{"id":44473,"date":"2026-07-20T22:31:11","date_gmt":"2026-07-20T20:31:11","guid":{"rendered":"https:\/\/overcentral.com\/de\/?p=44473"},"modified":"2026-07-20T22:31:11","modified_gmt":"2026-07-20T20:31:11","slug":"google-frozen-v2-chip","status":"publish","type":"post","link":"https:\/\/overcentral.com\/de\/google-frozen-v2-chip\/","title":{"rendered":"Google entwickelt neuen Frozen v2 Chip mit integriertem Gemini-Modell"},"content":{"rendered":"

Google<\/a>, das in der KI-Infrastruktur stets auf eine eigene Chippolitik gesetzt hat, geht einen radikalen neuen Weg. Der Internetkonzern entwickelt einen Server-Chip, der die Architektur des hauseigenen Gemini-Modells direkt in die Hardware einbrennt. Das Projekt tr\u00e4gt den internen Codenamen \u201eFrozen v2″ \u2013 eine Anspielung auf die eingefrorenen Modellgewichte \u2013 und k\u00f6nnte bereits 2028 in den Rechenzentren zum Einsatz kommen. Es geht nicht um eine Weiterentwicklung der bekannten TPU-Serie, sondern um ein v\u00f6llig neues Paradigma: ein Chip, der speziell f\u00fcr Gemini optimiert ist und damit Generalisten wie Nvidias GPUs oder Googles eigene Tensor Processing Units in einer entscheidenden Disziplin \u00fcbertrumpfen soll \u2013 der Effizienz pro Inferenz.<\/p>\n

Der Unterschied zur TPU: Von der Universalmaschine zum Spezialisten<\/h2>\n

Bisher setzte Google bei der KI-Beschleunigung auf seine Tensor Processing Units (TPUs). Diese Chips sind, \u00e4hnlich wie Nvidia<\/a>a-GPUs, als universelle KI-Beschleuniger konzipiert. Sie k\u00f6nnen eine Vielzahl von Modellen und Workloads ausf\u00fchren, m\u00fcssen dabei aber jedes Mal die Modellparameter aus dem Speicher laden, die Berechnungen durchf\u00fchren und die Ergebnisse zur\u00fcckschreiben. Dieser st\u00e4ndige Datenverkehr zwischen Speicher und Recheneinheit ist nicht nur zeitaufwendig, sondern auch extrem energieintensiv.<\/p>\n

Genau hier setzt Frozen v2 an. Der Chip integriert wesentliche Teile der Entscheidungslogik und der Modellgewichte von Gemini direkt in die Siliziumschaltung selbst. Indem kritische Parameter quasi in die Hardware \u201eeinprogrammiert“ werden, entf\u00e4llt ein Gro\u00dfteil der Datenbewegung. Die Folge ist eine drastische Reduktion der Latenz und des Energieverbrauchs. Das Portal The Information berichtet unter Berufung auf zwei mit dem Projekt vertraute Personen, dass die Entwickler davon ausgehen, mit Frozen v2 eine sechs- bis zehnfach h\u00f6here Effizienz<\/strong> im Vergleich zu den aktuellen TPUs zu erreichen. Es ist wichtig zu betonen, dass Frozen v2 die TPU-Reihe nicht abl\u00f6sen, sondern als paralleles System f\u00fcr hochvolumige Inferenzaufgaben dienen soll. Erst im April hatte Google die neuen TPU-Modelle 8t (f\u00fcr Training) und 8i (f\u00fcr Inferenz) vorgestellt \u2013 die Evolution der Universalchips geht also weiter.<\/p>\n

Ein Trend, der von Startups vorgelebt wird: Taalas als Blaupause<\/h2>\n

Die Idee, ein KI-Modell in Silizium zu \u201ebrennen“, ist nicht neu. Das kanadische Startup Taalas hat im Februar 2026 mit dem Chip \u201eHC1″ genau diesen Ansatz als Machbarkeitsstudie pr\u00e4sentiert. Taalas brannte das komplette Modell Llama 3.1 8B von Meta physisch in einen Chip, der in einem 6-nm-Prozess von TSMC<\/a> gefertigt wurde. Das Ergebnis war atemberaubend: Eine Inferenzgeschwindigkeit von 17.000 Tokens pro Sekunde pro Nutzer. Zum Vergleich: Nvidias H200 erreicht mit dem gleichen Modell etwa 230 Tokens pro Sekunde. Taalas selbst bezeichnet den HC1 als Technologiedemonstrator, nicht als fertiges Produkt. Das Unternehmen hat \u00fcber 200 Millionen Dollar<\/a> eingesammelt und gibt einen Entwicklungszyklus von etwa einer Woche f\u00fcr das Chip-Design<\/a> bis zur Fertigung in rund zwei Monaten an. Dies zeigt, wie schnell sich der Ansatz des \u201eHardcoding“ von Modellen weiterentwickeln l\u00e4sst.<\/p>\n

Wie genau Googles Frozen v2 im Vergleich zu Taalas technisch umgesetzt wird, ist nicht bekannt. Der renommierte Halbleiteranalyst Jukan hat die verf\u00fcgbaren Informationen ausgewertet und sieht das Frozen-Projekt klar als eine von den TPUs unabh\u00e4ngige Neuentwicklung: ein Chip, der die Entscheidungslogik von Gemini fest integriert, um Datenbewegungen zu minimieren. Google geht damit den gleichen Weg wie das Startup, nur im gro\u00dfen Ma\u00dfstab und f\u00fcr das eigene Flaggschiff-Modell.<\/p>\n

