谷歌要把封装直接砍了！Frozen V2 TPU把SRAM塞进硅片，台积电CoWoS要靠边站了

麻薯滑芝士

嗨各位每天都在关注AI芯片军备竞赛的最新动向、对谷歌TPU和英伟达GPU之间的技术路线差异如数家珍的人工智能行业从业者，各位在云端跑大模型训练任务、每个月看着账单上那串GPU租赁费用数字心疼得直咬牙的算法工程师和AI创业公司老板，各位手里握着台积电和英伟达的股票、一听到“封装技术”四个字就条件反射般竖起耳朵的资本市场玩家，各位对芯片架构设计特别感兴趣、喜欢琢磨“内存墙”这个老大难问题到底该怎么解决的技术宅男，还有各位虽然搞不清楚SRAM和DRAM到底有什么区别、但隐约感觉到谷歌又在憋什么大招的普通科技产品爱好者——你们今天点进来看这篇算是来着了，因为就在这几天，摩根士丹利那边出了一份研究报告，爆出了一个关于谷歌下一代TPU芯片的重磅消息，这个消息如果最终能够变成现实，可能会对整个AI芯片的制造方式和供应链格局产生不小的冲击和影响。

事情是这样的。随着人工智能大模型竞赛进入到白热化阶段，各大科技公司都在拼命寻找能够替代英伟达那些又贵又难买的高端GPU的解决方案。谷歌的张量处理单元、亚马逊的Trainium芯片，这些都是业界比较知名的替代产品，它们的特点是功耗相对较低、成本相对可控，能够在AI计算这个领域跟英伟达的产品形成互补关系，而不是完全取代。而现在，根据摩根士丹利分析师发布的一份最新研究报告，谷歌正在设计一款代号为“Frozen V2”的全新TPU芯片，这款芯片的设计思路可以说是相当大胆、相当激进——它打算把SRAM静态随机存取存储器直接硬化集成到芯片的硅基板上面，从而彻底省掉像台积电CoWoS那样的独立封装技术的需求。换句话说，谷歌想把内存和计算单元在物理层面上融为一体，不再需要通过封装技术把它们拼在一起，直接从根源上砍掉封装这个环节。

在深入聊这个Frozen V2之前，咱们得先搞清楚一个背景知识——谷歌的TPU芯片一直以来都是媒体和分析师们津津乐道的话题，尤其是在封装技术的选择上，各种猜测和传言层出不穷，隔一段时间就会冒出新的说法。之前有好几份报道都提到过，谷歌和它的TPU设计合作伙伴联发科可能会采用英特尔的EMIB-T封装技术来制造TPU芯片。EMIB-T是英特尔在先进封装领域推出的一项招牌技术，它的全称是嵌入式多芯片互连桥，可以在同一个封装内部高效地将多个不同功能的小芯片连接在一起，形成一个完整的系统。不过分析师们也同时指出，这个选择最终可能取决于英特尔的良率表现，也就是英特尔能不能稳定地生产出足够可用的芯片，以及它的产能能不能跟上需求。而与此同时，台积电的CoWoS封装技术一直被视为高性能AI芯片的首选方案，英伟达的高端AI GPU用的就是CoWoS，这个技术在性能和可靠性方面已经得到了充分的验证。所以谷歌到底会选择哪条技术路线，外界一直众说纷纭，没有一个确定的答案。

但摩根士丹利这份最新报告给出的信息，直接把讨论提升到了一个更高的维度——谷歌考虑的不仅仅是换一种封装技术，而是从根本上取消封装这个环节，直接釜底抽薪。报告里说得很清楚，谷歌正在设计的Frozen V2芯片，目标是“一石二鸟”：第一，打造一款专门为运行自家Gemini AI模型量身定制的芯片，实现软硬件的高度协同优化；第二，通过把SRAM直接硬化集成到硅片上，来消除对CoWoS这类独立封装技术的依赖，从而简化制造流程、降低成本、提升性能。这个思路听起来确实很有颠覆性，跟传统的方法完全不同。传统的芯片设计方式是计算单元和内存分开制造，然后通过封装技术把它们整合到一起，这样就需要额外的工序和材料。而谷歌的做法是把内存直接做到计算单元的旁边，甚至融为一体，这样就可以大幅缩短数据在内存和计算单元之间传输的距离和时间，从而提升性能、降低功耗、减少延迟。

