Physical Address
304 North Cardinal St.
Dorchester Center, MA 02124
Google sta costruendo un chip che incide direttamente nell'hardware l'architettura del suo modello di punta, Gemini. Il risultato atteso è un'efficienza da sei a dieci volte superiore rispetto agli attuali processori TPU, misurata in token generati per watt di potenza. La mossa non è solo un esercizio ingegneristico: affronta il problema più urgente dell'intelligenza artificiale su larga scala — il costo dell'inferenza — e segnala la volontà di Alphabet di controllare l'intera filiera, dal modello al silicio.
Il progetto, internamente chiamato Frozen v2, è stato rivelato da The Information nella giornata di ieri e ha già prodotto un effetto concreto sui mercati: lunedì 21 luglio 2026 il titolo Alphabet ha guadagnato circa il 3%, in una seduta che precede di pochi giorni la pubblicazione dei risultati trimestrali dell'azienda.
Cosa rende Frozen v2 diverso da una TPU tradizionale
A differenza delle Tensor Processing Unit — processori progettati per gestire un'ampia varietà di modelli e carichi di lavoro machine learning — Frozen v2 è pensato esclusivamente per Gemini. L'idea di fondo è congelare nel silicio la struttura logica di base del modello, eliminando in partenza una parte dei calcoli e dei trasferimenti di dati che un chip general-purpose deve eseguire a runtime.
Il nome "Frozen" segue la stessa logica del freezing dei parametri nei modelli AI: si fissano valori che smettono di cambiare. La prima versione del progetto, guidata da Jeff Dean, chief scientist di Google DeepMind, prevedeva di incidere direttamente nel chip anche i pesi del modello — i parametri numerici che determinano come Gemini risponde alle richieste. L'approccio fu scartato perché avrebbe legato l'hardware a una singola versione del modello, rendendolo obsoleto nel giro di mesi.
Frozen v2 adotta una strategia più flessibile: congela l'architettura — il progetto strutturale del modello — ma lascia i pesi aggiornabili via software. Quanto dell'architettura verrà effettivamente hardcoded è ancora in fase di definizione. La produzione, prevista non prima del 2028, sarà su volumi inferiori rispetto alla linea TPU: Google considera il chip anche come banco di prova per future generazioni di hardware iperspecializzato.
Quanto pesa la mossa sulla strategia AI di Alphabet
Per Alphabet la partita è tanto tecnica quanto finanziaria. L'azienda ha pianificato investimenti tra 180 e 190 miliardi di dollari per la sua strategia AI, una cifra che ha innervosito gli investitori in cerca di ritorni concreti. Un processore capace di moltiplicare per un fattore 6-10 l'efficienza di inferenza cambia radicalmente l'equazione: la stessa potenza computazionale costa una frazione dell'energia — e dei data center necessari a sostenerla.
C'è anche un secondo fronte, meno visibile ma altrettanto critico. Secondo diverse fonti, Google sta affrontando una carenza di capacità computazionale interna che avrebbe già avuto ripercussioni sul business cloud, limitando la possibilità di accettare nuovi ordini. Frozen v2 nasce anche per allentare questo collo di bottiglia strutturale.
Google non ha confermato il progetto, ma non lo ha nemmeno smentito. A TechCrunch, l'azienda ha risposto con una dichiarazione generica: «I nostri team ricercano e sperimentano costantemente nuove innovazioni per offrire massime prestazioni ed efficienza a utenti e clienti. Non tutti i progetti entrano in produzione, ma questa esplorazione rigorosa è centrale nel nostro approccio full-stack».
Frozen v2 è una minaccia per Nvidia?
La domanda è naturale, ma la risposta è più sfumata di un semplice "sì" o "no". Nvidia domina il mercato dei chip AI per addestramento e resta il fornitore chiave per la maggior parte degli hyperscaler, compreso Google. Il suo vantaggio non dipende soltanto dall'hardware: è un intero ecosistema di software, networking e piattaforme costruito in anni.
Frozen v2 non è pensato per competere con le GPU Nvidia sul loro terreno. Non sarà venduto a clienti esterni — a differenza delle TPU, che Google già concede in leasing a Meta e offre sul mercato cloud attraverso il programma TPU@Premises, con l'obiettivo interno di catturare il 10% del fatturato annuale di Nvidia. Il nuovo chip servirà esclusivamente a far funzionare Gemini nei data center di Alphabet.
Il segnale per il mercato è un altro: i grandi clienti cloud stanno costruendo capacità interna di progettazione chip. OpenAI ha annunciato Jalapeño il mese scorso. Anthropic sta discutendo una partnership con Samsung. Amazon ha Trainium, Microsoft ha Maia, Meta ha MTIA. Più l'inferenza diventa il costo dominante dell'AI operativa, più i fornitori cloud hanno incentivo a sviluppare silicio proprietario ottimizzato per i propri modelli.
I rischi: flessibilità e orizzonte temporale
Un chip che funziona solo se Google mantiene invariata l'architettura di base di Gemini è una scommessa. I modelli di intelligenza artificiale si evolvono rapidamente: tecniche di ragionamento, dimensioni, multimodalità e modalità di inferenza cambiano nel giro di pochi mesi. Congelare l'architettura oggi significa puntare sulla sua stabilità almeno fino al 2028, un'eternità in questo settore.
C'è poi il rischio economico: progettare chip proprietari richiede investimenti enormi, capacità produttiva e gestione della supply chain. Anche per Google il ritorno non è garantito. E se ogni grande operatore cloud costruisce il proprio silicio, la frammentazione dell'ecosistema potrebbe complicare la vita a sviluppatori e aziende che vogliono muovere modelli e applicazioni da una piattaforma all'altra.
La tempistica gioca un ruolo chiave. Con un rilascio atteso non prima del 2028, Frozen v2 non risolve i problemi di capacità e consumo energetico che Google affronta oggi. La reazione positiva del mercato — il titolo Alphabet ha chiuso venerdì a 346,12 dollari per le azioni di classe C — sconta più la direzione strategica che il singolo prodotto.
Il vero banco di prova non sarà il chip in sé, ma la capacità di Google di mantenere Gemini su un binario architetturale stabile abbastanza a lungo da giustificare l'investimento. In un settore dove ogni sei mesi cambiano modelli, tecniche e gerarchie competitive, due anni sono un orizzonte che pochi possono permettersi di sbagliare.
Fonti
