曲線的設計者。