Google, Gemini yapay zeka modelinin mimarisini doğrudan silikona gömen 'Frozen v2' adlı bir sunucu çipi geliştiriyor. Proje, Google'ın Meta'ya bile kapasite kısıtlaması getirmesine yol açan ciddi bir yapay zeka işlem gücü kıtlığından besleniyor.
Search & fact-check with cited sources for What is Google's new custom server chip that bakes its Gemini AI model's architecture directly inConceptual rendering of Google's 'Frozen v2' chip, which bakes Gemini's architecture directly into hardware for extreme inference efficiency.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Search & fact-check with cited sources for What is Google's new custom server chip that bakes its Gemini AI model's architecture directly in. Article summary: Here is a comprehensive, sourced answer to your full question.. Topic tags: general, general web, user generated, news, government. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
Google, bugüne kadarki en büyük donanım kumarına imza atıyor. Şirket, dahili kod adı 'Frozen v2' olan ve Gemini yapay zeka modelinin mimari öğelerini doğrudan silikona sabit işlevli bir ASIC (Uygulamaya Özel Tümleşik Devre) olarak gömen bir sunucu çipi geliştiriyor. İlk olarak 20 Temmuz 2026'da The Information tarafından bildirilen proje , Gemini'nin sunumu için token/watt verimliliğini çarpıcı biçimde artırmayı hedefliyor — ancak bunun bedeli, başka hiçbir modeli çalıştıramamak olacak.
Frozen v2 Nedir ve TPU'lardan Farkı Ne?
Frozen v2, Google'ın Tensor İşleme Birimleri (TPU'lar) gibi genel bir tensör işlemci değil, uygulamaya özel bir çıkarım motorudur. TPU'lar, yazılım yapılandırması yoluyla çok çeşitli yapay zeka modellerini destekleyen programlanabilir hızlandırıcılardır . Frozen v2 bunun tam tersidir: Gemini'nin spesifik mimarisi — katmanları, operatörleri ve veri akışı — üretim anında çipe kazınır ve onu tek amaçlı bir "Gemini-tek-çip" haline getirir.
Boyut
Mevcut TPU'lar (Ironwood, TPU 8i/8t)
Frozen v2
Tasarım felsefesi
Genel amaçlı yapay zeka hızlandırıcısı; programlanabilir matris birimleri, esnek veri akışı
Studio Global AI
Search, cite, and publish your own answer
Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.
What is the short answer to "Google'ın 'Frozen v2' Çipi: Gemini'nin Mimarisini Doğrudan Silikona İşleyerek Devrim Yaratıyor"?
Google, Gemini yapay zeka modelinin mimarisini doğrudan silikona gömen 'Frozen v2' adlı bir sunucu çipi geliştiriyor.
What are the key points to validate first?
Google, Gemini yapay zeka modelinin mimarisini doğrudan silikona gömen 'Frozen v2' adlı bir sunucu çipi geliştiriyor. Proje, Google'ın Meta'ya bile kapasite kısıtlaması getirmesine yol açan ciddi bir yapay zeka işlem gücü kıtlığından besleniyor.
What should I do next in practice?
Startup Taalas, bu konsepti şimdiden kanıtlamış durumda. HC1 çipi, Llama 3.1 8B modelini mask ROM'a kodlayarak saniyede 17.000 token hıza ve GPU'lara kıyasla 20 kat daha düşük maliyete ulaşıyor — ancak tek bir modele...
Sabit işlevli ASIC; Gemini'nin mimarisi silikona gömülüdür, alanda programlanamaz
Verimlilik hedefi
Birçok modelde eğitim ve çıkarım için iyi
Gemini çıkarımında en yeni TPU'lardan watt başına 6-10 kat daha fazla token
Bellek modeli
Dinamik olarak yüklenen model ağırlıkları için HBM + SRAM
Model ağırlıkları ve hesaplama yolları doğrudan mask ROM / sabit kablolu mantığa gömülüdür
Esneklik
Yazılım yapılandırmasıyla herhangi bir modeli çalıştırabilir
Tek model (Gemini) — çalışma zamanında model değiştirme yok
Verimlilik kazancı haberin başlığını oluşturuyor: Google mühendisleri, Frozen v2'nin en yeni TPU çiplerine kıyasla birim güç tüketimi başına 6 ila 10 kat daha fazla yapay zeka tokeni üretebileceğini öngörüyor .
