Chip Frozen v2 di Google: come Gemini finisce dentro il silicio

Il chip Frozen v2 Google Gemini è la nuova scommessa hardware di Alphabet: un acceleratore server, nome in codice Frozen v2, in cui parte dell’architettura di Gemini viene incisa direttamente nel silicio. Lo scoop è di The Information (21 luglio 2026), rilanciato da Hardware Upgrade, TechCrunch, SiliconANGLE e Reuters. Il progetto promette un’efficienza fino a 10 volte superiore rispetto alle attuali TPU, misurata in token generati per ogni Watt consumato. Il deployment non è previsto prima del 2028. Google non ha confermato né smentito, ma ha risposto a TechCrunch che i suoi team ‘sperimentano continuamente nuove innovazioni hardware e software’. Vediamo di cosa si tratta, perché il nome ‘Frozen’ e cosa cambia per l’industria dell’inferenza AI.

Indice

1. Chip Frozen v2 Google Gemini: cos’è e perché si chiama così
2. Come funziona: architettura Gemini nel silicio
3. Efficienza: fino a 10 volte le TPU attuali
4. Non sostituisce le TPU: strategia complementare
5. Il contesto: la corsa ai chip AI proprietari
6. Rischi e limiti del chip Frozen v2 Google Gemini
7. Domande frequenti

Chip Frozen v2 Google Gemini: cos’è e perché si chiama così

Il chip Frozen v2 Google Gemini è un acceleratore AI proprietario di Alphabet in cui parti della struttura del modello Gemini vengono fissate — ‘congelate’ — nel circuito fisico. Il nome deriva proprio da questa scelta di progettazione: mentre le GPU NVIDIA e le stesse TPU di Google sono chip general-purpose che caricano il modello in memoria a ogni inferenza, Frozen v2 elimina questo passaggio incorporando la logica computazionale della famiglia Gemini nel silicio.

Secondo il resoconto di The Information, l’idea nasce da uno studio precedente guidato da Jeff Dean, chief scientist di Google DeepMind. La versione iniziale prevedeva addirittura di incidere i pesi del modello direttamente nel chip. Quel design è stato accantonato perché avrebbe accorciato troppo la vita utile del prodotto: se cambiano i pesi, il chip diventa carta straccia. Il compromesso è mantenere aggiornabili i pesi e ‘congelare’ solo l’architettura di base.

Come funziona: architettura Gemini nel silicio

Un acceleratore AI tradizionale esegue in continuazione controlli logici in tempo reale e sposta dati tra memoria e core di calcolo. Questo data movement è uno dei principali colli di bottiglia — e uno dei più energivori — dell’inferenza su modelli di grandi dimensioni. Il chip Frozen v2 Google Gemini riduce il problema in due modi:

• meno calcoli: le operazioni ricorrenti dell’architettura Gemini sono già cablate, quindi il chip non deve ricostruirle a ogni richiesta;
• meno spostamento di dati: parte della struttura del modello vive nel silicio, non deve essere fetchata dalla memoria a ogni ciclo.

L’obiettivo è servire inferenza AI ad alta efficienza energetica per i workload più prevedibili — quelli in cui l’architettura non cambia da una richiesta all’altra. Si legga: assistenti vocali, agenti conversazionali, risposte generate in tempo reale nei prodotti Google che oggi si appoggiano a Gemini e ai servizi come NotebookLM.

Efficienza: fino a 10 volte le TPU attuali

I numeri circolati sono la parte più interessante. Secondo le stime interne di Google riportate dalla fonte, Frozen v2 servirebbe da 6 a 10 volte più token per unità di energia rispetto all’ultima generazione di TPU. Un confronto sintetico:

Se anche il rapporto reale si assestasse sul limite basso della forbice, sarebbe comunque un salto generazionale sui costi operativi dei data center Google. Wall Street ci ha creduto: dopo la pubblicazione dello scoop, il titolo Alphabet è salito di circa il 3% (fonte: TechCrunch, 21/07/2026 — dato non ancora consolidato su base settimanale).

Non sostituisce le TPU: strategia complementare

Un punto spesso frainteso: Frozen v2 non è pensato per rimpiazzare le TPU, ma per affiancarle. Le Tensor Processing Unit restano lo strumento general-purpose per training e inferenza su modelli diversi; Frozen v2 nasce per servire Gemini nel modo più efficiente possibile in scenari ripetitivi. Secondo The Information, i volumi produttivi iniziali saranno molto inferiori a quelli TPU, e il progetto è ancora trattato internamente come esplorativo.

