Чипи штучного інтелекту Google стали у 10 разів ефективнішими: чи зможуть ASIC-конструкції кинути виклик домі?

21 липня 2026 року (за пекінським часом) Alphabet закрилася на рівні $351,37, підвищившись на 1,52 % за день. У той же день NVIDIA завершила торги на рівні $203,28, додавши 0,23 %.

Причиною такого розходження цін стала публікація технологічного медіа The Information: Google розробляє новий серверний чип, внутрішньо кодований як Frozen v2, із метою остаточно інтегрувати частину архітектури великої моделі Gemini безпосередньо в кремній. Це дозволить досягти продуктивності обробки токенів у 6–10 разів вищої на одиницю енергії порівняно з поточними TPU. У день появи новини акції Alphabet зросли майже на 3,7 % протягом дня.

Чип, запланований до впровадження через два роки, підштовхнув ринок до купівлі за схемою. Логіка цього виходить далеко за межі запуску ще одного AI-чипа — вона сигналізує про потенційний перегляд правил конкуренції в інфраструктурі штучного інтелекту.

Чому гіганти хмарних обчислень переходять від купівлі чипів до їх розробки?

За останнє десятиліття структура ринку інфраструктури AI оберталася навколо одного головного вузла: GPU від NVIDIA, програмного екосистеми CUDA та постійно зростаючих дата-центрів. Цей шлях був чітким і ефективним — універсальні обчислювальні чипи адаптуються до різноманітних AI-навантажень, а масштаби виробництва забезпечують постійне зниження витрат і підвищення продуктивності.

Але цей ландшафт змінюється. Основні хмарні провайдери колективно переходять до розробки власних чипів:

Цю тенденцію стимулює кілька чинників. Перший — це витрати. Власні TPU Google можуть знизити вартість AI-обчислень до 30 %. Бізнес AWS із власними чипами досяг $20 млрд річного виторгу на початку 2026 року. У міру того, як інференція AI переходить від питання «чи можливо це?» до «чи вигідно це?», вартість одного токена стає головною конкурентною змінною.

Другий чинник — безпека постачання. Дефіцит обчислювальних потужностей став нагальною внутрішньою проблемою Google. Звіти показують, що нестача потужностей не лише загострює внутрішню конкуренцію за ресурси, а й змушує Google Cloud відмовлятися від деяких зовнішніх партнерств. У червні 2026 року Google погодилася платити SpaceX майже $1 млрд на місяць для заповнення дефіциту потужностей. У першому кварталі 2026 року капітальні витрати Alphabet досягли $35,7 млрд, а річний прогноз підвищено до $180–190 млрд — удвічі більше ніж $91,4 млрд у 2025 році. У тому ж кварталі виторг Google Cloud становив $20 млрд, зростання на 63 % рік до року, а портфель контрактів зріс із $240 млрд у попередньому кварталі до $462 млрд. Керівництво заявило під час earnings call, що попит на AI безпрецедентний, а компанія залишається обмеженою потужностями.

Коли зростання попиту стабільно випереджає розширення пропозиції, розробка власних чипів переходить із «опціональної» до «обов’язкової».

Логіка «заморожування» Frozen v2: чому інтеграція архітектури моделі в кремній підвищує ефективність у десять разів

Щоб зрозуміти цінність Frozen v2, спершу потрібно розібратися, як працюють традиційні AI-чипи.

У звичайній архітектурі AI-моделі зберігаються в пам’яті. Чипи зчитують ваги та параметри архітектури з пам’яті, виконують обчислення в обробних блоках і записують результати назад у пам’ять. Для кожного згенерованого токена цей конвеєр проходить повний цикл. Значна частина енергії витрачається на переміщення даних, а власне обчислення займає меншу частку.

Frozen v2 застосовує інший підхід: архітектура нейронної мережі Gemini — включно з ієрархічною структурою, механізмами multi-head attention, залишковими з’єднаннями та іншими ключовими компонентами — інтегрується безпосередньо у фізичну схему під час розробки чипа. Структури, які традиційно потребують багаторазового зчитування та обчислення, стають частиною самого контуру.

