北京时间 2026 年 7 月 21 日，Alphabet 收盘报 351.37 美元，单日上涨 1.52%。同一天，NVIDIA 收盘报 203.28 美元，涨幅 0.23%。
驱动这一价格差异的，是一篇来自科技媒体 The Information 的报道：Google 正在研发一款内部代号为 Frozen v2 的新型服务器芯片，目标是将 Gemini 大模型的部分架构永久固化进硅片，从而在单位功耗下实现较现有 TPU 高 6 到 10 倍的 Token 处理能力。消息发布当天，Alphabet 股价盘中一度涨近 3.7%。
一颗两年后才计划部署的芯片，让市场为一张蓝图买了单。这背后的逻辑，远不止是又一颗 AI 芯片的问世——而是 AI 基础设施竞争规则的可能改写。
云计算巨头为何集体从芯片采购者变成芯片设计者？
过去十年，AI 基础设施的市场格局围绕一条主线展开：NVIDIA 的 GPU、CUDA 软件生态，以及不断扩张的数据中心。这条路径的逻辑清晰且有效——通用计算芯片适配多样化的 AI 工作负载，规模效应带来了持续的成本下降和性能提升。
但这一格局正在被打破。大型云厂商正在集体转向自研芯片：
| 公司 | 自研芯片 | 进展 |
|---|---|---|
| TPU（Tensor Processing Unit） | 已迭代至第七代 Ironwood，2026 年部署 | |
| Amazon | Trainium / Inferentia | 2026 年初年化营收突破 200 亿美元 |
| Microsoft | Maia 200 | 2026 年 1 月发布，采用 3nm 工艺 |
| Meta | MTIA（Iris） | 计划 2026 年 9 月投产 |
这一趋势的驱动力并非单一因素。首先是成本。Google 使用自研 TPU 可将 AI 计算成本降低最高 30%。AWS 的自研芯片业务在 2026 年初已达到每年 200 亿美元的年化营收规模。当 AI 推理从“能不能做”变成“划不划算”，单位 Token 的成本就成为核心竞争变量。
其次是供应安全。算力短缺已成为 Google 内部的紧迫问题。报道显示，算力不足不仅加剧了内部资源争夺，还迫使 Google Cloud 拒绝了部分外部客户的合作。就在 2026 年 6 月，Google 同意每月向 SpaceX 支付近 10 亿美元以填补算力缺口。2026 年第一季度，Alphabet 资本支出达 357 亿美元，全年指引上调至 1,800 亿至 1,900 亿美元，是 2025 年 914 亿美元的两倍。同一季度，Google Cloud 营收 200 亿美元，同比增长 63%，合同积压从上一季度的 2,400 亿美元飙升至 4,620 亿美元。管理层在财报电话会上表示，AI 需求前所未有，公司仍然受算力约束。
当需求增速持续跑赢供给扩张速度，自研芯片便从“可选项”变成了“必选项”。
Frozen v2 的“冻结”逻辑：为什么把模型架构焊进硅片能提升 10 倍效率？
理解 Frozen v2 的价值，需要先理解传统 AI 芯片的工作方式。
在传统架构中，AI 模型存储在内存里，芯片从内存中读取权重和架构参数，在计算单元中完成运算，再将结果写回内存。每生成一个 Token，这条流水线就要完整运行一轮。大量功耗消耗在数据的搬运上，真正用于计算的占比反而不高。
Frozen v2 的做法是：将 Gemini 的神经网络架构——包括层级结构、多头注意力机制、残差连接等核心组件——在芯片设计阶段直接固化进物理电路。这些在传统推理中需要反复读取和计算的结构信息，变成了电路的一部分。
这一思路在半导体行业被称为 ASIC（专用集成电路）。比特币矿机是 ASIC，手机 ISP 也是 ASIC——放弃通用性，换取某一特定任务上的极致效率。但此前没有人敢为大模型做 ASIC，因为模型迭代太快，芯片设计周期太长，流片还没走完模型可能已经过时了。
Frozen v2 的赌注在于：Gemini 的底层架构已经稳定到了值得用硅片去记忆的程度。从 2023 年 12 月 Gemini 1.0 发布到 3.5 Flash，底层 Transformer 架构的核心组件——多头注意力、前馈网络、层归一化——没有经历过根本性变化。真正的迭代发生在模型规模、训练数据和后训练优化上，而非基础架构层面。
Frozen v2 固定的是架构，权重可以更新。最初的 Frozen v1 方案曾试图连模型权重一起固化，但 Google 最终放弃了这个方案，因为芯片只能跑一个版本的 Gemini，模型一迭代就作废。Frozen v2 的折中方案是“只锁骨架，不改血肉”。
从数据链路来看，Frozen v2 的效率提升逻辑可以拆解为：
模型架构固化 → 减少指令解码与参数读取次数 → 减少芯片与内存间的数据搬运 → 降低单 Token 能耗 → 单位功耗 Token 处理量提升 6-10 倍
报道指出，Frozen 芯片将成为 Google 自研芯片产品组合中更专门化的分支，而非取代通用型 TPU。Google 目前将 Frozen v2 部分视为试验项目，暂无计划以与 TPU 相同规模生产。目标部署时间定在 2028 年。
从“GPU 数量竞赛”到“单位 Token 成本竞赛”
Frozen v2 的意义不在于它本身能否量产，而在于它代表了一种竞争逻辑的转向。
