Google、Geminiのアーキテクチャを直接回路に組み込む新チップ「Frozen v2」を開発中か　電力効率最大10倍の予測も

Googleが、自社の大規模言語モデル「Gemini」のアーキテクチャ（設計図）を直接回路に組み込んだ新しいサーバー向けAIチップ「Frozen v2」（コードネーム）を開発中であると報じられた。このプロジェクトは公式に発表されたものではなく、2028年の導入目標や「現行TPU比で最大10倍の電力効率」という数値は、設計に関与するエンジニアらの予測に基づいている。もしこの試みが実現すれば、汎用性を犠牲にする代わりに、大規模言語モデルの運用コストを劇的に引き下げる可能性がある。

■汎用チップがGeminiの実行で電力を浪費する理由

現代のAIデータセンターで使われているNvidiaの「H100」やGoogle自社の「TPU 8i」、Amazonの「Trainium 3」などのチップは、どのようなモデルでも実行できるように設計されている。しかし、この汎用性には隠れたコストが存在する。

汎用アクセラレータがAIモデルを実行する際、どの演算ユニットを起動するか、メモリフェッチをどうスケジュールするか、数千の並列コア間でデータをどうルーティングするかといった決定を、実行時に常に下さなければならない。これらの決定は、モデルのアテンションヘッド数やフィードフォワード層の次元、正規化構造といったアーキテクチャを反映したものになる。しかし、チップ側はGeminiだけを実行することを事前に知っているわけではないため、推論リクエストのたびにこれらの決定を新たに計算し直す必要がある。

さらに深刻なのがデータ移動のコストだ。現代のAI推論における最大の課題は、演算処理そのものよりもデータの移動にある。チップがローカルにデータを保持できず、外部ストレージからモデルデータを取得する「オフチップ・メモリアクセス」は、演算処理そのものに比べて約100倍（2桁）ものエネルギーを消費する。数十億のパラメータを持つ大規模言語モデルはチップの小さなキャッシュに収まりきらないため、チップと外部メモリの間で常にデータが行き来することになる。チップを高速化しても、数を増やしても、この問題は解決しない。唯一の解決策は、移動するデータ量を減らすことだ。

「Frozen v2」はこの2つの課題に同時にアプローチする。Geminiのアーキテクチャ構造をチップの回路自体に直接組み込むことで、ハードウェアは実行時にスケジューリングを計算する必要がなくなる。正しいルーティングが物理的に組み込まれているからだ。通常のチップであれば個別のメモリアクセス操作として実行される複数の連続した計算ステップを、単一のハードウェアプリミティブに融合（オペレーター融合）させることができる。これにより、チップは複合操作全体を1回のパスで実行し、最終結果のみを書き込み、中間値を移動させない。この手法は従来のチップでもソフトウェア的に行われているが、Frozen v2はそれをシリコン上に永久的に焼き付ける。

もう1つのメカニズムはさらに劇的である可能性がある。チップ全体がGeminiの特定のアーキテクチャに合わせて設計されているため、理論的にはモデル全体をホストするのに十分なオンチップメモリを搭載でき、推論時のオフチップデータ移動をほぼ完全に排除できる。これにより、データ取得にかかるエネルギーコストを劇的に削減できる可能性がある。

■「アーキテクチャ」と「重み」の区別がFrozen v2を可能にする

このプロジェクトには前身があり、それがなぜ断念されたかを知ることで、今回のバージョンの違いが明確になる。

Google DeepMindのチーフサイエンティストであるジェフ・ディーン氏が率いた初代「Frozen」イニシアチブは、より極端なアプローチを提案していた。それは、トレーニングによって生成されたGeminiの特定の数値パラメータ、すなわち「重み（ウェイト）」をチップの回路に直接焼き付けるというものだった。重みは、モデルが実際に言語を処理する方法を決定する数十億の数値だ。これを焼き付ければ、特定のバージョンのGeminiを極めて高い効率で実行できるチップが完成する。しかし同時に、Googleが次のバージョンのGeminiをリリースした瞬間に、そのチップは陳腐化してしまう。

このアプローチは採用されなかった。単一のトレーニング済みモデルバージョンに縛られたチップの商業的寿命は、数年ではなく数ヶ月単位になってしまうからだ。製造前に数百万ドルに達することもあるカスタムASICの非経常的エンジニアリングコスト（NREコスト）を、その短い期間で回収することはできない。

