Google хочет «вшить» архитектуру Gemini прямо в кремний: что известно о чипе Frozen v2

Введение

Крупные технологические компании всё чаще обращаются к аппаратным решениям для ускорения работы искусственного интеллекта. Google, один из лидеров в этой области, пошёл ещё дальше: вместо того чтобы адаптировать существующие модели под стандартные процессоры, корпорация решила встроить логику своей нейросети Gemini непосредственно в микроархитектуру нового чипа. Эта новость, появившаяся в конце июля 2026 года, вызвала широкий резонанс в инженерном сообществе.

Согласно информации, опубликованной на портале vc.ru, Google разрабатывает чип под кодовым названием Frozen v2, который станет прямым воплощением архитектуры Gemini в кремнии Источник. Это означает, что ключевые алгоритмы модели — от механизма внимания до обработки последовательностей — будут реализованы на уровне транзисторов, а не выполняться программно. Такой подход может кардинально изменить баланс сил на рынке AI-ускорителей.

Архитектура Gemini: почему её решили «зашить» в чип

Gemini — это мультимодальная модель, способная обрабатывать текст, изображения, аудио и видео. Её архитектура основана на модифицированном трансформере с несколькими нововведениями, которые позволяют эффективно работать с длинными контекстами до нескольких миллионов токенов. Однако именно эта сложность создаёт проблему: для выполнения даже одного запроса требуются огромные вычислительные ресурсы, а энергопотребление современных серверов с GPU достигает десятков киловатт.

Разработчики Frozen v2 решили перенести часть этих вычислений на аппаратный уровень. Вместо того чтобы загружать веса модели в память и выполнять операции матричного умножения на универсальных ядрах, чип будет содержать специализированные блоки, заточенные под конкретные слои Gemini. Это напоминает подход, который ранее применялся в тензорных процессорах Google (TPU), но с принципиальным отличием: если TPU были оптимизированы для общих операций глубокого обучения, то Frozen v2 создаётся под одну конкретную модель.

Технические детали Frozen v2: что известно

На данный момент Google не раскрывает полную спецификацию чипа, однако из доступных источников можно выделить несколько ключевых особенностей.

Стоит подчеркнуть, что это не просто «ускоритель», а полноценный специализированный процессор. Авторы статьи на vc.ru отмечают, что команда проекта столкнулась с проблемой переноса архитектуры нейросети на уровень схемотехники: каждый слой Gemini пришлось перепроектировать в виде аналоговых или цифровых логических блоков.

Сравнение с существующими решениями

Чтобы понять, насколько серьёзен шаг Google, полезно сравнить Frozen v2 с текущими флагманскими продуктами.

NVIDIA H100 и B200

Современные GPU от NVIDIA, такие как H100 и недавно анонсированный B200, остаются универсальными ускорителями. Они способны запускать любые модели — от GPT-4 до Stable Diffusion — но расплачиваются за эту универсальность высокой стоимостью (до $30 000 за карту) и энергопотреблением (до 700 Вт). Для массового развёртывания Gemini в дата-центрах такие карты требуют мощного охлаждения и дорогостоящей инфраструктуры.

TPU v5

Собственные тензорные процессоры Google уже давно используются для обучения и инференса. Однако TPU v5, представленный в 2023 году, всё ещё остаётся программируемым: он выполняет операции, заданные в TensorFlow или JAX, но не имеет жёстко заданной логики. Frozen v2, напротив, будет выполнять только те операции, которые заложены в архитектуре Gemini.

Groq LPU

Компания Groq выпустила специализированный процессор для LLM (Language Processing Unit), который также использует аппаратный подход. Однако чип Groq рассчитан на широкий спектр моделей с архитектурой трансформера, в то время как Frozen v2 заточен под одну конкретную модель. Это позволяет Google добиться ещё более высокой производительности для Gemini, но делает чип бесполезным для других задач.