那么Frozen V2到底是一款什么样的芯片呢？根据摩根士丹利报告里透露的信息，这款芯片目前还处于设计阶段，预计明年也就是2027年可以进入早期试产阶段，然后在2028年开始大规模量产爬坡，逐步提升产量。至于谷歌会跟谁合作来制造这款芯片，报告提到美满电子可能是一个候选对象，但到目前为止，关于合作伙伴的具体信息还没有得到任何官方确认，一切都还停留在推测阶段，没有定论。不过有一点是可以肯定的——谷歌在AI芯片这条路上走得越来越深、越来越远，已经不满足于简单地设计一个通用处理器然后交给代工厂生产，而是要深入到芯片架构的底层去做定制化开发，把硬件和软件之间的边界变得越来越模糊。

其实把内存直接硬化到硅片上这种做法，在行业内并不是完全没有先例。摩根士丹利的报告里也提到了这一点，今年早些时候，一家名叫Taalas的AI芯片公司就推出过类似的技术方案。Taalas的做法是把神经网络的权重直接硬化到硅片上，以此来消除内存和计算单元之间的数据传输瓶颈，让数据不用来回搬运。这个思路跟谷歌Frozen V2有异曲同工之妙，都是试图通过物理层面的深度融合来解决“内存墙”这个长期困扰芯片设计的老大难问题。不过这种方案也有一个非常明显的局限性——每当出现一个在架构上有重大升级的新AI模型的时候，你就得重新设计一款新的芯片来适配它，因为硬化的内容是固定的，不能像软件那样灵活更新。而新芯片的生产又需要代工厂像台积电这样的制造商为每一批产品调整生产设备，这会带来额外的成本和时间开销，拉长开发周期。换句话说，这种高度定制化的芯片虽然在性能上可能有优势，但在灵活性和通用性上会大打折扣，不能像通用GPU那样什么模型都能跑。

咱们再回到谷歌Frozen V2这个具体案例上来分析一下。谷歌之所以要这么做，背后的驱动力其实不难理解。谷歌的Gemini大模型是公司在AI领域的核心资产，是投入了巨额资源打造的战略产品，如果能够让硬件和软件之间实现最大程度的协同优化，那Gemini在训练和推理过程中的效率和性能就能得到显著的提升，形成别人难以复制的竞争优势。而把SRAM直接集成到芯片上，正是实现这种软硬件协同优化的一个有效手段。SRAM是一种速度极快但成本较高、占用面积较大的内存类型，通常用作CPU或GPU的缓存。如果把足够多的SRAM直接做到TPU芯片上，就可以在芯片内部存储更多的模型参数和中间计算结果，减少对外部高带宽内存的访问次数，从而降低延迟、节省功耗、提升吞吐量。这对于大规模AI模型的推理任务来说，是一个非常有吸引力的特性，能够带来实实在在的性能提升。

不过话说回来，谷歌这个方案能否最终成功，还面临着不少挑战和障碍。首先是技术层面的挑战。把大量的SRAM集成到计算芯片上，会增加芯片的die size，也就是芯片的物理面积。芯片面积越大，单个晶圆上能切割出来的芯片数量就越少，成本就会随之上升，这是一个很直接的矛盾。而且SRAM本身也会产生热量，在有限的空间内塞入更多的晶体管，如何解决好散热问题，防止芯片过热降频，也是一个不容忽视的技术难题。其次是灵活性方面的挑战。就像前面提到的Taalas案例一样，高度定制化的芯片往往缺乏通用性，一旦做死了就很难改。如果谷歌的Frozen V2是专门为Gemini模型设计的，那当Gemini模型本身发生重大架构变化或者升级换代的时候，这款芯片可能就无法很好地适应新模型的需求了，需要重新设计流片。这就需要谷歌在芯片设计和模型开发之间保持高度的协调和同步，两边要步调一致，这对于任何一家公司来说都不是一件容易的事情，需要很强的统筹能力。