Frozen v2は重要な区別を行っている。ニューラルネットワークの「アーキテクチャ」と「重み」は別物だ。アーキテクチャは設計図であり、トランスフォーマーブロックの数、ブロックあたりのアテンションヘッド数、隠れ層の次元サイズ、フィードフォワード層の接続方法、使用する正規化手法などを指す。これらの構造的選択が変更されることは稀で、通常は研究所がモデル設計を根本的に見直す場合に限られる。一方、重みはトレーニング後にその設計図を埋める数値であり、モデルが更新されるたびに変化する。

重みではなくアーキテクチャを直接回路に組み込むことで、Frozen v2はGemini...の構造的形状（Googleが意図的に管理・進化させるもの）を固定しつつ、重みは更新可能な状態に保つ。将来的に、より多くのデータでトレーニングされたり、新しい機能を備えたりした新しいGeminiがリリースされても、Googleが基礎となるアーキテクチャ構造を維持している限り、同じFrozen v2ハードウェア上で実行できる。ただし、設計に携わるエンジニアらによれば、実際にアーキテクチャのどの程度をハードコードするかは、現時点ではまだ決定されていないという。

■計算資源の危機：Frozen v2が急務となった背景

Googleがこの設計を追求しているのは、学術的な試みからではない。計算資源（コンピュート）の不足が、同社の収益に目に見える形で悪影響を及ぼしているからだ。

Alphabetの最高経営責任者（CEO）であるサンダー・ピチャイ氏は、同社の2026年第1四半期決算説明会で「短期的には計算資源の制約を受けている。需要を満たすことができていれば、クラウド部門の売上高はもっと高くなっていただろう」と述べていた。Google Cloudの受注残高は、1四半期で約2倍の約4620億ドル（約74兆8440億円、1ドル=162円換算）に達しており、これは契約済みだが未納品の案件で、同社が現在満たせない需要を示している。Gemini APIだけでも、2026年1月時点で月間850億回のリクエストを処理しており、これは10ヶ月前と比べて142%増加している。

この逼迫状況は外部にも現れている。2026年3月頃、GoogleはMetaに対し、同社が購入を希望していたGeminiの容量を十分に提供できないと伝え、Metaは従業員にAI処理の利用枠を節約するよう指示せざるを得なくなった。また、Googleは2026年6月、Gemini Enterpriseプラットフォームの一時的な代替容量として、約11万台のNvidia製GPUへのアクセスを確保するため、SpaceXに月額9億2000万ドル（約1490億4000万円、1ドル=162円換算）を支払うことに合意した。今年自社のインフラに1800億ドル（約29兆1600億円、1ドル=162円換算）以上を投じている企業が、他社の計算資源を毎月10億ドル近くレンタルしている状態だ。

内部的にも影響が出ている。Bloombergは2026年5月、Google DeepMindの研究者たちが、同社がAnthropicやMetaに販売しているものと同じTPUの利用順番待ちの列に並んでいると報じた。Anthropicとの契約だけでも、最大100万台のTPU（最大400億ドル、約6兆4800億円相当）に及ぶ。この逼迫の中で、DeepMindのシニアコントリビューターであるイオニス・アントノグル氏をはじめとする優秀な人材が、計算資源の豊富なスタートアップへと移籍した。さらに人材流出は続き、2026年6月のわずか1週間の間に、Geminiモデルの共同リードであり、2017年のトランスフォーマー論文の共著者であるノーム・シャジール氏がOpenAIへの移籍を発表し、AlphaFoldで2024年のノーベル化学賞を共同受賞したジョン・ジャンパー氏がAnthropicへの移籍を発表した。

標準的なTPUの6倍から10倍の効率でGeminiの推論を実行できるチップがあれば、単に電力コストを削減できるだけではない。Googleがすでに運営しているすべてのデータセンターの実質的な推論容量を、新たな電力接続や物理的スペース、新たなチップ製造枠を必要とすることなく、何倍にも増やすことができる。

■代替品ではなく、販売もされない

Googleはこのプロジェクトの境界線を明確にしている。

Frozen v2はTPUシリーズの後継ではない。Googleの現行世代は、トレーニング専用の「TPU 8t」と推論専用の「TPU 8i」で構成されており、いずれも2026年4月のGoogle Cloud Nextで発表された。TPU 8i単体でも、前世代と比較して推論ワークロードにおける1ドルあたりのパフォーマンスが80%向上したと主張されているが、これはGoogle独自のベンチマークによるものであり、第三者監査機関による独立した検証は行われていない。Frozen v2は、推論時にGeminiファミリーのモデルを実行するという、より狭い役割のために構築される並行トラックだ。

