AI 芯片的竞争正在进入一个新阶段。芯片开始反过来适配模型，而且是只为单一模型定制。据报道， Alphabet 正在开发一款内部代号 Frozen v2 的芯片，把 Gemini 模型的核心神经网络架构直接固化到硅片的物理电路中。消息发布当天，Alphabet 股价盘中最高涨 3.7%。一颗两年后才会量产的芯片，让市场为一张蓝图买了单。这不是又一颗 AI 芯片的事，AI 基础设施的竞争规则或许发生了改变。把架构冻进硅片传统 AI 芯片的工作方式是一条流水线。模型存在内存里，芯片从内存中抓取权重和架构参数，在计算单元中跑一遍，再把结果写回去。每生成一个 token，流水线就要完整转一轮。大量功耗花在搬运上，花在计算上的反而不多。Frozen v2 把 Gemini 的神经网络架构，包括层级结构、注意力机制、残差连接，在芯片设计阶段就冻进了电路。这些在传统推理中需要反复运算和搬移的结构信息，变成了物理电路的一部分。知情工程师称，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，不会取代后者，目标量产时间定在 2028 年。Frozen v2 固定的是架构，权重可以更新。最初的 Frozen v1 方案由 Google DeepMind 首席科学家提出，试图连模型权重一起固化。谷歌后来放弃了这个方案，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 2023 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，没有经历过根本性变化。真正的迭代发生在规模、训练数据和后训练优化上。在半导体行业，这个思路叫 ASIC。比特币矿机是 ASIC，手机 ISP 也是 ASIC。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，因为模型迭代太快芯片设计周期太长，流片还没走完模型已经过时了。Frozen v2 在赌这个约束已经被打破。一年烧掉 1800 亿的底气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 32.9%。但 Q1 资本支出 357 亿美元，全年指引上调至 1800 亿到 1900 亿美元，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。自由现金流同比跌了 47%，只剩 101 亿美元。6 月，Alphabet 完成了 847.5 亿美元的股权融资，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 岁的巴菲特在 CNBC 采访中亲自确认，这笔投资由他本人推动。这笔钱不会花在 Frozen v2 上，Frozen v2 要到 2028 年。这笔钱花在当下，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 的直接动因是算力短缺。算力缺口已经引发内部资源争夺，谷歌云甚至被迫拒绝了部分外部客户。管理层在 Q1 电话会议上说 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 想做的事是让成本涨得比收入慢。Frozen v2 是这套思路的硬件落脚点。它让模型设计、芯片设计和云端设计开始互相配合。更好的模型带出更多使用量，更多使用量需要更多算力，更多算力因为硬件专门为这个工作负载设计而变得更便宜。这个链条如果能跑通，Alphabet 就有了一个自己能转起来的经济护城河。6 月，OpenAI 与博通联合发布自研推理芯片 Jalapeño，计划年内部署。7 月初，Anthropic 被曝正与三星洽谈定制芯片合作。Meta 的下一代 AI 芯片 Iris 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，实际训练性能比英伟达 H100 慢了 14%。Frozen v2 不跟英伟达比谁的 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，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不再是最快的通用 GPU，而是为模型量身定制的硅片。真正危险的不是现在的英伟达。当谷歌、OpenAI、Anthropic、Meta 每家都用自己的定制芯片跑自己的模型，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 的相对优势就会被压缩。芯片和算法永远是两条平行的效率曲线。Frozen v2 押了芯片赢。Frozen v2 向行业传递了几个信号。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，运营开支决定谁能在桌上坐多久。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加速器，现在 AI 公司开始为单一模型定制芯片。每一层都收窄了留给第三方供应商的通用市场。Alphabet 管理层在 Q1 电话会议上说，“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。（本文首发钛媒体APP，作者 | AGI-Signal，编辑 | 秦聪慧）更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App