C’è anche una motivazione operativa: la carenza di capacità di calcolo interna avrebbe già costretto Google Cloud a rifiutare contratti con clienti enterprise. Alleggerire l’inferenza di Gemini con hardware dedicato libererebbe TPU per altri workload e allenterebbe la tensione con la divisione consumer AI di Google, che chiede sempre più compute.

Il contesto: la corsa ai chip AI proprietari

Frozen v2 non è un caso isolato. Tutti i grandi player AI stanno cercando di ridurre la dipendenza da NVIDIA:

• OpenAI ha presentato Jalapeño, il suo primo chip per inferenza prodotto con Broadcom.
• Anthropic starebbe discutendo con Samsung una collaborazione per un chip proprietario.
• Google ha già le TPU 8t (training) e TPUi (inferenza) — Frozen v2 sarebbe il passo successivo verso la specializzazione estrema.

Chi ci osserva più da vicino, come l’ecosistema OpenAI con i suoi agenti AI, sa che il costo per token dell’inferenza è ormai il vero terreno di battaglia. La potenza pura di calcolo per il training resta importante, ma è servire miliardi di richieste giornaliere che uccide i margini. Da qui la corsa a silicio custom.

Rischi e limiti del chip Frozen v2 Google Gemini

Il rovescio della medaglia è evidente: rigidità. Un chip progettato attorno all’architettura Gemini di oggi è utile solo finché Google mantiene quella stessa architettura in futuro. Se DeepMind decide di cambiare pattern (mixture-of-experts diversi, nuove tecniche di attention, architetture ibride), Frozen v2 rischia di diventare hardware morto molto in fretta.

Ci sono poi due incertezze da tenere a mente:

• il progetto è ancora esplorativo: Google stessa dice che ‘non tutti i progetti sperimentali arrivano alla produzione’;
• il 2028 è lontano in un settore che ridefinisce lo stato dell’arte ogni 6-12 mesi. Molte cose possono cambiare.

Domande frequenti

Cos’è il chip Frozen v2 Google Gemini?

Il chip Frozen v2 Google Gemini è un acceleratore server AI in sviluppo presso Alphabet che incorpora parte dell’architettura del modello Gemini direttamente nel silicio. L’obiettivo è servire l’inferenza dei modelli Gemini con un’efficienza energetica stimata da 6 a 10 volte superiore rispetto alle attuali TPU. La notizia è stata riportata da The Information il 21 luglio 2026.

Quando uscirà Frozen v2?

Il deployment non è previsto prima del 2028. Al momento il progetto è trattato internamente come esplorativo e i volumi di produzione iniziali saranno molto inferiori rispetto alla linea TPU. Google non ha confermato ufficialmente né lo scoop né la roadmap, dichiarando solo che i suoi team esplorano continuamente nuove soluzioni hardware e software.

Frozen v2 sostituirà le TPU?

No. Frozen v2 non è progettato per sostituire le Tensor Processing Unit, ma per affiancarle. Le TPU restano l’accelleratore general-purpose per training e inferenza su una vasta gamma di modelli, mentre Frozen v2 nasce per servire Gemini in modo altamente specializzato nei carichi di lavoro ripetitivi dove l’efficienza energetica è il fattore critico.

Perché si chiama ‘Frozen’?

Il nome deriva dalla scelta di ‘congelare’ — cioè incidere in modo permanente — parte dell’architettura di Gemini nel silicio. I pesi del modello restano aggiornabili, ma la struttura di base è vincolata al progetto del chip. Una versione iniziale, guidata da Jeff Dean di DeepMind, prevedeva di cablare anche i pesi, ma è stata scartata perché avrebbe accorciato drasticamente la vita utile del chip.

Frozen v2 è una minaccia per NVIDIA?

Non nel breve termine. Frozen v2 è un chip di nicchia dedicato all’inferenza di Gemini nei data center Google, con volumi iniziali limitati. Sul lungo periodo, però, si inserisce nel trend più ampio degli hyperscaler che sviluppano silicio proprietario per ridurre la dipendenza da NVIDIA — un trend che include anche Jalapeño di OpenAI e le trattative Anthropic-Samsung.

Conclusione

Frozen v2 racconta bene dove sta andando l’inferenza AI: non più solo potenza bruta, ma efficienza per token. Se le stime interne di Google saranno confermate, il chip cambierà l’economia di Gemini nei data center Alphabet, e spingerà anche gli altri hyperscaler a specializzare il silicio attorno ai propri modelli. La domanda vera è se i modelli di frontiera saranno abbastanza stabili nella loro architettura per giustificare un investimento del genere.

E tu, credi che l’hardware ‘frozen’ sia una scommessa vincente o un vicolo cieco? Fammelo sapere nei commenti.

#tuttelevitediunmaker