Dağıtım Takvimi
The Information raporuna ve destekleyici haberlere göre Frozen v2'nin en erken 2028'de devreye alınması hedefleniyor . Bu, çipin üretime henüz yıllar olduğu ve ancak mevcut sekizinci nesil TPU ailesi (Sunfish ve Zebrafish) devreye alınıp olgunlaştıktan sonra hizmete gireceği anlamına geliyor.
Taalas Örneği — Bir Modeli Silikona Gömmek Ne Demek?
Startup Taalas, bu takasın pratikte ne anlama geldiğini tam olarak gösteriyor. Şubat 2026'da Taalas, Llama 3.1 8B modelinin tamamını — her parametreyi — doğrudan çipin transistör devrelerine mask ROM kullanarak kodlayan ve harici HBM gerektirmeyen HC1 çipini tanıttı .
Rakamlar çarpıcı:
Llama 3.1 8B'de saniyede yaklaşık ~17.000 token
Bir Nvidia B200'ün yaklaşık 48 katı verim
Cerebras'tan kabaca 10 kat daha hızlı
Eşdeğer GPU kurulumlarına kıyasla çıkarım başına 20 kat daha ucuz olduğu iddia ediliyor
Milyon token başına maliyet 0,75 sent kadar düşük
Dezavantajlar da aynı derecede çarpıcı:
Model kilitlenmesi. Çip tam olarak tek bir model mimarisini çalıştırır. Model güncellenirse (yeni dikkat mekanizması, farklı katman sayısı), çip kullanılamaz hale gelir .
Ağırlık güncellemesi yok. Parametreler fiziksel olarak kodlanmıştır; ince ayar, LoRA adaptörleri veya eğitim sonrası güncellemeler yeni bir çip maskesi gerektirir .
Sıfır çoklu model sunumu. HC1'e sahip bir veri merkezi yalnızca Llama 3.1 8B'yi sunabilir — başka hiçbir büyük dil modelini .
Taalas'ın kurucusu, mimariyi bir "mask ROM geri çağırma kumaşı" ile bir SRAM geri çağırma kumaşını eşleştirerek hem modeli hem de tüm KV önbellek işlemlerini çip üzerinde depolamak ve harici bellek hareketini tamamen ortadan kaldırmak olarak tanımladı . Bu, Frozen v2'nin kullanacağı temel yaklaşımın aynısı.
Frozen v2'yi Tetikleyen Altyapı Krizi
Google'ın yapay zeka işlem kapasitesi o kadar zorlanıyor ki, ödeyen devlere bile erişimi karneye bağlamaya başladı. Motivasyonu netleştiren birkaç veri noktası:
Meta kapasite reddi (Mart 2026): Google, Mart 2026'da Meta'ya, Meta'nın satın almak istediği tüm Gemini işlem kapasitesini sağlayamayacağını söyledi . Bu kıtlık, Meta'nın bazı dahili yapay zeka projelerini geciktirdi ve Meta'yı mühendislerine yapay zeka tokenlerini korumaları talimatını vermeye zorladı .
Birikmiş sipariş rakamları: Google Cloud'un sipariş birikimi 2026'nın ilk çeyreğinde neredeyse ikiye katlanarak 462 milyar dolara ulaştı ve bu, mevcut işlem kapasitesinin kabaca 23 katı bir talep anlamına geliyor . CEO Sundar Pichai, kazanç görüşmesinde şunları doğruladı: "Kısa vadede işlem gücü konusunda darboğaz yaşıyoruz... Bu talebi karşılayabilseydik bulut gelirimiz daha yüksek olurdu".
Daha geniş kapasite sıkışıklığı: Google, aradaki farkı kapatmak için SpaceX'ten ayda yaklaşık 920 milyon dolarlık Nvidia GPU'su kiralıyor . Google'ın bulut başkan yardımcısı Amin Vahdat, Kasım 2025'te şirketin talebi karşılamak için her altı ayda bir yapay zeka kapasitesini ikiye katlaması gerekeceğini söylemişti .
Bu kısıtlamalar Frozen v2'yi doğrudan motive ediyor: Google, Gemini çıkarımından watt başına 6-10 kat daha fazla verim alabilirse, yeni veri merkezlerine ihtiyaç duymadan kapasitesini etkili bir şekilde katlayabilir.
