Alphabet, la società madre di Google, sta sviluppando un nuovo chip server, denominato internamente Frozen v2, per rendere i suoi modelli di intelligenza artificiale, come Gemini, più efficienti. Previsto per il 2028, risponde al crescente interesse del settore per l'hardware personalizzato, per ottimizzare le necessità computazionali dell'AI.
Un chip progettato per l'efficienza
Il chip Frozen v2 mira a integrare elementi dei modelli di intelligenza artificiale direttamente nell'hardware. Questa innovazione potrebbe offrire un'efficienza da sei a dieci volte superiore ai chip AI personalizzati più recenti di Google, misurata in token AI per unità di energia.
Ciò segna un progresso nella gestione autonoma delle infrastrutture AI, riducendo la dipendenza da fornitori esterni.
Una risposta alla crescente domanda di calcolo
La domanda di capacità di calcolo AI è crescente. L'introduzione di Frozen v2 punta a mitigare la carenza di risorse che ha causato tensioni interne e spinto Google Cloud a rifiutare accordi con clienti esterni. Evidenzia l'importanza di un'integrazione profonda tra hardware e software per un'efficienza operativa ottimale.
Proprietary chip: la nuova frontiera dell'AI
Google non è l'unica in questa direzione. Molti giganti investono nella progettazione di proprietary chips per le operazioni AI, rispondendo alla necessità di prestazioni superiori.
Il progetto "Frozen" di Google prevede una nuova serie di chip interni, distinti dalle attuali Tensor Processing Units (TPU), per affiancarle, non sostituirle.
Implicazioni future e reazioni del mercato
Lo sviluppo del nuovo chip ha generato una reazione positiva nel mercato, con un aumento del 3% delle azioni Alphabet. Le implicazioni a lungo termine vanno oltre la leadership tecnologica, promettendo un vantaggio competitivo in riduzione costi e maggiore flessibilità nella gestione AI.
Il recente ritardo nel lancio del modello di intelligenza artificiale Gemini potrebbe influenzare l'implementazione del nuovo chip. Offre però a Google l'opportunità di migliorare le capacità dei suoi modelli, specie nella programmazione (coding), prima dell'integrazione hardware.
