爱上小男人

台军试射火箭偏轨自毁，坠落山头冒白烟，附近村民直呼“吓死人”_我的网站

少年四大名捕

一 | 谷歌正在尝试把 Gemini 与芯片更紧密地结合起来。 AI摘要台军“中科院”19日在屏东九鹏基地试射卫星运载火箭，因轨道异常启动自毁机制，坠落点近村庄引发居民恐慌。据《The Information》援引知情人士消息，谷歌母公司 Alphabet 正在研发一款服务器 AI 芯片，内部非正式代号为“Frozen v2”。

二 | 这款芯片针对 Gemini 模型设计，计划最早于 2028 年部署。谷歌工程师预计，以单位功耗所能处理的 Token 数量计算，其效率可能达到公司最新一代自研 AI 芯片的 6—10 倍。谷歌目前尚未正式确认 Frozen v2 项目，也没有公布芯片规格。县政府要求暂停试射、查明原因并修正程序以避开聚落。台军科研机构“中山科学研究院”19日清晨在屏东九鹏基地展开首次卫星运载火箭测试，因飞行轨道异常启动自毁机制。公司在回应媒体时表示，其团队一直在研究和试验提升性能与效率的新方案，但并非所有项目最终都会进入生产阶段。

三 | 谷歌同时强调，从底层共同设计硬件和软件，是其打造高度集成系统的重要方式。但报道发布后，Alphabet 股价在当地时间 7 月 20 日早盘上涨约 3.3%。与现有 TPU 相比，Frozen v2 的主要区别，是它进一步收窄了芯片的适用范围。一大清早附近居民听到轰轰的声响，“都被吓醒了”，赶快跑出来，直呼“恐怖极了”。

四 | 它的定位是一颗更极致的“专用芯片”。有村民形容，山头都冒着白烟，若是掉进到村内就糟了，“吓死人了”。根据现有报道，谷歌计划将 Gemini 的部分架构特征固化在芯片中，针对其计算路径和常用操作进行专门优化。也有村民说，很大声，轰轰轰轰，“都被吓醒了”。大模型推理不仅需要完成大量矩阵运算，还要频繁从高带宽内存读取参数。数据在内存与计算单元之间移动，会消耗时间和电力。还有村民形容，火箭掉下来不是直直的，好像在旋转，转一个圆圈。

五 | 屏东县牡丹乡旭海村长潘勋鹤说，一早发生事情后，“中科院”有人跟他联系称，火箭偏离轨道后开启保护自毁装置，“但自毁是怎么样？我们是不知道，幸好没有落在村落”。

六 | 潘勋鹤说，村民的反应都很大，历年演习都会有些状况。他也有要求台“中科院”，不要等到居民问，有状况一定要通知，以免以讹传讹，让村民自己猜。潘勋鹤说，上周有来跟他说明，“只有说这次演习，会比较大声，是一个推进火药的测试”，但是怎么会掉头，则是“状况外”。火箭掉落后，没有爆炸声，也没有火烧山，他有监控山头情况约半小时。

七 | 火箭掉落位置距村庄很近，有四、五户在附近，距离一两公里的范围。台军“中科院”称，19日上午在屏东九鹏基地，执行卫星运载火箭测试。

八 | 发射后飞行过程因初期轨道异常，故依原订应变计划启动自毁机制，控制坠落点在计划安全管制范围。

九 | 无人员或财产伤损，后续将依遥测资讯重新修正相关设计。屏东县政府表示，台军基地应该立即调查并对外说明，未查明事故原因前应暂停试射，重新检视发射作业程序及修正方向，避开聚落。Frozen v2 希望减少这部分开销，从而提高响应速度，并在相同功耗下处理更多请求。报道所称的 6—10 倍效率提升，具体指每单位功耗能够处理的 Token 数量，并不是芯片峰值算力。谷歌现有 TPU 同样是面向机器学习的专用处理器，但需要适配不同模型，并承担训练、推理等多种任务。最新一代 Ironwood 单颗芯片配备 192GB 高带宽内存，单位功耗性能约为上一代 Trillium 的两倍，最多可由 9216 颗芯片组成 Superpod。Frozen v2 不会取代 TPU，而是作为一条更具针对性的产品线，与其并行使用。 (来源：Google) 但专用芯片也有其劣势，更深的模型与芯片绑定会降低灵活性。芯片从设计到投产通常需要数年，如果此后 Gemini 的基础架构发生较大变化，已经固化的设计可能难以适配。Frozen v2 能否获得长期收益，既取决于实际能效，也取决于谷歌能否在快速迭代模型的同时，维持底层架构的相对稳定。那么，谷歌为什么要“铤而走险”？首先一个原因，是为了应对持续增长的算力需求。据相关数据，谷歌内部的 AI 计算资源短缺已经引发不同团队之间的资源竞争，Google Cloud 甚至因此拒绝过部分外部客户订单。大模型的计算需求包括训练与推理两个阶段。