从供应链的角度来看，谷歌如果真能在Frozen V2上实现去掉封装环节的目标，那对于台积电和英特尔这些封装服务提供商来说，可能就不是什么好消息了。台积电的CoWoS封装技术目前是高端AI芯片市场的热门产品，产能供不应求，英伟达等大客户都在抢着下单，排期排得很长。如果谷歌带头绕开了封装环节，那其他芯片设计公司会不会也跟着效仿？这个问题的答案现在还不好说，但至少会给封装技术市场带来一些不确定性和变数。另一方面，英特尔可能也会感到失望，因为之前有不少分析认为谷歌可能会采用英特尔的EMIB-T封装技术，如果谷歌直接取消了封装需求，那英特尔也就失去了一个潜在的订单，少了一个大客户。

当然，咱们也必须清醒地认识到，摩根士丹利的这份报告目前还只是一份分析报告，里面的信息不一定百分之百准确，谷歌官方也还没有对此作出任何回应和确认。Frozen V2这个项目到底存不存在、是不是真的按照报告描述的方向在发展，都还需要更多的时间和证据来验证，不能现在就下定论。但不管怎么说，这份报告揭示了一个非常重要的趋势——在AI芯片这个领域，各大科技公司正在从“买现成的芯片”转向“自己设计定制芯片”，而且定制化的程度越来越深、越来越底层、越来越彻底。从最初的通用GPU，到后来的专用AI加速器，再到现在的把内存直接集成到芯片上，这个演进路径清晰地表明，AI硬件和软件的深度融合已经成为不可逆转的大方向，大家都在往这个方向使劲。

对于谷歌来说，TPU一直是它在AI领域的一张王牌，是从无到有打造出来的核心竞争力。从最早的TPU v1到后来的TPU v2、v3、v4，再到最新的TPU v5和v6，每一代产品都在性能和效率上有所提升，不断迭代进化。如果Frozen V2真的能够按照预期实现，那它将成为谷歌TPU家族中的一个重要里程碑，标志着谷歌在AI芯片设计上进入了一个全新的阶段，从跟随者变成了引领者。而对于整个行业来说，谷歌的这种尝试也将为其他公司提供一个有价值的参考和借鉴——到底是在通用性和灵活性之间寻找平衡，还是为了极致性能而走向高度定制化？这个问题的答案，可能在不同的应用场景下有不同的最优解，没有标准答案。

最后咱们来展望一下未来。如果Frozen V2真的在2027年进入早期试产、2028年开始大规模量产，那从现在算起还有一到两年的时间窗口。在这段时间里，谷歌需要解决一系列技术难题，包括SRAM的集成密度、散热管理、良率控制、成本控制等等。同时，谷歌还需要跟代工厂密切合作，确保制造工艺能够支持这种新型的芯片设计，不能光有想法做不出来。如果一切顺利，我们有望在2028年左右看到搭载Frozen V2 TPU的谷歌云实例上线，届时Gemini模型的推理性能和效率可能会有显著的提升，让用户感受到实实在在的差别。而对于那些正在使用谷歌云服务来跑AI模型的开发者和企业来说，这将是一个值得期待的升级，可能意味着更快的速度和更低的成本。

当然，这条路肯定不会一帆风顺，充满了未知和风险。技术上的挑战、成本上的压力、市场竞争的激烈程度、时间表的紧迫性，这些都是谷歌必须面对的现实问题，哪一个都不好对付。但有一点是可以确定的——在AI芯片这场没有硝烟的战争中，谷歌绝对不会轻易认输，也不会甘居人后。从自研TPU到自研Axion CPU，再到现在的Frozen V2，谷歌正在构建一个越来越完整、越来越自主、越来越有竞争力的硬件生态，把主动权掌握在自己手里。这个生态能不能最终挑战英伟达的霸主地位，现在还不好说，还需要时间的检验，但至少它给了市场一个更多的选择，给了开发者一个更多的可能性，让大家不用再一棵树上吊死。而这，本身就是一件值得肯定的事情，对整个行业的健康发展是有益的。