Google «замораживает» Gemini в кремнии: чип Frozen v2 в 10 раз эффективнее TPU

Когда инженеры Google говорят «заморозить» модель, они обычно имеют в виду остановку обучения. Но в проекте Frozen v2 смысл этого слова приобрёл буквальное, почти философское измерение: часть архитектуры Gemini будет физически вытравлена в кремний. Навсегда. Это один из самых радикальных экспериментов в истории прикладного ИИ-железа.

Что такое Frozen v2 и почему это не просто очередной чип

Google годами выпускает TPU — тензорные процессоры, которые умеют работать с любой моделью. Это их главное достоинство и одновременно ахиллесова пята: универсальность требует постоянных вычислений логических условий в реальном времени, что съедает энергию и время. Frozen v2 выбирает другой путь — он жертвует гибкостью ради скорости.

Вместо того чтобы каждый раз «спрашивать» чип, как обрабатывать запрос, часть вычислительной логики Gemini будет зашита прямо в аппаратную схему. По данным источников, знакомых с проектом, это позволит сократить количество вычислительных шагов и минимизировать движение данных между памятью и логическими блоками — два главных узких места современного AI-инференса.

Ожидаемый результат: от 6 до 10 токенов на ватт мощности против нынешних показателей TPU. Это не эволюция — это смена парадигмы.

История идеи: от весов к архитектуре

Оригинальная концепция принадлежит Джеффу Дину, главному учёному Google DeepMind. Его первоначальная версия Frozen была ещё радикальнее: вшить прямо в кремний не архитектуру, а веса модели — конкретные числовые параметры, определяющие поведение Gemini. Технически это дало бы максимальную эффективность.

Однако команда быстро осознала фундаментальный изъян: такой чип работал бы только с одной конкретной версией Gemini и устаревал бы вместе с каждым обновлением модели. В условиях, когда Gemini обновляется несколько раз в год, это коммерческое самоубийство.

Frozen v2 нашёл компромисс: в кремний вшивается архитектурный чертёж — структура трансформера, схема слоёв, паттерны вычислений — но не конкретные веса. Новые веса можно загружать на чип по мере обновления модели. Насколько глубоко архитектура будет захардкожена — инженеры ещё окончательно не решили.

Технические детали: три источника эффективности

По имеющимся данным, прирост производительности достигается сразу тремя путями.

Первый — сокращение числа вычислений. Когда логика модели встроена в железо, чип не тратит циклы на интерпретацию инструкций — он просто выполняет их напрямую.

Второй — минимизация движения данных. Это хроническая болезнь современных GPU и TPU: когда модель не помещается во внутреннюю память чипа, данные постоянно гоняются между чипом и внешней DRAM. Каждая такая пересылка — это потерянное время и энергия. Frozen v2, судя по всему, будет оснащён достаточным объёмом памяти, чтобы держать Gemini целиком на кристалле.

Третий — operator fusion, слияние операций. Несколько последовательных вычислений объединяются в одно, которое выполняется быстрее. Для Gemini, чья архитектура известна инженерам досконально, такую оптимизацию можно реализовать на уровне схемотехники.

Стратегический контекст: дефицит вычислений и гонка маржинальности

Frozen v2 — это не академический эксперимент. Google прямо сейчас испытывает острую нехватку AI-вычислений. По имеющимся данным, дефицит настолько серьёзен, что Google Cloud вынужден отказывать внешним клиентам в заказах. Это удар по репутации и прямые потери выручки.

При этом Frozen v2 не станет продуктом для внешних клиентов — в отличие от TPU, которые Google сдаёт в аренду через облако, предлагает Meta и продвигает по программе TPU@Premises как альтернативу Nvidia. Frozen v2 — исключительно для внутреннего потребления.

Но именно это делает его стратегически важным. В AI-бизнесе 2026 года маржа определяется стоимостью инференса. OpenAI, Anthropic, Google — все они борются за одно: отдавать пользователю максимум интеллекта за минимум электричества. Если Frozen v2 действительно даёт 10-кратный прирост эффективности, Google сможет запускать более мощные версии Gemini по ценам, с которыми конкуренты просто не смогут тягаться.

Для сравнения: лучшие текущие TPU восьмого поколения уже опережают Nvidia H100 по метрикам инференса в облачных тестах. Frozen v2 — это следующий уровень, недоступный никому извне.

Риски: ставка на стабильность архитектуры

Я бы был нечестным, не упомянув главный риск этой стратегии. Frozen v2 работает ровно до тех пор, пока Google не меняет архитектуру Gemini кардинально. Если завтра появится Gemini на принципиально иной архитектуре — допустим, State Space Models вместо трансформеров — партия чипов превратится в дорогостоящий металлолом.

Это та же ставка, что делает Apple с Neural Engine в чипах серии M: глубокая интеграция даёт фантастическую эффективность, но привязывает железо к конкретному программному стеку. Apple может себе это позволить, потому что контролирует и OS, и приложения. Google контролирует Gemini — вопрос в том, насколько стабильной останется его архитектура в горизонте 2028–2032 годов.

Что это значит для рынка

Новость уже отыграна рынком: акции Alphabet в день публикации поднимались выше $359 за штуку, прибавив более 3%. Инвесторы правильно читают сигнал: это не просто новый чип, это заявка на структурное снижение себестоимости AI-сервисов.

Для разработчиков и бизнеса, использующих Gemini API, это потенциально означает более низкие цены на инференс после 2028 года. Для российских пользователей ситуация не меняется в краткосрочной перспективе — доступ к Gemini через российские карты по-прежнему требует обходных решений, а сам чип до публичной инфраструктуры не доберётся ещё минимум два года.

Frozen v2 — это тест гипотезы о том, что будущее AI-инфраструктуры принадлежит не универсальным ускорителям, а специализированному железу под конкретные модели. Если эксперимент удастся, мы увидим целую волну аналогичных проектов от Meta, Amazon и Microsoft. Если провалится — это станет дорогостоящим уроком о пределах hardware-software co-design.

Информация о проекте Frozen v2 подтверждена несколькими независимыми публикациями на основе источников внутри компании.