Влияние на рынок AI

Если Frozen v2 окажется успешным, это может привести к нескольким важным последствиям.

Во-первых, снизится стоимость инференса — выполнения запросов к модели. Согласно оценкам аналитиков, затраты на запуск Gemini в дата-центрах могут уменьшиться в 2–3 раза благодаря снижению энергопотребления и повышению пропускной способности. Это сделает AI более доступным для малого и среднего бизнеса, который пока не может позволить себе аренду кластеров GPU.

Во-вторых, Google получит конкурентное преимущество перед OpenAI и другими компаниями. Если владельцы GPT-4 и Claude вынуждены использовать универсальные чипы, то Gemini будет работать на собственном, оптимизированном под неё оборудовании. Это может ускорить выход новых версий модели и улучшить качество ответов.

Однако есть и обратная сторона: жёсткая привязка к одной модели делает чип уязвимым. Если архитектура Gemini устареет или будет заменена на новую, Frozen v2 придётся перепроектировать с нуля. Это требует огромных инвестиций, которые могут не окупиться, если модель не станет доминирующей на рынке.

Практические примеры использования

Хотя Frozen v2 пока существует в виде прототипа, уже можно представить сценарии его применения.

Медицинская диагностика

Gemini способна анализировать медицинские снимки, тексты историй болезней и показатели мониторов одновременно. В больницах, где важна скорость обработки данных, аппаратное ускорение позволит получать результаты за миллисекунды, а не секунды. Например, при анализе КТ-снимков лёгких на предмет опухолей чип сможет обрабатывать до 10 000 изображений в час без задержек.

Финансовый анализ

Трейдинговые алгоритмы требуют обработки огромных объёмов новостных лент, отчётов и данных с бирж в реальном времени. Frozen v2, установленный в серверной части брокерской компании, сможет выполнять прогнозы на основе Gemini за доли секунды, что критично для высокочастотной торговли.

Робототехника

В автономных роботах, работающих на складах или в полевых условиях, энергопотребление является ключевым ограничением. Чип с низким энергопотреблением (около 60 Вт) может быть установлен прямо на борту робота, позволяя ему выполнять сложные задачи навигации и взаимодействия с объектами без подключения к облаку.

Проблемы и риски

Несмотря на очевидные преимущества, у подхода Google есть несколько серьёзных недостатков.

1. Отсутствие гибкости. Чип не сможет выполнять задачи, не связанные с Gemini. Если компания захочет перейти на другую модель, оборудование придётся менять.
2. Сложность производства. Разработка чипа с нуля под конкретную модель требует участия десятков инженеров-схемотехников и миллионов долларов инвестиций. Даже для Google это значительные затраты.
3. Риск устаревания. Модели AI развиваются стремительно: то, что было актуально в 2026 году, может устареть через год. Если архитектура Gemini изменится, чип потеряет свою эффективность.

Заключение

Решение Google «вшить» архитектуру Gemini в кремний — это смелый шаг, который может изменить правила игры на рынке AI-оборудования. Frozen v2 обещает значительное снижение энергопотребления и повышение производительности для одной из самых мощных мультимодальных моделей. Однако эта специализация одновременно является и его главным недостатком: чип не сможет адаптироваться к будущим изменениям.

Для компаний, которые планируют активно использовать Gemini в своей инфраструктуре, появление Frozen v2 станет отличной новостью — затраты на инференс снизятся, а скорость работы возрастёт. Тем не менее, универсальные решения от NVIDIA и AMD вряд ли исчезнут: они останутся основой для тех, кто предпочитает гибкость и независимость от одного поставщика.

В ближайшие месяцы стоит ожидать новых подробностей от Google, включая результаты тестов и возможную дату коммерческого запуска. Пока же можно уверенно сказать одно: гонка аппаратных ускорителей AI вышла на новый уровень, и теперь чипы будут проектироваться под конкретные модели, а не наоборот.