Чипы Google AI стали в 10 раз эффективнее: смогут ли ASIC потеснить доминирование NVIDIA в сфере искусственного ин?

21 июля 2026 года по пекинскому времени акции Alphabet закрылись на отметке $351,37, прибавив 1,52% за день. В тот же день акции NVIDIA завершили торги на уровне $203,28, увеличившись на 0,23%.

Причиной такого расхождения стала публикация в технологическом медиа The Information: Google разрабатывает новый серверный чип с внутренним кодовым названием Frozen v2. Его задача — навсегда зафиксировать часть архитектуры большой модели Gemini непосредственно в кремнии. Это позволит достичь производительности обработки токенов в 6–10 раз выше на единицу энергии по сравнению с текущими TPU. В день выхода новости акции Alphabet выросли внутридневно почти на 3,7%.

Чип, запуск которого запланирован через два года, заставил рынок поверить в перспективу. Логика этого шага выходит далеко за рамки очередного запуска AI-чипа — речь идет о возможной смене правил конкурентной борьбы в инфраструктуре искусственного интеллекта.

Почему гиганты облачных вычислений переходят от покупки чипов к их проектированию?

За последнее десятилетие структура рынка инфраструктуры искусственного интеллекта строилась вокруг одной ключевой линии: GPU от NVIDIA, программная экосистема CUDA и постоянно расширяющиеся дата-центры. Этот путь был очевидным и эффективным — универсальные вычислительные чипы адаптировались к разнообразным AI-нагрузкам, а эффект масштаба обеспечивал снижение стоимости и рост производительности.

Однако сейчас ситуация меняется. Крупные облачные провайдеры совместно переходят к разработке собственных чипов:

На этот тренд влияет несколько факторов. Первый — стоимость. Внутренние TPU Google позволяют снизить расходы на AI-вычисления до 30%. Собственный бизнес AWS по чипам достиг $20 млрд годового дохода в начале 2026 года. По мере того как AI-инференция переходит от вопроса «возможно ли это» к «насколько это выгодно», стоимость одного токена становится ключевой переменной конкуренции.

Второй фактор — безопасность поставок. Дефицит вычислительных ресурсов стал острой внутренней проблемой Google. По данным отчетов, нехватка вычислений не только усиливает внутреннюю конкуренцию за ресурсы, но и вынуждает Google Cloud отказывать некоторым внешним клиентам. В июне 2026 года Google согласилась платить SpaceX почти $1 млрд в месяц для восполнения дефицита вычислений. В первом квартале 2026 года капитальные расходы Alphabet достигли $35,7 млрд, а годовой прогноз увеличен до $180–190 млрд — это вдвое больше, чем $91,4 млрд в 2025 году. За тот же квартал доход Google Cloud составил $20 млрд, увеличившись на 63% год к году, а объем контрактов вырос с $240 млрд в предыдущем квартале до $462 млрд. Руководство заявило на созвоне по итогам квартала, что спрос на AI беспрецедентен, а компания ограничена вычислительными мощностями.

Когда рост спроса стабильно опережает расширение предложения, разработка собственных чипов становится не опцией, а необходимостью.

Логика "заморозки" Frozen v2: почему фиксация архитектуры модели в кремнии повышает эффективность в десять раз

Чтобы понять ценность Frozen v2, важно разобраться, как работают традиционные AI-чипы.

В классической архитектуре AI-модели хранятся в памяти. Чипы считывают веса и параметры архитектуры из памяти, выполняют вычисления в процессорных блоках и записывают результаты обратно в память. Для каждого токена этот процесс проходит полный цикл. Большая часть энергии расходуется на перемещение данных, а сами вычисления занимают меньшую долю.

Frozen v2 использует иной подход: архитектура нейросети Gemini — включая иерархическую структуру, механизмы многоголовой внимательности, остаточные связи и другие ключевые компоненты — закладывается непосредственно в физические схемы на этапе проектирования чипа. То, что раньше требовало многократного чтения и вычислений, становится частью самой схемы.

