🇮🇹 Sintesi in Italiano

Google sta preparando un super-chip chiamato Frozen V2, che è il tentativo di integrare direttamente nell’hardware alcune gemme architetturali del modello Gemini. Questo progetto segna una mossa ambiziosa: vuole ottimizzare i server AI riducendo drasticamente lo spreco energetico e il movimento dei dati durante l’inferenza (il processo con cui un modello genera risposte). L’idea è di dedicare un acceleratore super-specializzato che non voglia sostituire la storica famiglia di TPU, ma anzi di affiancarle per dare alle infrastrutture AI aziendali una ventata d’ossigeno. Il target tecnico è vertiginoso: raggiungere un’efficienza energetica pari a sei o dieci volte quella delle attuali TPU. Questo trucco si ottiene eseguendo alcune operazioni direttamente sulla silicon, bypassando il costoso trascinamento di dati tra memoria e unità di calcolo. La contropartita? L’architettura del modello dovrà ‘congelare’ in questo chip, sebbene Google mantenga flessibilità aggiornando i pesi. È un progetto pensato per massimizzare la potenza di calcolo sia per i team interni che per l’offerta di Google Cloud, affrontando così la carenza globale di risorse AI. Però, amici lettori, è tutto ancora sullo stato esperimentale: si parla di obiettivi lontani (forse non prima del 2028) e qualsiasi annuncio resta una promessa ‘laboratorio’, vincolata da modifiche o abbandoni. Quindi, state curiose? Perfetto. Ma restategli con l’occhio clinico che vi guarda i nomi dei chip più allucinanti.

🇬🇧 Summary in English

Google is reportedly cooking up a specialized server chip called Frozen V2, an ambitious effort to hardwire certain components of the Gemini architecture directly into silicon. The grand plan? To dramatically cut down on energy consumption and data movement during inference—the critical process by which large language models generate responses. This dedicated accelerator isn’t meant to replace Google’s existing Tensor Processing Units (TPUs), but rather to complement them, giving the company’s AI infrastructure a serious performance boost. The technical goal is massive: achieving an energy efficiency six to ten times better than current TPUs. How do they plan this magic trick? By executing certain operations directly on hardware designed specifically around the model’s needs, thus avoiding the costly shuttling of data between memory and processing units. The catch, however, is that the model’s architecture must essentially ‘freeze’ into the chip, though Google still retains some wiggle room by updating weights post-production. This power upgrade aims to boost computational capacity for both internal teams and the Google Cloud service, tackling the global shortage of AI resources. Still, prospective readers, keep your expectations firmly grounded. Everything described is highly experimental: the first deployment is rumored not before 2028, and any official statement remains a mere ‘lab’ announcement, susceptible to design changes or outright abandonment before commercial life.

Leggi l’articolo originale su Tom’s Hardware IT →

Fonte: Tom’s Hardware IT | Argomento: Hardware & Chip

#tecnologia #innovazione #technews