Google создаёт чип «Frozen v2»: архитектура Gemini будет запечена прямо в кремнии для 6–10x большей эффективности

Google разрабатывает новый серверный процессор внутреннего назначения под названием Frozen v2, который встраивает архитектуру модели Gemini напрямую в аппаратную часть. По данным The Information, чип может быть в 6–10 раз эффективнее текущих TPU при выполнении AI-задач. Развёртывание запланировано на 2028 год, и Google рассматривает проект как тестовый запуск для специализированных AI-чипов.

Что означает «запечь архитектуру в кремнии»?

В мире AI-ускорителей существует два основных подхода. Первый — универсальные GPU/TPU, которые работают с любой моделью: загружаете веса, задаёте архитектуру, получаете результат. Второй — специализированные ASIC, где часть вычислений «зашита» в аппаратную логику.

Frozen v2 идёт по промежуточному пути: он встраивает архитектуру (то есть общую структуру и алгоритмы) модели в кремний, но оставляет возможность загружать веса — конкретные числовые параметры, определяющие поведение модели. Это компромисс между гибкостью и эффективностью.

Термин «freezing» (заморозка) в AI означает фиксацию параметров модели, чтобы они перестали изменяться. В контексте чипа идея в том, что базовая логика Gemini закреплена на уровне железа, а значит, при вызове модели требуется меньше вычислительных шагов.

Почему Google не просто наращивает мощность TPU?

TPU восьмого поколения уже представлены на Google Cloud Next ’26 и работают с широким спектром моделей. Однако у TPU есть ограничение: они универсальны, а значит, не могут быть оптимальны для конкретной архитектуры. Google также сдаёт TPU в аренду Meta и предлагает их внешним клиентам облака, поэтому чип должен оставаться совместимым с разными моделями.

Frozen v2 — это внутренний проект, не предназначенный для внешних клиентов. Его цель — снизить стоимость AI-инференса (выполнения уже обученных моделей) для сервисов Google. С ростом количества запросов к Gemini в Search, Assistant и других продуктах оптимизация каждого запроса даёт огромную экономию.

Откуда взялась идея и почему веса не подошли?

Первоначальная концепция принадлежит Джеффу Дину, главному учёному Google DeepMind. Его первая версия Frozen предполагала встраивание весов модели (параметров, определяющих ответы) прямо в чип. Однако этот подход провалился: чип работал бы только с одной версией Gemini и устарел бы слишком быстро.

Команда остановилась на архитектурном подходе: закрепляется не конкретная версия модели, а общая структура. Это позволяет обновлять веса при выходе новых поколений Gemini, сохраняя преимущества специализированного железа.

Как это повлияет на конкуренцию с OpenAI и Anthropic?

Если Frozen v2 оправдает обещания по 6–10x эффективности, Google получит значительное ценовое преимущество при предоставлении AI-услуг. Стоимость одного запроса к Gemini может снизиться кратно, что позволит Google предлагать более агрессивные цены, чем конкуренты.

На данный момент Gemini 3.5 Pro трижды откладывался, что создаёт давление на позиции Google. Frozen v2 может стать технологическим прорывом, который компенсирует задержки в программной части. Подробнее о том, как ускорить AI-инференс без покупки новых GPU, — в нашем отдельном материале.

Какие риски у проекта и когда ждать результатов?

Ключевые неопределённости: насколько сильно архитектура будет зашита в кремний (решение ещё не принято), сработает ли гибридный подход на практике, и не отразится ли специализация на способности Google развивать модель. Кроме того, 2028 год — далёкая перспектива, и к тому моменту конкуренты тоже не будут стоять на месте.

Для Google это в первую очередь внутренний инструмент оптимизации, а не продукт для рынка. Но если технология окажется успешной, она может изменить подход к AI-аппаратуре в индустрии в целом — подобно тому, как специализированные чипы Tensor Processing Unit изменили подход к нейросетевым вычислениям в 2016 году.