В полупроводниковой индустрии этот подход называется ASIC (Application-Specific Integrated Circuit). Майнеры биткоина — это ASIC, как и ISP в смартфонах: универсальность жертвуется ради максимальной эффективности в конкретной задаче. Однако никто ранее не решался создавать ASIC для больших моделей: итерации моделей идут быстро, цикл разработки чипа долгий, и к моменту выхода чипа модель может устареть.

Frozen v2 делает ставку на то, что базовая архитектура Gemini достаточно стабилизировалась, чтобы ее можно было зафиксировать в кремнии. С момента выпуска Gemini 1.0 в декабре 2023 года до 3.5 Flash основные компоненты архитектуры Transformer — многоголовое внимание, feed-forward сети, нормализация слоев — не претерпели фундаментальных изменений. Инновации происходили в масштабе моделей, данных для обучения и оптимизации после обучения, но не на уровне инфраструктуры.

Frozen v2 фиксирует архитектуру, но веса можно обновлять. Изначальный план Frozen v1 предполагал жестко зафиксировать и архитектуру, и веса, но Google отказалась от этого подхода: чип мог работать только с одной версией Gemini и устаревал с каждой новой итерацией модели. Frozen v2 предлагает компромисс — «фиксировать скелет, а не мясо».

С точки зрения передачи данных, прирост эффективности Frozen v2 выглядит так:

Зафиксированная архитектура модели → меньше декодирования инструкций и чтения параметров → сокращение движения данных между чипом и памятью → снижение энергопотребления на токен → увеличение производительности обработки токенов на единицу энергии в 6–10 раз

В отчете отмечается, что чипы Frozen станут отдельным специализированным направлением в портфеле собственных чипов Google, а не заменят универсальные TPU. Сейчас Frozen v2 рассматривается как экспериментальный проект, массовое производство в масштабах TPU не планируется. Целевой запуск — 2028 год.

От "гонки количества GPU" к "конкуренции по стоимости токена"

Значимость Frozen v2 заключается не в перспективе массового производства, а в смене логики конкуренции.

Исторически основной метрикой в борьбе AI-чипов было «у кого больше GPU». NVIDIA создала непреодолимое преимущество: к началу 2026 года компания занимала около 86% рынка AI-ускорителей и чипов для дата-центров. По оценке TrendForce, ее доля на мировом рынке AI-чипов составит примерно 64% в 2026 году. В первом квартале 2026 года (Q1 2027 по финансовому календарю NVIDIA) доход компании от дата-центров достиг $75,25 млрд, увеличившись на 92% год к году.

Однако Frozen v2 указывает на новое измерение конкуренции: «кто способен обеспечить максимальные AI-вычисления при минимальной себестоимости». По мере того как AI-приложения переходят от обучения к масштабной инференции, стоимость электроэнергии, чипов и работы дата-центров на один токен становится определяющей для жизнеспособности бизнес-моделей.

Здесь у Google есть структурное преимущество: неиспользуемые TPU можно интегрировать во внутренние облачные операции компании, тогда как у NVIDIA нет сопоставимого по масштабу облачного бизнеса для загрузки лишнего оборудования. Это дает Google большую гибкость в планировании мощностей и управлении рисками собственных чипов.

Кроме того, Google расширяет экосистему TPU для внешних рынков. По данным отчетов, компания ведет переговоры с несколькими профессиональными облачными провайдерами GPU ("Neo-cloud"), предлагая им добавить TPU в список услуг. Anthropic, Apple и Meta стали внешними клиентами TPU. Совместное предприятие Google и Blackstone строит 500 мегаватт вычислительных мощностей TPU. Если больше технологических компаний перенесут рабочие нагрузки на TPU или собственные чипы Google, это не только уменьшит долю NVIDIA, но и снизит ее возможности по ценообразованию.

Однако этот процесс сталкивается с реальными ограничениями. TSMC — узкое место для всех разработчиков чипов; Google использует Broadcom как посредника для получения мощностей. Квоты на 2027 год сейчас согласовываются, и доля Google напрямую зависит от позиции TSMC по бизнесу TPU. При этом Google остается одним из крупнейших клиентов NVIDIA, ежегодно покупая десятки тысяч GPU для обучения самых крупных моделей. Такая динамика «конкурент и топ-клиент» делает конкурентную среду еще сложнее.