アーキテクチャがGemini専用にハードワイヤードされているため、Frozen v2がGoogle Cloudの顧客向けに商用製品として提供される可能性は極めて低い。GoogleのTPUはAnthropicやMetaなどの顧客にリースされているが、他社のモデルを実行できないチップを共有インフラとして提供することはできない。

生産量もTPUのレベルを大きく下回る見込みだ。Googleは現在、このプロジェクトを大規模な展開計画ではなく、探索的な取り組みと位置づけている。

また、このチップには2028年の導入目標以外にも、暗黙のタイムラインの制約がある。将来のGeminiバージョンで想定通りに機能し続けるのは、Googleが同じ基礎モデルアーキテクチャを維持する場合、具体的には2017年以来大規模言語モデルの設計を定義してきたトランスフォーマーパラダイムがGeminiの構造的基盤であり続ける場合に限られる。もしGeminiが状態空間モデル（SSM）アーキテクチャや、トランスフォーマーに代わるハイブリッド設計、あるいはまだ名もないポストトランスフォーマーパラダイムへと大幅なアーキテクチャ移行を遂げた場合、重みがどれほど更新可能であっても、ハードワイヤードされた要素は陳腐化してしまう可能性がある。

■トランスフォーマー時代がその形状を確立したというGoogleの賭け

これが、エンジニアリングの根底にある賭けだ。

チップ業界は長年、このような特定のモデルに依存する設計を避けてきた。汎用アクセラレータがAIインフラを支配しているのは、3年後にモデルアーキテクチャがどうなっているか誰にも保証できないからだ。NvidiaのGPUが売れる理由の一部は、現在存在するモデルだけでなく、将来登場するあらゆるモデルを実行できるという約束にある。AmazonのTrainium、MicrosoftのMaia、Meta's MTIAは、いずれもGPUよりは専門化されているものの、複数のモデルファミリーに対応できるだけのアーキテクチャ的中立性を保っている。

Frozen v2はそれとは異なる。Geminiのアーキテクチャ構造をシリコンに焼き付けることで、Googleは「Geminiが採用しているトランスフォーマーベースのアーキテクチャは、構造レベルで十分に安定しており、ハードウェアに固定するリスクは、得られる効率性の向上に見合うものである」という暗黙の主張を行っている。

この賭けは、明らかに間違っているとは言えない。トランスフォーマーアーキテクチャは、2017年の論文「Attention Is All You Need」以来、大規模言語モデルの設計を支配してきた。トレーニング手法や規模、機能には大きな多様性があるものの、マルチヘッド自己アテンション、フィードフォワード層、残差接続、前後の正規化といった基本的な構造の選択肢は、驚くほど強固であることが証明されている。トランスフォーマーの規模を拡大すれば予測通りに能力が向上するというスケーリング仮説は、何世代にもわたって維持されてきた。Googleの内部的な見立てとして、これらの構造的選択が当面の間揺るがないのであれば、それらをハードワイヤードすることは合理的な賭けと言える。

Appleのシリコン戦略との類似性は示唆に富む。AppleのMシリーズチップは、実行するソフトウェアと共同設計されており、汎用チップでは太刀打ちできない効率性を実現している。MチップはNvidiaのGPUのように自由にプログラミングできるわけではなく、Appleが実行されるとわかっているワークロードに最適化されている。Frozen v2はその哲学をさらに極端に進めたものであり、ワークロードのクラスではなく、特定のモデルファミリーのアーキテクチャ構造に合わせて設計されている。

■広範なAIチップ市場への影響

この報道がすぐにNvidiaの地位を脅かすわけではない。Frozen v2は導入まで数年あり、生産量も限られ、Google内部のGeminiワークロードに限定されているからだ。ハイパースケーラーによるカスタムAIチップの開発は、サードパーティ製AIアクセラレータの需要を再形成しつつあるものの、完全に代替するまでには至っていない。