十 | 训练先进模型需要集中投入大量算力，但随着 Gemini 被加入搜索、办公软件、云服务和智能终端，长期发生的推理可能形成更庞大的成本。单次生成的费用看似有限，乘以数以亿计的用户和持续增长的调用量后，电力、芯片、网络及数据中心投入都会成为重要支出。 Alphabet 已将 2026 年资本开支预期上调至 1,800 亿—1,900 亿美元，主要用于扩建 AI 计算能力、数据中心和相关基础设施。在这一背景下，提高每瓦电力能够生成的 Token 数，不仅意味着更低的能源消耗，还意味着同一座数据中心能够承载更多用户请求。对于已经拥有大量 Gemini 使用场景的谷歌而言，即使单次推理成本只下降一小部分，规模化之后也可能带来可观节省。图｜谷歌历年资本开支预期（来源：S&P）自研芯片还可以加强谷歌对供应链和产品节奏的控制，减少对英伟达等外部芯片供应商的依赖。但这种“减少依赖”并不等于完全替代。Frozen v2 即使顺利投产，预计规模也将低于 TPU；谷歌的数据中心仍会同时使用 TPU、GPU 及其他计算设备。它更像是为高频且相对稳定的 Gemini 任务增加一类成本更低的专用工具。谷歌也不是唯一走向自研芯片的 AI 公司。2026 年 6 月，OpenAI 与博通公布首款自研推理芯片 Jalapeño。OpenAI 表示，这款芯片围绕大语言模型推理设计，将结合博通的芯片实现和网络技术以及 Celestica 的服务器系统能力，计划于 2026 年底开始部署。图｜博通公司首席执行官 Hock Tan 将一片芯片晶圆递交给 OpenAI 公司首席执行官 Sam Altman。（来源：OpenAI） Anthropic 也被曝已经开始研究自有 AI 芯片，并与三星电子等潜在合作方接触。不过该项目仍处于早期阶段，芯片的用途、性能目标和服务器部署方式尚未明确 Anthropic 同时表示，亚马逊 Trainium、谷歌 TPU 和英伟达 GPU 仍将是其扩张算力的重要基础。

十一 | 中国方面，此前 DeepSeek 和近期的月之暗面也有自研芯片方面的传闻。除专注于基础模型的公司外，亚马逊、微软、Meta、阿里巴巴、百度和字节跳动等拥有云服务或大规模互联网业务的企业，也在不同程度上推进专用 AI 芯片。其中部分芯片服务于模型训练，部分集中于推理、推荐和广告等高频工作负载。它们共同反映出一个趋势：随着 AI 服务规模扩大，掌握模型的公司越来越希望同时参与芯片和计算系统设计。这些项目属于同一轮趋势：AI 公司希望根据自身模型和业务负载设计芯片，以获得更好的成本、能效和供应保障。但它们并不是完全相同的技术路线。Trainium、Maia、MTIA 以及 OpenAI 的 Jalapeño 主要面向一类或多类 AI 工作负载，仍保留一定通用性；Frozen v2 则称会把 Gemini 的部分架构直接固化进硬件，模型与芯片的绑定程度可能更高。因此，Frozen v2 所代表的不只是谷歌扩大自研芯片投入，也是一项更激进的软硬件协同试验。答案将取决于芯片能否如期投产，也取决于到 2028 年时，Gemini 是否仍然适合这块为它提前设计的硅片。参考链接： 1.https://techcrunch.com/2026/07/20/google-is-working-on-a-new-ai-chip-designed-to-make-gemini-more-efficient/ 2.https://www.reuters.com/business/google-plans-new-chip-run-gemini-models-more-efficiently-information-reports-2026-07-20/ 3.https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/ironwood-tpu-age-of-inference/ 4.https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/ironwood-google-tpu-things-to-know/ 运营/排版：何晨龙注：封面由 AI 辅助生成。