Стоимость и ограничения специализации

Технический путь Frozen v2 не лишен компромиссов. В отчете подчеркивается: чип совместим только с будущими моделями Gemini, если Google сохранит прежнюю архитектуру. Если базовая структура модели изменится, часть схемы, зафиксированная в кремнии, может устареть.

Одновременно бизнес Google в сфере AI сталкивается с более насущными проблемами. По данным отчетов, выход следующего поколения Gemini Pro задерживается, а ряд ведущих исследователей AI перешли к конкурентам. Китайские AI-модели уже занимают 45% токенов среди американских корпоративных пользователей. Хотя специализированные чипы остаются в планах на 2028 год, ближайшие задачи Google — стабилизировать темпы итераций моделей и удержать таланты.

Кроме того, Alphabet недавно завершила финансирование акций на сумму $84,75 млрд — одно из крупнейших вторичных размещений в истории США. Основная цель — строительство дата-центров, внедрение седьмого поколения TPU Ironwood и продолжение закупок GPU NVIDIA. Frozen v2 появится только в 2028 году; эти средства расходуются уже сейчас.

Заключение

Акции Alphabet выросли на 1,52% на новости о Frozen v2, а NVIDIA прибавила лишь 0,23%. Этот разрыв может отражать разную оценку рынком двух подходов: один основан на масштабировании универсальных вычислительных чипов, другой — на революции эффективности специализированных чипов.

Frozen v2 пока остается экспериментальным проектом, и его запуск в 2028 году не станет серьезным вызовом позиции NVIDIA в ближайшей перспективе. Однако направление, которое он задает — от «у кого больше GPU» к «кто обеспечивает максимальные AI-вычисления при минимальной стоимости» — становится структурной тенденцией для всей отрасли.

Рынок AI-чипов, по прогнозам, вырастет с примерно $61,8 млрд в 2025 году до $84,2 млрд в 2026 году. В условиях стремительного роста именно баланс между специализацией и универсальностью будет определять структуру затрат и динамику конкуренции в инфраструктуре AI на ближайшее десятилетие. Успех Frozen v2 пока под вопросом, но сама философия — проектировать чипы под модели, а не подгонять модели под чипы — уже меняет подход к обсуждению вычислений для искусственного интеллекта.

FAQ

Вопрос: Какой прирост производительности дает чип Google Frozen v2 по сравнению с текущими TPU?

Инженеры Google оценивают, что Frozen v2 способен обеспечивать производительность обработки токенов в 6–10 раз выше на единицу энергии по сравнению с последними TPU компании. Этот эффект достигается за счет фиксации архитектуры модели Gemini в чипе, что снижает энергозатраты на перемещение данных и повторные вычисления.

Вопрос: Заменит ли Frozen v2 GPU NVIDIA?

В ближайшей перспективе — нет. Frozen v2 — специализированный чип для модели Gemini; он не заменит универсальные TPU, тем более GPU NVIDIA. Google продолжает ежегодно закупать десятки тысяч GPU NVIDIA для обучения самых крупных моделей.

Вопрос: Когда состоится официальный запуск Frozen v2?

По данным отчетов, целевой запуск намечен на 2028 год. Сейчас проект рассматривается как экспериментальный, массовое производство в масштабах TPU не планируется.

Вопрос: Почему Alphabet разрабатывает собственные AI-чипы?

Основные причины — сокращение зависимости от NVIDIA, контроль над растущими затратами на вычисления и решение острого дефицита внутренних вычислительных ресурсов. В первом квартале 2026 года доход Google Cloud достиг $20 млрд, увеличившись на 63% год к году, однако ограничения по вычислениям сдерживали дальнейший рост.

Вопрос: Каковы риски технического подхода Frozen v2?

Главный риск — высокая стоимость негибкости. Чип совместим только с последующими версиями Gemini, использующими ту же архитектуру. Если фундамент модели изменится, схема, зафиксированная в кремнии, может устареть. Кроме того, цикл проектирования чипов длиннее, чем цикл обновления моделей, что и объясняет, почему ранее никто не решался создавать ASIC для крупных моделей.