En resumen
Google estaría desarrollando Frozen v2, un chip para servidores que incorpora directamente componentes de la arquitectura Gemini al hardware. Según información obtenida por The Decoder, la solución podría ser entre seis y diez veces más eficiente que las TPU actuales y reducir significativamente el costo de inferencia de la empresa.
Google estaría desarrollando una nueva generación de chip para servidores, llamada Frozen v2, diseñada para incorporar directamente en el silicio partes de la arquitectura utilizada por Gemini. La información fue publicada por The Decoder a partir de fuentes internas y describe un intento de acercar el hardware a las necesidades específicas de los modelos de inteligencia artificial de la empresa.
Según el informe, Frozen v2 podría alcanzar una eficiencia entre seis y diez veces superior a la de las TPU actuales en determinadas cargas de trabajo. Sin embargo, la comparación no está acompañada de métricas públicas, condiciones de prueba ni especificaciones técnicas que permitan verificar el alcance real de esta mejora.
Un chip diseñado para Gemini
La propuesta representa una evolución del modelo tradicional de aceleradores generalistas. En lugar de ofrecer únicamente unidades de procesamiento capaces de ejecutar distintos modelos, Google podría crear circuitos orientados a operaciones, patrones de memoria y flujos de datos característicos de Gemini.
Este nivel de especialización tiende a reducir etapas intermedias, movimiento de datos y consumo de energía. En los sistemas de inferencia, en los que un modelo ya entrenado responde continuamente a las solicitudes, pequeños ahorros por consulta pueden multiplicarse a gran escala, especialmente en servicios con millones o miles de millones de interacciones.
La estrategia también se apoya en el control que Google mantiene sobre varias capas de la infraestructura. La empresa desarrolla los modelos Gemini, diseña TPU, opera centros de datos y ofrece servicios en la nube. Un chip dedicado podría ajustarse conjuntamente con el software, los compiladores y los sistemas de distribución de carga.
Impacto potencial en los costos de la IA
La inferencia es uno de los gastos más persistentes para las empresas que ofrecen modelos generativos. El entrenamiento exige grandes inversiones concentradas en determinados periodos, pero la ejecución diaria de respuestas, generación de contenido y procesamiento multimodal sigue consumiendo capacidad computacional a medida que crece la base de usuarios.
Si se confirma la estimación de eficiencia, Frozen v2 podría reducir el costo por solicitud de Gemini o permitir que Google ofrezca modelos más grandes y rápidos con el mismo presupuesto energético. Otra posibilidad sería trasladar parte del ahorro a los clientes de Google Cloud, en una competencia de precios con plataformas que dependen de hardware de terceros.
La ventaja no se traduciría automáticamente en precios más bajos. Google también podría utilizar la capacidad adicional para aumentar sus márgenes, ampliar las funciones gratuitas o financiar modelos más complejos. El efecto comercial dependerá de la disponibilidad del chip, el costo de fabricación y la eficiencia obtenida en aplicaciones reales.
Competencia con OpenAI y Anthropic
El proyecto aparece en un momento de fuerte competencia entre Google, OpenAI y Anthropic. Las tres empresas necesitan ampliar su capacidad de procesamiento para sostener asistentes, API y productos empresariales, mientras enfrentan presión para reducir la latencia y los costos operativos.
Una infraestructura más eficiente daría a Google mayor flexibilidad para competir por contratos de nube y usuarios empresariales. Aun así, el rendimiento económico de un sistema depende de más factores que el chip: la calidad del modelo, la utilización de los servidores, el ancho de banda, la memoria, la refrigeración y la eficiencia del software también influyen en el resultado final.
El movimiento también pone de manifiesto la importancia estratégica de los aceleradores propios. Al depender menos de proveedores externos, Google puede controlar mejor los ciclos de actualización, la disponibilidad y la integración con sus modelos. A cambio, asume el riesgo de desarrollar un hardware que podría perder relevancia si la arquitectura de Gemini cambia rápidamente.
Lo que aún no se ha confirmado
Google no ha confirmado públicamente, según la información proporcionada, la existencia detallada de Frozen v2, su diseño técnico, el proceso de fabricación ni la fecha de entrada en operación. Tampoco existen datos independientes que demuestren la supuesta eficiencia de seis a diez veces en comparación con las TPU actuales.
La propia naturaleza de las fuentes internas exige cautela. Las estimaciones de rendimiento en proyectos de chips pueden reflejar simulaciones, prototipos iniciales o escenarios muy específicos, y los resultados obtenidos en una operación de Gemini no necesariamente se repetirán en otros modelos o aplicaciones disponibles en Google Cloud.
Hasta 2028, los cambios en las técnicas de inferencia, las arquitecturas de los modelos y los procesos de fabricación pueden alterar la relación entre costo y rendimiento. Google aún tendrá que validar el proyecto a escala, garantizar una producción suficiente, integrar el chip con el software y demostrar mejoras constantes en centros de datos comerciales.
Por ahora, Frozen v2 debe considerarse un proyecto del que se ha informado, no un producto anunciado. Si llega al mercado con el rendimiento descrito, podría reforzar la integración vertical de Google y modificar la economía de la IA generativa; si se reducen los objetivos, el impacto probablemente se limitará a mejoras incrementales en la infraestructura interna.
Nuestro prisma
Frozen v2 demuestra que la competencia en IA está pasando de los modelos a toda la cadena informática que los sustenta. La integración entre Gemini, las TPU y los centros de datos podría dar a Google una ventaja de costos difícil de replicar para competidores que dependen de hardware adquirido en el mercado. Sin embargo, la estimación de una eficiencia entre seis y diez veces mayor aún no cuenta con validación pública. El principal indicador será la capacidad de transformar una mejora de laboratorio en una reducción medible del costo por respuesta a escala.
Recursos relacionados: formación práctica en inteligencia artificial · TakeAICourse
Fuente: The Decoder
Preguntas frecuentes
¿Qué es Frozen v2?
Es un chip para servidores que, según fuentes internas citadas por The Decoder, incorporaría elementos de la arquitectura Gemini directamente al hardware.
¿Cuándo debería llegar el chip?
El proyecto está asociado con 2028, pero Google no ha confirmado públicamente el cronograma, las especificaciones ni el lanzamiento.
¿Por qué es importante Frozen v2?
Una mejora en la eficiencia podría reducir el costo de operar Gemini y ampliar la ventaja competitiva de Google en los servicios de IA.
Recibe Radar de IA todos los días
Las noticias de inteligencia artificial que importan — con nuestro prisma y siempre con las fuentes. Gratis.
