Name: Gate: Trade BTC & ETH
Availability: InStock
Rating: 5.0 (84700 reviews)

台北時間 2026 年 7 月 21 日，Alphabet 收盤報 351.37 美元，單日上漲 1.52%。同一天，NVIDIA 收盤報 203.28 美元，漲幅 0.23%。

驅動這一價格差異的，是一篇來自科技媒體 The Information 的報導：Google 正在研發一款內部代號為 Frozen v2 的新型伺服器晶片，目標是將 Gemini 大型模型的部分架構永久固化於矽片中，從而在單位功耗下實現較現有 TPU 高 6 到 10 倍的 Token 處理能力。消息發布當天，Alphabet 股價盤中一度上漲近 3.7%。

一顆兩年後才計畫部署的晶片，讓市場為一張藍圖買單。這背後的邏輯，遠不只是又一顆 AI 晶片的問世——而是 AI 基礎設施競爭規則的可能改寫。

雲端運算巨頭為何集體從晶片採購者變成晶片設計者？

過去十年，AI 基礎設施的市場格局圍繞一條主線展開：NVIDIA 的 GPU、CUDA 軟體生態，以及不斷擴張的資料中心。這條路徑的邏輯清晰且有效——通用運算晶片適配多樣化的 AI 工作負載，規模經濟帶來持續的成本下降與效能提升。

但這一格局正在被打破。大型雲端廠商正集體轉向自研晶片：

公司	自研晶片	進展
Google	TPU（Tensor Processing Unit）	已迭代至第七代 Ironwood，2026 年部署
Amazon	Trainium / Inferentia	2026 年初年化營收突破 200 億美元
Microsoft	Maia 200	2026 年 1 月發表，採用 3nm 製程
Meta	MTIA（Iris）	計畫 2026 年 9 月投產

這一趨勢的驅動力並非單一因素。首先是成本。Google 採用自研 TPU 可將 AI 運算成本降低最高 30%。AWS 的自研晶片業務於 2026 年初已達到每年 200 億美元的年化營收規模。當 AI 推論從「能不能做」變成「划不划算」，單位 Token 的成本就成為核心競爭變數。

其次是供應安全。算力短缺已成為 Google 內部的緊迫問題。報導顯示，算力不足不僅加劇了內部資源爭奪，還迫使 Google Cloud 拒絕部分外部客戶的合作。就在 2026 年 6 月，Google 同意每月向 SpaceX 支付近 10 億美元以填補算力缺口。2026 年第一季，Alphabet 資本支出達 357 億美元，全年指引上調至 1,800 億至 1,900 億美元，是 2025 年 914 億美元的兩倍。同一季度，Google Cloud 營收 200 億美元，年增 63%，合約積壓從上一季的 2,400 億美元飆升至 4,620 億美元。管理層於財報電話會議中表示，AI 需求前所未見，公司仍受限於算力。

當需求成長速度持續超越供給擴張，自研晶片便從「可選項」變成了「必選項」。

Frozen v2 的「凍結」邏輯：為何將模型架構焊進矽片能提升 10 倍效率？

理解 Frozen v2 的價值，需先理解傳統 AI 晶片的運作方式。

在傳統架構中，AI 模型儲存在記憶體中，晶片從記憶體讀取權重與架構參數，在運算單元中完成計算，再將結果寫回記憶體。每生成一個 Token，這條流程就要完整運作一次。大量功耗消耗在資料搬運上，真正用於計算的比例反而不高。

Frozen v2 的做法是：將 Gemini 的神經網路架構——包含層級結構、多頭注意力機制、殘差連接等核心元件——於晶片設計階段直接固化進實體電路。這些在傳統推論中需反覆讀取與計算的結構資訊，變成電路的一部分。

這一思路在半導體產業被稱為 ASIC（專用積體電路）。比特幣礦機是 ASIC，手機 ISP 也是 ASIC——放棄通用性，換取某一特定任務上的極致效率。但過去沒有人敢為大型模型做 ASIC，因為模型迭代太快，晶片設計週期太長，流片還沒結束模型可能已經過時。

Frozen v2 的賭注在於：Gemini 的底層架構已經穩定到值得用矽片去記憶的程度。從 2023 年 12 月 Gemini 1.0 發布到 3.5 Flash，底層 Transformer 架構的核心元件——多頭注意力、前饋網路、層歸一化——沒有經歷過根本性變化。真正的迭代發生在模型規模、訓練資料與後訓練優化上，而非基礎架構層面。

Frozen v2 固定的是架構，權重可以更新。最初的 Frozen v1 方案曾嘗試連模型權重一併固化，但 Google 最終放棄此方案，因為晶片只能運行一個版本的 Gemini，模型一旦迭代就報廢。Frozen v2 的折衷方案是「只鎖骨架，不改血肉」。