Google'ın Peşinde Olduğu Diğer Yapay Zeka Çip Girişimleri
Frozen v2, çok daha geniş bir donanım stratejisinin sadece bir parçası:
1. Sekizinci nesil TPU'lar eğitim ve çıkarım çiplerine ayrılıyor. Cloud Next 2026'da Google, ilk kez iki amaca yönelik varyanta ayrılan sekizinci nesil TPU ailesini önizledi :
TPU 8t "Sunfish" — eğitim odaklı, Broadcom tarafından tasarlandı, TSMC N2 ve CoWoS paketleme ile üretildi, 2027'nin ikinci yarısını hedefliyor
2. Broadcom ile 2031'e kadar uzun vadeli anlaşma. Broadcom, Google'ın gelecek nesilleri için özel TPU'lar geliştirmek ve tedarik etmek üzere bir Uzun Vadeli Anlaşma ve 2031 yılına kadar ağ bileşenleri için bir Tedarik Güvence Anlaşması'nı içeren bir SEC 8-K başvurusu yaptı . Ayrıca, Anthropic yaklaşık 3,5 GW Google TPU kapasitesi için bir anlaşma imzaladı ve bu kapasite 2027'den itibaren devreye girecek .
3. OpenAI dahil müşterilere TPU kiralama. Raporlar, Google'ın harici yapay zeka şirketlerine bir kiralama ürünü olarak giderek daha fazla TPU kapasitesi sunduğunu ve OpenAI'in müşteri olarak adlandırıldığını gösteriyor .
4. MediaTek ile "Icefish" projesi. "Icefish" kod adı, MediaTek'in TPU 8i'nin ötesinde Google'a özel bir özel çip projesindeki katılımıyla bağlantılı görünüyor — muhtemelen daha düşük güçlü bir uç veya çıkarım hızlandırıcısı .
5. Intel ile görüşmeler. Google'ın Intel ile özel yapay zeka çip tasarımları hakkında görüşmeler yaptığı bildirildi, ancak henüz resmi bir anlaşma duyurulmadı .
6. Ironwood (yedinci nesil TPU) genel kullanıma sunuldu. Ironwood, Nisan 2026'da bulut müşterilerine genel olarak kullanıma sunuldu . 3nm işlem üzerine inşa edilmiş çift yongacık mimarisiyle, Gemini ekosistemini besleyen MoE modelleri için optimize edildi .
Frozen v2, TPU Serisini Nasıl Tamamlıyor, Yerini Almıyor?
The Information'ın raporu, Frozen v2'nin Google'ın TPU yol haritasını tamamlamak, değiştirmek değil için tasarlandığını açıkça belirtiyor . Mantık basit:
TPU'lar genel amaçlı yapay zeka işlem omurgası olarak kalıyor. Eğitim, çoklu model sunumu, ince ayar ve keyfi müşteri modelleri için çıkarım yaparlar. Harici yapay zeka müşterileri için Google Cloud'un ana ürünüdür .
Frozen v2, Google'ın kendi yüksek hacimli Gemini çıkarımı için aşırı uzmanlaşmış bir hızlandırıcıdır. Esasen, en öngörülebilir ve en yüksek hacimli çıkarım trafiğini TPU'lardan boşaltan, TPU kapasitesini daha çeşitli iş yükleri ve harici müşteriler için serbest bırakan bir "Gemini cihazıdır" .
Başka model yok, eğitim yok, esneklik yok. Frozen v2 modelleri eğitemez, bir rakibin büyük dil modelini çalıştıramaz ve Gemini mimari değişikliklerine uyum sağlayamaz. Dar ama devasa hacimli bir niş alanı kaplar .
TPU 8i (Zebrafish) ve Frozen v2 bir arada var olur. Çıkarım odaklı TPU 8i, geniş çıkarım iş yükü yelpazesini yönetir. Gemini'nin mimarisi istikrara kavuştuğunda ve hacim sabit bir çipi haklı çıkardığında, Frozen v2 bu belirli ucu radikal biçimde daha düşük güçle sunar .
Bu, hiper ölçekleyicilerin çoğu iş yükü için genel amaçlı CPU'ları ve belirli yüksek hacimli görevler (örneğin, video dönüştürme, ağ yükünü boşaltma) için sabit işlevli ASIC'leri nasıl kullandığına benzer. Frozen v2, bunun yapay zeka eşdeğeridir: programlanabilir TPU filosunun yanında yer alan, amaca yönelik bir çıkarım motoru.
