O Google estaria desenvolvendo um novo chip de servidor batizado internamente de "Frozen v2", que promete ser entre seis e dez vezes mais eficiente do que as atuais TPUs (Tensor Processing Units) da empresa na tarefa de gerar respostas do Gemini. A informação foi revelada pelo site The Information, com base em fontes com conhecimento do projeto, e ainda não foi confirmada nem negada oficialmente pelo Google.
O que torna o Frozen v2 diferente do restante do portfólio de chips personalizados do Google é a abordagem: em vez de ser um acelerador de uso geral, capaz de rodar diferentes modelos de IA, ele incorpora elementos da própria arquitetura do Gemini diretamente no hardware. Na prática, uma parte das decisões do modelo fica "congelada" no silício, em vez de ser processada em tempo real a cada consulta — o que reduz a quantidade de dados que precisam trafegar e agiliza a geração de respostas. Diferente de uma versão anterior do conceito, em que os pesos do modelo ficariam completamente fixos no chip, o Frozen v2 deve permitir atualizações desses pesos, o que estenderia a vida útil do hardware conforme o Google evolui o Gemini.
O foco do chip é especificamente a inferência — o processo de gerar respostas a partir de um modelo já treinado —, e não o treinamento em si. Essa escolha faz sentido estratégico: enquanto o treinamento de um modelo grande acontece raramente, a inferência ocorre bilhões de vezes por dia em produtos como o buscador, assistentes virtuais e APIs de nuvem, tornando-se o gargalo mais caro da operação de IA em escala.
O timing do projeto está diretamente ligado à atual escassez de capacidade computacional para inteligência artificial, que segundo a reportagem já gerou tensões internas no Google e levou o Google Cloud a recusar contratos com clientes externos por falta de capacidade disponível. O Frozen v2 ainda está em estágio inicial de desenvolvimento, com lançamento previsto para 2028, enquanto engenheiros da empresa ainda definem o design final e a quantidade de informações do modelo que será, de fato, incorporada ao hardware.
Procurado pela imprensa, o Google não confirmou detalhes do projeto, mas afirmou em nota que suas equipes "estão constantemente pesquisando e experimentando novas inovações" para entregar mais performance e eficiência, ressalvando que nem todo projeto avança até a fase de produção. Ainda assim, o mercado reagiu de forma otimista ao vazamento: as ações da Alphabet, controladora do Google, chegaram a subir cerca de 3% dias antes da divulgação dos resultados trimestrais da empresa.
Minha opinião: uma aposta de longo prazo em um problema que já é urgente
O que mais chama atenção nesse projeto é o contraste entre a urgência do problema e o horizonte de tempo da solução. A escassez de capacidade computacional para IA já está gerando recusa de contratos por parte do Google Cloud hoje, em 2026 — mas o Frozen v2 só deve chegar em 2028, ou seja, ainda são pelo menos dois anos de gargalo pela frente até que esse alívio específico chegue, se é que chega no prazo anunciado (histórico da indústria de chips sugere que atrasos nesse tipo de projeto são mais regra do que exceção).
Acho também estratégica a decisão de mirar exclusivamente na inferência, e não em treinamento. É um sinal de que o Google está lendo corretamente onde está o verdadeiro custo operacional da IA em produção: não é treinar um modelo gigante uma vez, é servir bilhões de consultas todos os dias para usuários reais. Empresas que ainda concentram esforços de otimização apenas na fase de treinamento correm o risco de ficar com uma vantagem competitiva menor do que quem, como parece ser o caso do Google aqui, ataca diretamente o gargalo recorrente.
Por fim, vale destacar a dimensão competitiva dessa corrida: se o Frozen v2 realmente entregar entre 6 e 10 vezes mais eficiência energética por resposta gerada, isso se traduz diretamente em custo operacional menor — uma vantagem de preço real frente a concorrentes como OpenAI e Anthropic, que não têm o mesmo nível de verticalização entre hardware e modelo. Ao "gravar" partes do Gemini no próprio silício, o Google não está só otimizando eficiência técnica: está construindo um fosso competitivo que fica mais difícil de replicar quanto mais fundo a integração entre software e hardware avança. É um lembrete de que, na era da IA, quem controla o chip por baixo do modelo tem uma vantagem estrutural que dinheiro em GPU alugada simplesmente não compra.