Der Preis der Erstarrung: Warum dieser Chip ein riskantes Wetten ist<\/h2>\n

Die gr\u00f6\u00dfte St\u00e4rke von Frozen v2 ist gleichzeitig seine gr\u00f6\u00dfte Schw\u00e4che: die mangelnde Flexibilit\u00e4t. Da die Modellarchitektur fest im Chip verankert ist, ist dieser vollst\u00e4ndig auf die zum Zeitpunkt des Designs aktuelle Gemini-Version optimiert. Zwar lassen sich die Gewichte des Modells (die sogenannten \u201eWeights“) noch anpassen, um etwa die Antwortcharakteristik zu ver\u00e4ndern. \u00c4ndert sich jedoch die grundlegende Netzwerkarchitektur \u2013 etwa die Anzahl der Layer oder die Attention-Mechanismen \u2013 wird der Chip unbrauchbar.<\/p>\n

Google geht mit dieser Entwicklung eine enorme Wette ein. Das Unternehmen signalisiert damit, dass es davon ausgeht, dass die grundlegende Architektur von Gemini \u00fcber mehrere Jahre hinweg stabil bleibt. Sollte sich das Modell bis 2028 jedoch fundamental wandeln \u2013 was in der aktuellen Hochgeschwindigkeitsentwicklung von Foundation Models durchaus wahrscheinlich ist \u2013 w\u00e4re der speziell daf\u00fcr entwickelte Chip schlagartig veraltet. In den sozialen Netzwerken wird diese Risikostrategie intensiv diskutiert. Ein Analyst brachte es auf den Punkt: \u201eF\u00fcr stabile, skalierte Modelle ist dieser Ansatz optimal. Sollten sich die Frontend-Modelle jedoch alle paar Monate \u00e4ndern, wird es gef\u00e4hrlich.“<\/p>\n

Google muss also entweder sicherstellen, dass die Gemini-Architektur \u00fcber Jahre hinweg eingefroren bleibt, oder einen schnellen und kosteng\u00fcnstigen Redesign-Prozess etablieren, um den Chip an neue Architekturen anzupassen. Ohne eine dieser beiden Voraussetzungen l\u00e4sst sich diese milliardenschwere Investition nicht rechtfertigen.<\/p>\n

Drei Giganten, ein Ziel: Der Kampf um die Inferenz\u00f6konomie<\/h2>\n

Man w\u00fcrde die strategische Bedeutung von Frozen v2 verkennen, s\u00e4he man sie isoliert. Gleichzeitig arbeiten die beiden anderen gro\u00dfen KI-Labore an \u00e4hnlichen Projekten: OpenAI<\/strong> hat im Juni gemeinsam mit Broadcom den Inferenz-Chip \u201eJalape\u00f1o“ vorgestellt, der in nur neun Monaten designt wurde. Anthropic<\/strong> soll sich im Juli in ersten Verhandlungen mit Samsung \u00fcber die Fertigung eines eigenen Chips befinden. Der Treiber f\u00fcr alle drei ist identisch: die explodierenden Kosten der Inferenz. W\u00e4hrend das Training eines Modells eine einmalige Investition darstellt, fallen die Inferenzkosten bei jeder einzelnen Nutzeranfrage an. Mit jedem neuen User wachsen die Kosten. Solange man auf universelle GPUs oder TPUs setzt, ist diese Kostenstruktur festgeschrieben.<\/p>\n

F\u00fcr OpenAI ist die Losl\u00f6sung von Nvidia daher nicht nur eine technologische, sondern eine wirtschaftliche Notwendigkeit. Anthropic steht unter demselben Druck. Und selbst Google st\u00f6\u00dft mit seinen TPUs an die physikalischen und \u00f6konomischen Grenzen der Inferenz-Effizienz \u2013 weshalb Frozen v2 \u00fcberhaupt erst entwickelt wird. Was einst wie eine exotische Spielerei eines Startups wirkte, ist heute zum zentralen Entwicklungsfeld der gesamten Industrie geworden.<\/p>\n

Bis 2028 wird sich zeigen, ob der Preis der Erstarrung geringer ist als der Nutzen der Effizienz. Die Antwort darauf ist in Chips wie dem Frozen v2 buchst\u00e4blich eingebrannt.<\/p>\n","protected":false},"excerpt":{"rendered":"

Google, das in der KI-Infrastruktur stets auf eine eigene Chippolitik gesetzt hat, geht einen radikalen neuen Weg. Der Internetkonzern entwickelt einen Server-Chip, der die Architektur des hauseigenen Gemini-Modells direkt in die Hardware einbrennt. Das Projekt tr\u00e4gt den internen Codenamen \u201eFrozen v2″ \u2013 eine Anspielung auf die eingefrorenen Modellgewichte \u2013 und k\u00f6nnte bereits 2028 in den […]<\/p>\n","protected":false},"author":5,"featured_media":47586,"comment_status":"closed","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"fifu_image_url":"https:\/\/iili.io\/CwOt6Mv.jpg","fifu_image_alt":"Google entwickelt neuen Frozen v2 Chip mit integriertem Gemini-Modell","footnotes":""},"categories":[5],"tags":[],"class_list":["post-44473","post","type-post","status-publish","format-standard","has-post-thumbnail","category-artikel"],"fifu_image_url":"https:\/\/iili.io\/CwOt6Mv.jpg","fifu_image_alt":"Google entwickelt neuen Frozen v2 Chip mit integriertem Gemini-Modell","_links":{"self":[{"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/posts\/44473","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/comments?post=44473"}],"version-history":[{"count":3,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/posts\/44473\/revisions"}],"predecessor-version":[{"id":44476,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/posts\/44473\/revisions\/44476"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/media\/47586"}],"wp:attachment":[{"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/media?parent=44473"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/categories?post=44473"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/overcentral.com\/de\/wp-json\/wp\/v2\/tags?post=44473"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}