從資料鏈路來看，Frozen v2 的效率提升邏輯可拆解為：

模型架構固化 → 減少指令解碼與參數讀取次數 → 減少晶片與記憶體間的資料搬運 → 降低單 Token 能耗 → 單位功耗 Token 處理量提升 6-10 倍

報導指出，Frozen 晶片將成為 Google 自研晶片產品組合中更專門化的一支，而非取代通用型 TPU。Google 目前將 Frozen v2 視為試驗專案，暫無計畫以與 TPU 相同規模生產。目標部署時間訂於 2028 年。

從「GPU 數量競賽」到「單位 Token 成本競賽」

Frozen v2 的意義不在於它本身能否量產，而在於它代表了一種競爭邏輯的轉向。

過去，AI 晶片競爭的核心指標是「誰擁有最多的 GPU」。NVIDIA 在這一維度上建立了難以撼動的優勢——截至 2026 年初，NVIDIA 在 AI 加速器與資料中心晶片市場佔據約 86% 的市佔率。集邦諮詢預估 2026 年其全球 AI 晶片市佔約為 64%。2026 年第一季（NVIDIA 財年 2027 年 Q1），NVIDIA 資料中心營收達 752.5 億美元，年增 92%。

但 Frozen v2 指向的是另一個競爭維度：「誰能以最低的單位成本提供最大的 AI 算力」。當 AI 應用從訓練走向大規模推論，單位 Token 的電力成本、晶片成本、資料中心營運成本將決定商業模式的可行性。

Google 在這一維度上具有結構性優勢：閒置的 TPU 可被內部消化——直接納入 Google 自身的雲端營運體系——而 NVIDIA 缺乏同等規模的雲端業務來吸收多餘硬體。這意味著 Google 在自研晶片產能規劃與風險控管上擁有更大彈性。

此外，Google 正透過 TPU 生態系向外部市場滲透。據報導，Google 已與多家「Neo-cloud」專業 GPU 雲端服務商洽談，推動其服務中增加 TPU 選項。Anthropic、Apple 與 Meta 已成為 TPU 的外部客戶。Google 與 Blackstone 的合資企業正建設 500 兆瓦的 TPU 算力容量。若更多科技公司將工作負載遷移至 Google 的 TPU 或使用自研晶片，不僅會侵蝕 NVIDIA 的市場份額，還可能壓縮其定價空間。

不過，這一進程面臨現實限制。台積電是所有晶片設計公司都必須經過的瓶頸，Google 透過博通作為中介取得產能。2027 年的產能分配正在協商中，Google 能爭取到多少產能，將直接反映台積電對 TPU 業務的態度。同時，Google 仍是 NVIDIA 最大客戶之一，每年採購數萬顆 NVIDIA GPU 用於訓練其最大規模模型。這種「既是競爭對手又是最大客戶」的關係，使得競爭格局更加複雜。

專用化的代價與侷限

Frozen v2 的技術路線並非沒有代價。報導明確指出，該晶片僅在 Google 維持相同底層架構的前提下，才能相容未來的 Gemini 模型。一旦模型底層架構發生根本性變化，固化於矽片的那部分設計便可能失效。

同時，Google 的 AI 業務正面臨更緊迫的挑戰。據報導，下一代 Gemini Pro 的發布時程已經延後，多名資深 AI 研究人員流向競爭對手。中國 AI 模型在美國企業的 Token 使用量中已佔 45%。當專用晶片還在 2028 年的路線圖上時，Google 需要先穩住的是當前的模型迭代節奏與人才防線。

另外，Alphabet 近期完成的 847.5 億美元股權增資——美國歷來規模最大的增發案之一——主要用於建設資料中心、部署第七代 Ironwood TPU，以及持續向 NVIDIA 採購 GPU。Frozen v2 要到 2028 年，這筆資金花在當下。

結語

Alphabet 股價因 Frozen v2 的消息上漲 1.52%，NVIDIA 同期微幅上漲 0.23%。這一差距或許反映了市場對兩種競爭路徑的不同定價：一邊是通用運算晶片的規模壁壘，一邊是專用運算晶片的效率革命。

Frozen v2 目前仍屬試驗專案，2028 年的部署時程也意味著其短期內不會對 NVIDIA 的市場地位構成實質性衝擊。但它所指向的競爭方向——從「誰擁有最多的 GPU」轉向「誰能以最低成本提供最大的 AI 算力」——正成為整個產業的結構性趨勢。

AI 晶片市場規模預計將從 2025 年的約 618 億美元成長至 2026 年的約 842 億美元。在這個高速擴張的市場中，專用化與通用化兩條技術路線的競合，將決定未來十年 AI 基礎設施的成本結構與競爭格局。Frozen v2 是否成功尚未可知，但它所代表的思考方式——讓晶片為模型量身打造，而非讓模型遷就晶片——已經在改變產業討論 AI 算力的基本框架。