V závodě o nadvládu v oblasti umělé inteligence se bitva přesouvá z úrovně softwaru do hlubin hardwaru. Zatímco většina firem se soustředí na to, jak učit větší modely, Google se rozhodlo pro jiný tah: chce, aby jeho modely Gemini byly součástí samotné DNA svých čipů. Podle informací z Tom's Hardware a Finance Biggo pracuje Google na projektu s kódovým označením Frozen v2, který má změnit pravidla hry v efektivitě provozu AI.
Od obecných procesorů k „flexibilnímu hardwaru“
Dosud jsme byli zvyklí na to, že AI modely běží na procesorech typu GPU (grafické procesory od Nvidie) nebo TPU (Tensor Processing Units od Google). Tyto čipy jsou sice výkonné, ale jsou „obecné“. To znamená, že musí být připraveny zpracovávat různé typy úloh a modelů, což vyžaduje neustálý přesun dat mezi pamětí a výpočetní jednotkou. Tento proces je energeticky náročný a pomalý.
Strategie Frozen v2 je odlišná. Namísto toho, aby čip jen „rozuměl“ instrukcím modelu, Google chce architekturu Gemini přímo „vygravírovat“ (etch) do křemíku. Tím se minimalizuje potřeba složitých rozhodovacích procesů v reálném čase. Výsledkem je, že čip neřeší, jak model interpretovat, ale přímo vykonává jeho matematické operace s minimální latencí.
Klíčovým prvkem je koncept „flexible hardwired“. Na rozdíl od původního nápadu „všechno natvrdo“, který by čip učinil neaktuálním hned po první aktualizaci modelu, Frozen v2 zachovává flexibilitu. Architektura (způsob, jakým se data pohybují) bude pevná, ale samotné parametry modelu (váhy) budou stále aktualizovatelné. To umožňuje modelu Gemini zůstat moderním i při použití specializovaného hardwaru.
Srovnání efektivity: Frozen v2 vs. současnost
Podle interních odhadů inženýrů Google by Frozen v2 mohl generovat 6 až 10× více tokenů na jednotku spotřebované energie než současné generace TPU. Pro představu, v kontextu velkých jazykových modelů je „token na watt“ nejdůležitějším ukazatelem nákladnosti.
| Parametr | Nvidia GPU (obecné) | Google TPU (specializované) | Google Frozen v2 (cílené) |
|---|---|---|---|
| Flexibilita modelu | Extrémní | Vysoká | Omezená (pouze Gemini) |
| Efektivita inference | Standardní | Vysoká | Extrémní (6–10× vyšší) |
| Cenová optimalizace | Střední | Vysoká | Maximální |
Proč se to děje právě teď?
Důvodem není jen snaha o výkon, ale především nedostatek výpočetního výkonu. Google Cloud momentálně čelí obrovské poptávce po AI kapacitách, která přesahuje aktuální nabídku. To vedlo k situaci, kdy Google musel odmítat některé zákazníky. Specializovaný čip Frozen v2 je přímou odpovědí na tento „bottleneck“. Pokud se Google podaří snížit nároky na energii a hardware pro provoz Gemini, bude moci obsloužit mnohem více uživatelů za stejné náklady.
Tento trend vidíme i u konkurence. Kanadský startup Taalas již pracuje na podobném konceptu hardwarového kódování modelů. Giganti jako Microsoft a OpenAI také investují do vlastních čipů, aby se zbavili závislosti na Nvidii. Nvidia se naopak brání skupy akvizicemi (např. licenci pro Groq) a snahou o integraci do celého ekosystému.
Praktický dopad: Co to znamená pro vás?
Možná si říkáte: „Já nejsem datové centrum, co mě to zajímá?“ Odpověď je jednoduchá: cena a dostupnost.
- Pro vývojáře a firmy v ČR: Pokud stavíte aplikaci využívající Gemini API (např. přes Google AI Studio nebo Vertex AI), nižší provozní náklady Google znamená potenciálně nižší cenu za token. To může být klíčové pro české startupy, které musí efektivně hospodařit s rozpočtem.
- Dostupnost v češtině: Gemini je již nyní velmi dobře dostupné v češtině. Pokud se Google díky novým čipům dokáže škálovat levněji, uvidíme rychlejší integraci pokročilých funkcí (jako jsou multimodalní analýzy videa nebo dlouhé kontextové okno) i pro naše lokální potřeby.
- Ekologie a EU regulace: Evropská unie skrze EU AI Act klade čím dál větší důraz na energetickou náročnost modelů. Pokud Google dokáže snížit spotřebu energie při generování odpovědí až desetkrát, bude mít jeho služby mnohem snazší cestu k souladu s evropskými environmentálními standardy.
Aktuálně je Gemini dostupné v rámci placených tarifů (např. Gemini Advanced za cca 20 EUR/měsíc) i přes bezplatné verze pro vývojáře. Přechod na Frozen v2 by mohl tyto služby učinit ještě dostupnějšími pro širokou veřejnost.
Závěr
Google se ne snaží jen o to, aby jeho modely byly chytřejší. Snaží se o to, aby byly ekonomicky udržitelné. Pokud projekt Frozen v2 uspěje (plánovaný nasazení kolem roku 2028), může dojít k výraznému poklesu cen AI služeb a zároveň k drastickému zvýšení rychlosti, kterou dnes známe z běžných chatbotů.
Bude Frozen v2 nahrazovat stávající čipy TPU?
Ne. Google plánuje tyto čipy vyvíjet paralelně. TPU zůstanou obecnými nástroji pro různé typy AI úloh, zatímco Frozen v2 bude vysoce specializovaný „sprinter“ určený výhradně pro optimalizaci architektury Gemini.
Může se Frozen v2 používat pro modely jako GPT nebo Claude?
Nikoliv. Hlavní výhodou čipu je právě jeho specializace. Architektura je „vygravírována“ přímo pro Gemini. Pro jiné modely by byl tento čip neefektivní a v podstatě nepoužitelný.
Jaká je cena za používání Gemini v ČR?
Pro běžné uživatele je dostupná bezplatná verze. Předplatné Gemini Advanced stojí přibližně 20 EUR měsíčně (v ČR se cena přepoččuje na koruny podle aktuálního kurzu). Pro firmy jsou ceny určeny podle spotřeby tokenů v rámci Google Cloud.