しかし、このシグナルを無視することは難しい。

もしFrozen v2の予測される効率向上が実際の運用で証明され、ハードワイヤードされたアーキテクチャとデータ移動の削減によって、消費電力あたりのトークン出力が実際に10倍近くに達するならば、その結果を注視するすべての主要ハイパースケーラーが同じ疑問に直面することになる。「我々のフラッグシップモデルのアーキテクチャも、これを行うのに十分安定しているだろうか？」という疑問だ。AmazonのTrainiumシリーズは一般的に機械学習ワークロード向けに最適化されているが、Titanやその後継モデルに特化したチップとなれば、それは全く別の製品になる。MicrosoftのMaiaチップは広範なAzure AIワークロード向けに設計されているが、PhiやCopilotに特化した後継チップを開発するには、同様のアーキテクチャ安定性への賭けが必要になる。

本番環境のワークロードの一部でもモデル専用シリコンに移行すれば、AI推論の経済性は一変する。推論はすでにAI計算支出全体の約3分の2を占めており、導入されたAI製品が拡大するにつれてその割合はさらに増加する。この規模の効率向上が、毎日数十億回実行されるワークロードに適用されれば、莫大なコストと電力の削減につながり、依然として汎用ハードウェアを使用している競合他社に対する価格優位性をもたらす。

現時点では、このチップは未確認であり、生産まで数年を要し、Googleがまだ公に詳細を明らかにしていないアーキテクチャのコミットメントに依存している。しかし、Frozen v2は、TPU時代を切り開いた同社からの最も明確なメッセージを示している。すなわち、「チップとしてのモデル」がAIインフラの次のフェーズになるかもしれない、ということだ。

Alphabetは現地時間2026年7月22日水曜日に2026年第2四半期決算を発表する。Googleがこのプロジェクトを認めるかどうか、そしてアーキテクチャやタイムラインについて何を明らかにするかは、同社がこの賭けを市場にどれほど真剣に受け止めさせたいかを示す最初の試金石となるだろう。

■注目ポイントQ&A

●Googleの「Frozen v2」チップとは何ですか？従来のTPUとどう違いますか？

GoogleのTPUは、どのようなモデルでも実行できる汎用AIアクセラレータですが、推論リクエストのたびにモデルのアーキテクチャ要件をゼロから計算する必要があります。一方、Frozen v2はGeminiのアーキテクチャ構造の一部をチップの回路に直接組み込むことで、実行時のオーバーヘッドを排除します。これにより、計算回数が減り、メモリを通過するデータ移動量も削減されます。現行のTPU世代と比較して、消費電力あたりのトークン出力が6倍から10倍に向上すると予測されていますが、これはエンジニアによる予測値であり、公式に確認されたものではありません。

●Frozen v2はGoogleのTPUチップに取って代わるものですか？

いいえ、Frozen v2はTPUシリーズの後継ではなく、並行して進められているプロジェクトです。2026年4月に発表されたトレーニング専用の「TPU 8t」と推論専用の「TPU 8i」が引き続き現行のチップとなります。Frozen v2はGeminiの推論専用に設計されており、生産規模もTPUより大幅に小さく、Gemini以外のモデルを実行できないため、Google Cloudの顧客向けに商用製品として提供される可能性は極めて低いです。

●GoogleがGeminiのアーキテクチャを変更した場合、Frozen v2はどうなりますか？

これがこのプロジェクトの最大の懸念点です。Frozen v2の効率性は、Geminiの構造的特徴を物理的にシリコンに組み込むことで実現しています。もしGoogleが、状態空間モデル（SSM）やハイブリッド設計など、トランスフォーマーとは根本的に異なるアーキテクチャでGeminiを再設計した場合、ハードワイヤードされた要素がモデルの実際の構造と一致しなくなり、チップが部分的または完全に陳腐化するリスクがあります。

●Frozen v2はいつから利用可能になり、誰が使用できますか？

導入目標は早ければ2028年とされていますが、これは報道された目標であり、確定した約束ではありません。現在は探索的なプロジェクトとして扱われており、TPUのような大規模な製造計画はありません。また、Gemini専用の設計であるため、外部のGoogle Cloud顧客に提供される可能性は低く、基本的にはGoogle内部の効率化ツールとして位置づけられています。なお、Alphabetは現地時間2026年7月22日水曜日に決算発表を予定しており、そこでプロジェクトに関する詳細が明らかになる可能性があります。

元記事: Google’s Frozen v2 Chip Hardwires Gemini Architecture: Up to Tenfold Inference Efficiency