过去，AI 芯片竞争的核心指标是“谁拥有最多的 GPU”。NVIDIA 在这一维度上建立了难以撼动的优势——截至 2026 年初，NVIDIA 在 AI 加速器与数据中心芯片市场占据约 86% 的份额。集邦咨询预计 2026 年其全球 AI 芯片市场份额约为 64%。2026 年第一季度（NVIDIA 财年 2027 年 Q1），NVIDIA 数据中心营收达 752.5 亿美元，同比增长 92%。
但 Frozen v2 指向的是另一个竞争维度：“谁能以最低的单位成本提供最大的 AI 算力”。当 AI 应用从训练走向大规模推理，单位 Token 的电力成本、芯片成本、数据中心运营成本将决定商业模式的可行性。
Google 在这一维度上拥有一个结构性优势：闲置的 TPU 可以被内部消化——直接纳入 Google 自身的云运营体系——而 NVIDIA 缺乏同等规模的云业务来吸收多余的硬件。这意味着 Google 在自研芯片的产能规划和风险控制上拥有更大的灵活性。
此外，Google 正在通过 TPU 生态向外部市场渗透。据报道，Google 已与多家“Neo-cloud”专业 GPU 云提供商洽谈，推动它们在其服务中增加 TPU 选项。Anthropic、Apple 和 Meta 已成为 TPU 的外部客户。Google 与 Blackstone 的合资企业正在建设 500 兆瓦的 TPU 算力容量。如果更多科技公司将工作负载迁移至 Google 的 TPU 或使用自研芯片，不仅会侵蚀 NVIDIA 的市场份额，还可能压缩其定价空间。
不过，这一进程面临现实约束。台积电是所有芯片设计公司都必须通过的瓶颈，Google 通过博通作为中介来获取产能。2027 年的产能分配正在确定中，Google 能争取到多少产能，将直接反映台积电对 TPU 业务的态度。同时，Google 仍是 NVIDIA 最大的客户之一，每年采购数万颗 NVIDIA GPU 用于训练其最大规模的模型。这种“既是竞争对手又是最大客户”的关系，使得竞争格局更加复杂。
专用化的代价与局限
Frozen v2 的技术路径并非没有代价。报道明确指出，该芯片只有在 Google 维持相同底层架构的前提下，才能兼容未来的 Gemini 模型。一旦模型底层架构发生根本性变化，固化进硅片的那部分设计便可能失效。
与此同时，Google 的 AI 业务正面临更紧迫的挑战。据报道，下一代 Gemini Pro 的发布时间已经推迟，多名资深 AI 研究人员流向竞争对手。中国 AI 模型在美国企业的 Token 使用量中已占 45%。当专用芯片还在 2028 年的路线图上时，Google 需要先稳住的是眼下的模型迭代节奏和人才防线。
另外，Alphabet 近期完成的 847.5 亿美元股权融资——美国历史上规模最大的增发之一——主要用于建设数据中心、部署第七代 Ironwood TPU，以及继续从 NVIDIA 采购 GPU。Frozen v2 要到 2028 年，这笔钱花在当下。
结语
Alphabet 股价因 Frozen v2 的消息而上涨 1.52%，NVIDIA 同期微涨 0.23%。这一差距或许反映了市场对两种竞争路径的不同定价：一边是通用计算芯片的规模壁垒，一边是专用计算芯片的效率革命。
Frozen v2 目前仍是一个试验项目，2028 年的部署时间表也意味着它短期内不会对 NVIDIA 的市场地位构成实质性冲击。但它指向的竞争方向——从“谁拥有最多的 GPU”转向“谁能以最低成本提供最大的 AI 算力”——正在成为整个行业的结构性趋势。
AI 芯片的市场规模预计将从 2025 年的约 618 亿美元增长至 2026 年的约 842 亿美元。在这个高速扩张的市场中，专用化与通用化两条技术路线的竞合，将决定未来十年 AI 基础设施的成本结构与竞争格局。Frozen v2 是否成功尚不确定，但它所代表的思考方式——让芯片为模型定制，而非让模型迁就芯片——已经在改变行业讨论 AI 算力的基本框架。
FAQ
问：Google Frozen v2 芯片相比现有 TPU 的性能提升具体是多少？
Google 工程师预计，Frozen v2 在单位功耗下可提供的 Token 处理能力较公司最新一代 TPU 高出 6 到 10 倍。这一提升主要来源于将 Gemini 模型架构固化进芯片，减少了数据搬运和重复计算带来的能耗。
问：Frozen v2 会取代 NVIDIA 的 GPU 吗？
短期内不会。Frozen v2 是专为 Gemini 模型设计的专用芯片，不会取代通用型 TPU，更不会替代 NVIDIA 的 GPU。Google 目前仍每年从 NVIDIA 采购数万颗 GPU 用于训练其最大规模的模型。
问：Frozen v2 什么时候正式部署？
报道称 Google 的目标部署时间是 2028 年。目前该项目被视为试验性项目，暂无与 TPU 同等规模的生产计划。
问：Alphabet 为什么要自研 AI 芯片？
主要驱动力有三：降低对 NVIDIA 的外部依赖、控制日益增长的算力成本、以及缓解内部严重的算力短缺。2026 年 Q1 Google Cloud 营收 200 亿美元、同比增长 63%，但算力不足限制了进一步增长。
问：Frozen v2 的技术路线有什么风险？
最大的风险是灵活性代价。芯片只兼容采用相同底层架构的 Gemini 后续版本，一旦模型底层发生根本性变化，固化进硅片的设计可能失效。此外，芯片设计周期长于模型迭代周期，这也是此前没有人敢为大模型做 ASIC 的主要原因。
