一、行业主流路线遇瓶颈，谷歌推出全新架构破局

当前全球高性能 AI 训练、推理芯片普遍采用台积电 CoWoS 先进封装技术，依靠硅中介层实现计算裸片与 HBM 高带宽内存高密度互联，是英伟达 GPU、谷歌前代 TPU 等旗舰算力产品的标配方案。但近两年 AI 算力需求爆发，CoWoS 产能持续紧缺、封装成本居高不下，同时多芯片跨封装数据传输带来额外延迟与功耗损耗，“内存墙” 问题难以根治。

市场此前曾传闻谷歌下一代 TPU 将切换英特尔 EMIB-T 封装方案，但摩根士丹利最新调研显示，谷歌 DeepMind 与硬件团队敲定更为激进的技术路线：自研 Frozen V2 专用 TPU，完全舍弃 CoWoS 等外部异构封装，以片上硬化集成 SRAM作为核心架构基石。

二、核心技术：SRAM 直嵌硅片，从底层取消封装依赖

Frozen V2 核心创新为存储 – 计算单硅片一体化设计，不再拆分逻辑芯片、HBM 内存两颗独立裸片：

1. 大容量 SRAM 原生集成：将超大容量静态随机存取存储器直接硬化蚀刻于 TPU 硅基板，计算矩阵单元与 SRAM 缓存物理零距离，省去跨中介层数据传输链路，大幅降低访存延迟与信号功耗，完美解决大模型 KV Cache、长上下文推理的数据搬运损耗问题；
2. 彻底剥离 CoWoS 封装工序：无需硅中介层、BT 基板、多芯片键合等 CoWoS 配套工艺，简化晶圆后段制造流程，规避先进封装产能约束，显著降低单颗芯片制造成本；
3. Gemini 模型硬件深度适配：固化大模型标准运算通路，不固定模型权重，在极致运算效率与模型迭代灵活性之间取得平衡，Gemini 新版本参数可直接加载至片上 SRAM，无需重新流片芯片。

对比谷歌第八代 TPU 8i 仅配置 384MB 外置片上 SRAM，Frozen V2 集成 SRAM 容量实现量级提升，可完整承载超大混合专家模型（MoE）工作集，避免频繁读写外部 HBM 内存造成算力空转。

核心优势

1. 能效跨越式提升：消除跨封装数据传输功耗损耗，官方测算单芯片每瓦算力较第八代 TPU 提升 6-10 倍；
2. 成本可控、产能自主：摆脱台积电 CoWoS 产能限制，减少封装材料与工序支出，大规模部署后算力集群综合 TCO 大幅下降；
3. 低延迟推理适配：片内 SRAM 超高带宽、零中介层延迟，适配多智能体、长文本、实时对话等高并发推理场景；
4. 全栈软硬协同：搭配谷歌 XLA 编译器、Gemini 大模型深度优化，软硬件联合调优释放芯片全部算力。

现存工程挑战

1. 芯片灵活性受限：架构深度绑定 Gemini 模型体系，通用算力适配能力弱于采用 CoWoS 的通用 TPU、GPU；
2. 晶圆良率管控难度提升：单硅片同时集成大规模计算阵列与大容量 SRAM，芯片面积扩大，晶圆制造良率管控门槛更高；
3. 迭代成本权衡：若 Gemini 底层架构发生重大调整，需重新设计整片硅片，相比 chiplet 封装方案迭代周期更长。

据产业链信息，Frozen V2 TPU 将于 2027 年启动小规模试产，2028 年全面量产并部署于谷歌全球云数据中心，优先支撑 Gemini Ultra、多模态智能体、大规模 AI 训练业务。

本次谷歌主动放弃 CoWoS 路线具备深远行业意义：

1. 打破台积电 CoWoS 在高端 AI 算力封装领域的垄断格局，催生 “片上集成存储” 全新芯片设计赛道；
2. 为全球云厂商自研 AI 芯片提供全新技术参考，缓解全行业先进封装产能紧缺压力；
3. 重构算力芯片竞争逻辑，从 “封装带宽竞赛” 转向 “存储 – 计算一体化原生架构竞争”。

行业分析师补充，该路线仅适用于大型科技企业定制专属大模型芯片，通用算力芯片仍将长期依托 CoWoS、EMIB 等 2.5D 异构封装方案。