一块还没有正式规格、没有确认量产的芯片，先让Alphabet股价上涨了约3%。
据报道，Google正在研发代号“Frozen v2”的服务器AI芯片，预计在2028年前后推出。匿名信源称，它的目标是让Gemini每瓦生成的Token数量达到现有芯片的6至10倍。
这个数字很醒目，也很容易被误读。
Google没有确认Frozen v2会量产，也没有公布芯片规格、测试环境或性能报告。公司的回应比较标准：Google一直在通过软硬件协同，针对真实工作负载优化AI系统。
所以，市场买到的暂时是一种预期，不是一块已经交付的芯片。
这条消息到底说了什么
| 项目 | 目前能确认的内容 |
|---|---|
| 芯片名称 | Frozen v2，内部代号，不等于正式产品名 |
| 面向对象 | Google服务器端AI工作负载，重点服务Gemini |
| 时间表 | 预计2028年前后推出，尚非确定上市日期 |
| 效率目标 | 匿名信源称单位功耗Token效率提升6至10倍 |
| 项目状态 | Google未确认量产，也未提供公开性能验证 |
| 市场反应 | 报道发布后，Alphabet股价上涨约3% |
这件事重要，是因为AI竞争已经从“谁的模型更聪明”挪到了“谁能更便宜地运行模型”。
Alphabet计划投入约1800亿至1900亿美元建设AI能力。如此规模的资本开支，最后要落到几个很朴素的账本问题上：
- 每次回答Gemini要消耗多少电和算力？
- 一块芯片能否长期保持高利用率？
- 训练和推理的成本能否下降？
- Google Cloud能否把节省下来的成本转成更有竞争力的价格？
- 这些投入能否带来足够的云收入和广告回报？
Token/瓦只是其中一项指标。它不等于总拥有成本。
内存容量和带宽、芯片之间的网络通信、散热、电力基础设施、软件适配、模型规模、推理延迟，都会决定一套系统到底划不划算。某个模型在内部测试里每瓦生成更多Token，并不代表所有客户的账单都会同步下降。
更麻烦的是，训练和推理不是同一种工作。
训练更看重长时间的大规模并行计算。推理则要面对请求峰值、响应延迟、批处理效率和不同模型尺寸。Gemini内部常见负载如果与Frozen v2高度匹配，Google可能获得明显收益；但这种收益未必能原样复制到外部客户的模型上。
Google为什么还要自己做芯片
Google并不是突然开始做定制AI芯片。TPU已经运行多年，Google Cloud也一直把自研芯片作为算力供应的一部分。
Frozen v2更像是在加码这条路线。目的有三层：
- 降低Gemini的运行成本。
模型调用量越大，推理成本越接近商业底线。每个Token省下一点，乘上巨大的调用规模，才可能变成真金白银。
- 扩充可控算力。
AI芯片供给不只取决于采购预算，还受先进制程、封装、HBM内存和数据中心建设速度影响。自研芯片不能消除这些限制，却能让Google少依赖单一供应商。
- 削弱对英伟达的依赖。
英伟达的优势不只在GPU，也在CUDA软件生态、开发工具和客户迁移成本。Google做芯片，真正要对抗的是一整套系统，而不是一张芯片的峰值算力。
OpenAI、Anthropic等模型公司也在探索定制芯片或更深的硬件合作。路线相似，处境却不同：Google同时拥有模型、云平台、数据中心和芯片设计能力，能在内部反复调整；纯模型公司则更需要依靠云厂商和芯片供应商。
这给Google一个现实优势，却没有给它一张免检通行证。硬件项目延期、良率不足、软件迁移困难，都会把理论上的效率优势吃掉。2028年仍然很远，在此之前，Google还要继续采购和使用现有加速器。
“工欲善其事，必先利其器。”放到今天，利器不是买回来就算完成，而是要让模型团队愿意用、云客户愿意租、财务部门算得过账。
谁会先感受到变化
Google Cloud客户会先看价格和可用性。
如果Frozen v2最终进入云服务，客户关心的不会是“每瓦Token提升了几倍”，而是同一个Gemini或相关推理任务，实际每百万Token价格降了多少，延迟是否稳定，是否需要改动现有工具链。
开发团队短期内没有理由因为一条传闻就迁移部署。更现实的做法，是继续使用已经成熟的GPU或TPU环境，同时观察三件事：
- Google是否公布可复现的真实负载测试；
- Frozen v2是否出现在Google Cloud的可租用实例中；
- 性价比优势是否覆盖常见模型、不同上下文长度和高峰流量。
Alphabet投资者要看资本开支有没有变成经营结果。
股价上涨约3%，只能说明消息发布后，市场愿意给“AI基础设施效率提升”这条叙事一个正面反应。它不能证明芯片已经成功，也不能证明AI投入已经获得回报。
真正有分量的信号会出现在后续财报和产品动作里：
- AI相关资本开支是否继续上升；
- 云业务收入和利润能否跟上折旧与电力成本；
- Gemini调用量增长后，单位推理成本是否下降；
- Google是否把芯片优势转成更低价格、更高毛利，或更强的产品能力。
这里的关键矛盾很清楚：Google需要大量算力支撑Gemini，但投资者不会永远只为“未来的效率”买单。1800亿至1900亿美元的投入越大，验证周期就越短，容错空间也越小。
我对“6至10倍”这个说法保持保留。它目前只是匿名信源披露的目标，缺少芯片规格、基准模型、功耗边界和对照平台。即便数字最终接近真实，也要看它是在什么负载、什么软件栈、什么利用率下得到的。
自研芯片确实可能让Google少付一些英伟达溢价，也可能让Gemini更快扩张。但模型看起来更强，产品账本未必自动变好。真正的分水岭，是Google能否把内部优化变成云上的标准实例，再把标准实例变成客户愿意长期付费的服务。
这件事目前最值得看的，不是Frozen v2这个名字，而是它什么时候从内部项目变成公开产品；从宣传目标变成可复现指标；从芯片效率变成Gemini和Google Cloud的利润。