У напівпровідниковій галузі ця концепція відома як ASIC (Application-Specific Integrated Circuit). Майнер для Bitcoin — це ASIC, як і ISP у смартфонах — вони жертвують універсальністю заради максимальної ефективності у конкретному завданні. Але ніхто досі не наважувався створювати ASIC для великих моделей, бо ітерації моделей відбуваються швидко, цикли розробки чипів — довгі, і на момент виготовлення чипа модель може вже застаріти.

Frozen v2 робить ставку на те, що базова архітектура Gemini стабілізувалася настільки, що її можна закодувати в кремній. Від випуску Gemini 1.0 у грудні 2023 року до 3.5 Flash основні компоненти архітектури Transformer — multi-head attention, feed-forward networks, layer normalization — не зазнали фундаментальних змін. Справжні новації відбувалися у масштабі моделей, даних для тренування та оптимізації після тренування, а не на рівні інфраструктури.

Frozen v2 фіксує архітектуру, але ваги можна оновлювати. Початковий план Frozen v1 передбачав інтеграцію і архітектури, і ваг, але Google зрештою відмовилася від цього підходу, оскільки чип міг виконувати лише одну версію Gemini і ставав застарілим із кожною новою ітерацією моделі. Frozen v2 — це компроміс: «зафіксувати скелет, а не м’язи».

З погляду конвеєра даних, підвищення ефективності Frozen v2 розкладається так:

Інтегрована архітектура моделі → менше декодування інструкцій і зчитування параметрів → менше переміщення даних між чипом і пам’яттю → менше енерговитрат на токен → збільшення обробки токенів на одиницю енергії у 6–10 разів

У звіті зазначено, що Frozen-чипи стануть більш спеціалізованою гілкою у портфелі власних чипів Google, а не замінять універсальні TPU. Наразі Google розглядає Frozen v2 як експериментальний проект, без планів на масове виробництво на рівні TPU. Цільове впровадження заплановано на 2028 рік.

Від «гонки кількості GPU» до «конкуренції за вартість токена»

Значення Frozen v2 полягає не у потенціалі масового виробництва, а в зміні конкурентної логіки.

Історично основною метрикою у конкуренції AI-чипів було «хто володіє найбільшою кількістю GPU». NVIDIA створила непохитну перевагу в цій сфері — на початку 2026 року компанія контролювала близько 86 % ринку AI-акселераторів і чипів для дата-центрів. TrendForce оцінює її частку на глобальному ринку AI-чипів у 2026 році на рівні 64 %. У першому кварталі 2026 року (фіскальний Q1 2027 для NVIDIA) виторг від дата-центрів досяг $75,25 млрд, зростання на 92 % рік до року.

Frozen v2 вказує на новий вимір конкуренції: «хто може забезпечити найбільшу AI-потужність за найнижчої собівартості». У міру того, як AI-додатки переходять від тренування до масштабної інференції, саме вартість електроенергії, чипів і обслуговування дата-центрів на токен визначатиме життєздатність бізнес-моделей.

Google має тут структурну перевагу: невикористані TPU можуть бути інтегровані всередині компанії — безпосередньо у власні хмарні операції, тоді як NVIDIA не має масштабного хмарного бізнесу для використання надлишкового обладнання. Це дає Google більшу гнучкість у плануванні потужностей і управлінні ризиками для власних чипів.

Крім того, Google розширює екосистему TPU на зовнішні ринки. Звіти вказують, що компанія веде переговори з кількома професійними GPU-хмарними провайдерами «Neo-cloud», заохочуючи їх додати опції TPU у свої сервіси. Anthropic, Apple і Meta стали зовнішніми клієнтами TPU. Спільне підприємство Google із Blackstone будує 500 мегават потужностей TPU. Якщо більше технологічних компаній перенесуть робочі навантаження на TPU Google або власні чипи, це не лише зменшить частку NVIDIA на ринку, а й може знизити її цінову перевагу.

Однак цей процес має реальні обмеження. TSMC — вузьке місце для всіх розробників чипів; Google покладається на Broadcom як посередника для забезпечення потужностей. Розподіл на 2027 рік зараз фіналізується, і частка Google напряму залежить від позиції TSMC щодо TPU-бізнесу. Тим часом Google залишається одним із найбільших клієнтів NVIDIA, купуючи десятки тисяч GPU щороку для тренування найбільших моделей. Така динаміка «конкурент і топ-клієнт» робить конкурентне середовище ще складнішим.

