Alphabet 把 Gemini 刻进了硅片

AI芯片的竞争，正在进入一个全新的阶段。

一个有意思的变化是：芯片开始反过来适配模型了，而且是只为单一模型量身定制。据报道，Alphabet正在开发一款内部代号“Frozen v2”的芯片，其核心思路是把Gemini模型的关键神经网络架构，直接固化到硅片的物理电路中。消息一出，Alphabet股价盘中一度上涨3.7%。一颗预计两年后才会量产的芯片，就已经让市场为一张蓝图买单了。

这或许不仅仅是又一颗AI芯片那么简单。它可能意味着，AI基础设施的竞争规则，已经悄然发生了改变。

把架构“冻”进硅片

传统AI芯片的工作逻辑，其实更像一条流水线。模型被存放在内存里，芯片需要从内存中抓取权重和架构参数，在计算单元里跑完一遍，再把结果写回去。每生成一个token，这条流水线就得完整跑一轮。结果呢？大量功耗都浪费在了数据搬运上，真正用在计算上的，反而没多少。

Frozen v2的设计思路非常直接：在芯片设计阶段，就把Gemini的神经网络架构——包括层级结构、注意力机制、残差连接——像冻住一样，直接固化到物理电路里。那些在传统推理中需要反复运算和搬移的结构信息，如今变成了物理电路的一部分。知情工程师透露，这颗芯片的单位功耗token处理量，将比现有TPU提升6到10倍。它独立于TPU产品线，两者并不冲突，目标量产时间定在2028年。

需要明确的是，Frozen v2固定的是架构，而非权重。最初的Frozen v1方案，由Google DeepMind首席科学家提出，原本打算连模型权重一起固化，但谷歌后来放弃了——因为芯片只能跑一个版本的Gemini，模型一迭代就作废了。Frozen v2的折中方案是“只锁骨架，不改血肉”。截至目前，谷歌尚未最终确定，有多大比例的架构会被硬编码进硅片。

这个做法的前提，是Gemini的架构已经稳定到了值得用硅片去“记住”的程度。从2024年12月Gemini 1.0发布，到现在的3.5 Flash，底层Transformer架构的核心组件——包括多头注意力、前馈网络、层归一化——并没有经历过根本性的变化。真正的迭代，主要发生在规模、训练数据和后训练优化这几个维度上。

在半导体行业，这个思路有一个熟悉的名字：ASIC（专用集成电路）。比特币矿机是ASIC，手机ISP也是ASIC。它的核心逻辑是放弃通用性，换取某一个特定任务上的极致效率。但此前，没有人敢为大模型做ASIC，原因很简单：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在赌一个前提——这个约束，已经被打破了。

一年烧掉1800亿的底气

支撑这种“豪赌”的，是Alphabet强劲的财务表现。2026年第一季度，Alphabet营收1099亿美元，同比增长22%。Google Cloud单季营收首次突破200亿美元，同比增长63%。合同积压从上一季度的2400亿美元飙升至4620亿美元。Cloud运营利润率也达到了32.9%。

但与此同时，Q1资本支出高达357亿美元，全年指引上调至1800亿到1900亿美元，几乎是2025年914亿美元的两倍。管理层已明确表态，2027年资本开支还将“显著增加”。自由现金流同比下跌47%，只剩101亿美元。6月，Alphabet完成了847.5亿美元的股权融资，这是美国历史上规模最大的增发之一。伯克希尔·哈撒韦以私募方式认购了其中100亿美元，95岁的巴菲特亲自确认，这笔投资由他本人推动。

这笔钱，并不会直接花在Frozen v2上——毕竟它2028年才量产。这笔钱，要花在当下：建数据中心、部署第七代Ironwood TPU、继续从英伟达手里接货。驱动Frozen v2的直接动因，其实是算力短缺。这个缺口已经引发了内部资源争夺，谷歌云甚至被迫拒绝了部分外部客户。管理层在Q1电话会议上直言，AI需求“前所未有”，公司仍然受算力约束，如果产能跟得上，云收入本来还会更高。

Alphabet真正想做的事，是让成本涨得比收入慢。Frozen v2，正是这套思路在硬件上的落脚点。它让模型设计、芯片设计和云端设计开始互相配合：更好的模型带动更多使用量，更多使用量需要更多算力，而更多算力因为硬件专门为这个工作负载设计，变得更便宜。这个链条如果能跑通，Alphabet就拥有了一个自己能转起来的经济护城河。

6月，OpenAI与博通联合发布了自研推理芯片Jalapeño，计划年内部署。7月初，Anthropic被曝正在与三星洽谈定制芯片合作。Meta的下一代AI芯片Iris也已排定9月投产。谷歌自研芯片业务的年化收入运行率，已突破200亿美元。AI模型实验室，正在变成半个半导体公司。

英伟达在云端AI训练和推理芯片市场，仍占据超过50%的份额，在纯训练领域更是超过95%。全球已有超过600万开发者在CUDA生态上构建应用。SemiAnalysis的基准测试发现，尽管AMD MI300X纸面规格更高，实际训练性能却比英伟达H100慢了14%。

Frozen v2的胜负手，不在于跟英伟达比谁的GPU更强。它做了一件英伟达做不了的事：把芯片和模型深度绑定。英伟达不可能为每个客户的每个模型定制硅片，但Alphabet可以，因为它只需要为一个模型服务。如果这条路跑通了，AI推理芯片的最优解，可能就不再是最快的通用GPU，而是为模型量身定制的硅片了。

真正危险的，或许不是现在的英伟达。当谷歌、OpenAI、Anthropic、Meta每家都用自己的定制芯片跑自己的模型时，剩下的那个通用GPU市场，未必还能撑起一家万亿市值的公司。

一座2028年的桥

Frozen v2的全部风险，都压在一个假设上：Gemini的架构不会变。

第一个风险是架构突变。混合专家模型已经在业界铺开，状态空间模型和其他非Transformer范式正在学术界积蓄势能。如果Gemini 4.0恰好选择了一条与Frozen v2硬编码方向冲突的路线，这颗芯片就变成了数十亿美元的沉没成本。

第二个风险是规模经济。Frozen v2被定位为小批量内部芯片，产销量远低于TPU。在半导体行业，产量就是一切。如果初始流片和产能摊销成本过高，即使单颗芯片效率提升了10倍，总拥有成本依然可能跑不赢。

第三个风险来自算法侧。如果推理成本通过模型蒸馏、量化、投机解码等纯软件路径，出现了超预期的大幅下降，Frozen v2的相对优势就会迅速被压缩。芯片和算法，永远是两条平行的效率曲线。而Frozen v2，押了芯片赢。

尽管风险重重，Frozen v2向行业传递的几个信号，却是清晰且值得关注的。AI竞争的重心，正从训练速度转向推理成本。训练是资本开支，推理是运营开支。资本开支决定谁有资格上牌桌，而运营开支决定谁能在桌上坐多久。与此同时，垂直整合的深度在增加。十年前做AI的公司买GPU，五年前大云厂开始自研通用翻跟斗，现在AI公司开始为单一模型定制芯片。每一层，都在收窄留给第三方供应商的通用市场。

就像Alphabet管理层在Q1电话会议上说的：“我们在AI上的投入，以及全栈式的布局，正在推动整个业务的表现提升。”Alphabet在用今天的支出，去赌未来的经营杠杆。

Frozen v2最值得关注的，或许不是它本身的技术参数，而是它背后的选择。Alphabet不想只当AI容量的买家了，它想做AI成本曲线的设计者。