Вартість і межі спеціалізації

Технічний шлях Frozen v2 має свої компроміси. У звіті прямо зазначено: чип сумісний лише з майбутніми моделями Gemini, якщо Google зберігає ту саму базову архітектуру. Якщо структура моделі зміниться, частина, інтегрована в кремній, може стати застарілою.

Водночас AI-бізнес Google стикається з більш нагальними викликами. Звіти вказують, що випуск наступного покоління Gemini Pro затримано, а кілька провідних AI-дослідників перейшли до конкурентів. Китайські AI-моделі вже становлять 45 % використання токенів серед підприємств США. Спеціалізовані чипи залишаються у дорожній карті на 2028 рік, але першочергові завдання Google — стабілізувати темпи ітерацій моделей і утримати таланти.

Крім того, Alphabet нещодавно завершила фінансування акцій на $84,75 млрд — одну з найбільших вторинних пропозицій в історії США — переважно для будівництва дата-центрів, впровадження сьомого покоління TPU Ironwood і продовження закупівлі GPU NVIDIA. Frozen v2 з’явиться лише у 2028 році; ці кошти витрачаються вже зараз.

Висновок

Акції Alphabet зросли на 1,52 % на новині про Frozen v2, тоді як NVIDIA показала помірне зростання на 0,23 %. Ця різниця може відображати різну оцінку ринком двох конкурентних стратегій: одна базується на масштабі універсальних обчислювальних чипів, інша — на революції ефективності спеціалізованих чипів.

Frozen v2 залишається експериментальним проектом, і його впровадження у 2028 році означає, що найближчим часом він не стане суттєвим викликом для позицій NVIDIA на ринку. Однак напрямок, який він задає — від «хто володіє найбільшою кількістю GPU» до «хто забезпечує найбільшу AI-потужність за найнижчої вартості» — стає структурною тенденцією для всієї галузі.

Ринок AI-чипів прогнозується зросте з приблизно $61,8 млрд у 2025 році до близько $84,2 млрд у 2026 році. У цьому швидко зростаючому ринку баланс між спеціалізацією та універсальністю визначатиме структуру витрат і конкурентну динаміку AI-інфраструктури на наступне десятиріччя. Чи буде Frozen v2 успішним — невідомо, але підхід, який він представляє — розробляти чипи під моделі, а не підганяти моделі під чипи — вже змінює спосіб обговорення AI-обчислень у галузі.

FAQ

Q: Яке підвищення продуктивності забезпечує чип Frozen v2 від Google порівняно з поточними TPU?

Інженери Google оцінюють, що Frozen v2 може забезпечити продуктивність обробки токенів у 6–10 разів вищу на одиницю енергії, ніж найновіші TPU компанії. Такий приріст досягається переважно завдяки інтеграції архітектури моделі Gemini у чип, що зменшує енерговитрати на переміщення даних і зайві обчислення.

Q: Чи замінить Frozen v2 GPU NVIDIA?

Ні, у короткостроковій перспективі. Frozen v2 — це спеціалізований чип для моделі Gemini; він не замінить універсальні TPU, тим більше GPU NVIDIA. Google все ще щорічно купує десятки тисяч GPU NVIDIA для тренування найбільших моделей.

Q: Коли Frozen v2 буде офіційно впроваджено?

Звіти вказують, що цільове впровадження Google заплановано на 2028 рік. Проект наразі вважається експериментальним, без планів на масове виробництво на рівні TPU.

Q: Чому Alphabet розробляє власні AI-чипи?

Основні причини три: зменшити залежність від NVIDIA, контролювати зростання витрат на обчислення й вирішити серйозний дефіцит внутрішніх потужностей. У першому кварталі 2026 року виторг Google Cloud досяг $20 млрд, зростання на 63 % рік до року, але обмеження потужностей стримували подальше зростання.

Q: Які ризики технічного підходу Frozen v2?

Найбільший ризик — вартість негнучкості. Чип сумісний лише з наступними версіями Gemini, що використовують ту саму базову архітектуру. Якщо фундамент моделі зміниться, дизайн, інтегрований у кремній, може стати застарілим. Крім того, цикли розробки чипів довші, ніж ітерації моделей, тому ніхто раніше не наважувався створювати ASIC для великих моделей.