Google：全端AI之王

【新智元導讀】隨著Gemini 3模型與第七代TPU的強勢發佈，Google終於打破了OpenAI與輝達主導的市場敘事，宣告這一「沉睡的巨人」已憑藉硬核實力完全醒來。

ChatGPT一轉眼已發佈三年了。

過去三年，全球科技界都沉浸在一個由兩位「雙子星」所主導的敘事中——

• 輝達負責「賣鏟子」，提供高達80%毛利的GPU硬體基石；
• OpenAI則負責「挖金礦」，堅信Scaling Law（擴展法則），定義模型的前沿。

所有人都以為，Google這家一度被分析師認為在AI競賽中「落後」的巨頭，只能扮演一個追趕者的角色。

然而，現在一切都已不同。

上個月，當Google推出其Gemini 3系列模型和第七代TPU Ironwood時，市場的震撼達到了前所未有的程度。

這種震撼不是因為Google「追平」了對手，而是因為它直接重塑了遊戲規則。

作為新智元ASI產業圖譜11月號文章，本文將深入分析Google是如何利用獨有的「全端AI」戰略，建構起對手難以複製的護城河並重回巔峰的。

「沉睡的巨人」已完全醒來

Gemini 3發佈後，就連奧特曼都罕見發聲，承認在某些關鍵維度上確實「落後」了。

更加戲劇性的是，輝達股價也應聲下挫，過去一個月跌幅約15%。

如此大的跌幅逼得公司不得不發表聲明，強調其GPU的通用性和CUDA生態的不可替代性。

與此同時，Google母公司Alphabet的股價卻一路飆升，正邁向4兆美元的市值。

這一切都指向了同一個事實：Google這個「沉睡的巨人」，現在已經完全醒來。

而這背後的力量源泉，正是其對AI技術堆疊的徹底垂直整合——「全端AI」戰略。

正如GoogleCEO Sundar Pichai在Gemini 3發佈時所言——

也正因為我們在AI創新上有一套與眾不同的全端做法——從領先的基礎設施，到世界一流的研究、模型和工具，再到觸達全球數十億人的產品——我們才能以前所未有的速度，把先進的能力帶給全世界。

性能巔峰：Gemini 3

和Nano Banana的非線性突破

與Gemini 2.5 Pro相比，Gemini 3的進步並不體現在「參數翻倍」上，而是在推理能力與多模態架構上完成了一次顯著躍遷。

它被Google定位為一款基於最先進推理能力的原生多模態模型：能在同一個模型裡同時處理文字、圖像、音訊和視訊，在統一的內部表示中做跨模態推理，並在多項主流基準測試中取得頂尖成績。

在LMArena競技場排行榜中，Gemini 3 Pro在所有項目中目前都排名第一。

在更強調綜合智能的Artificial Analysis Intelligence Index排行榜中，Gemini 3同樣以73分位居榜首。

如果說Gemini 3是智力的巔峰，那麼Nano Banana Pro就是實用性和創造力的狂歡。

Nano Banana Pro一經發佈，便迅速引發了一場「社交狂歡」，使用者僅需通過極其簡單的提示詞，就能生成高品質的戰力排行榜、知識繪本和各種表情包等。

GoogleCEO Sundar Pichai也提到，Nano Banana Pro在資訊圖表的生成上取得了突破。

這種強大的應用屬性，讓普通使用者的創造力得以釋放。

正如網際網路讓更多人成為創作者一樣，AI工具正讓更多人以腦海中的方式來表達自我。

「全端AI」的垂直整合

模型能力的突破可能僅僅是冰山一角。

要理解Google的強大，則必須深入到其底層的戰略本質——全端垂直整合。

如果將AI的進步視為一次登月計畫，那麼競爭對手可能只擁有最先進的火箭（模型）或者最有力的燃料（GPU）。

而Google，則建造了一座整合了燃料製造廠、火箭設計院和發射台的全套「航天中心」。

這套「全端AI」從底層基礎設施、世界級研究（模型和工具），一直延伸到面向使用者的產品和平台。

換句話說，從Nano Banana這樣的應用，到背後的模型，再到最底層的晶片，Google幾乎都握在自己手裡。

TPU的誕生與進化

Google的全端故事，要從一場看似迫不得已的「自救」行動講起。

2015年，Google內部部署了TPU v1，迅速在各部門獲得熱烈反響。

這並非出於炫技，而是被逼入了一個「不自研將難以支撐未來業務規模」的現實。

當時，深度學習開始廣泛滲透Google的搜尋、廣告等核心業務，這讓Google工程團隊意識到一個關鍵問題：如果全面採用深度學習模型，Google全球資料中心的功耗將暴漲到難以承受的程度。

當時的GPU雖然更適合訓練大規模網路，但其能效並非針對即時線上推理設計的。

這讓Google的高層意識到，繼續依賴CPU和GPU的現有路線不可持續。

於是，Google決定自己造一塊專用晶片（ASIC）——TPU，把目標定得非常簡單粗暴：只幹一件事，把訓練和運行AI模型需要的那些矩陣、向量運算做到極致高效。

到了2017年，那篇著名的Transformer論文發表後，Google立即意識到，這個新架構的計算模式高度規則、矩陣密度極高、平行度極高，簡直是為TPU量身定做的。

於是，他們自己把軟體架構、編譯器、晶片架構、網路拓撲、散熱系統都握在手裡，形成全端閉環。

TPU由此升級為GoogleAI基礎設施的底座和支柱。

如今，TPU已發展到了第七代Ironwood（鐵木）。

如果說TPU  v4/v5p是兼顧訓練和推理的多面手，那麼Ironwood就是在繼續強化訓練能力的前提下，把推理放到設計核心的一代——一個為大規模推理優先、又能承擔巨型模型訓練的定製利器。

相較第六代TPU Trillium（v6e），Ironwood在訓練與推理工作負載上的單晶片性能提升超過4倍；與TPU v5p相比，峰值算力最高可達10倍。

它也是Google迄今性能最強、能效最高的TPU。

Ironwood單個superpod可容納9,216顆TPU，依託9.6 Tb/s等級的晶片間互聯和約1.77 PB的共享高頻寬記憶體，大幅緩解了大模型訓練和推理中的通訊瓶頸，使複雜AI模型在超大規模叢集上運行得更快、更穩定。

它的出現，意味著Google正式把資源和架構重心從「訓練」轉向「訓練+大規模推理一體化」，並公開把「age of inference」（推理時代）定義為下一階段AI基礎設施的主戰場。

通過Ironwood+AI Hypercomputer這套系統級組合拳，Google同時在單晶片性能和整機房級算力密度兩條戰線對標輝達，爭奪下一代AI基礎設施的話語權。

模型與硬體的深度契合

Google的AI全端戰略在軟硬體一體化這點上看得最清楚。

靠著這套從晶片、資料中心到模型架構都自己打通的體系，Google把過去層層割裂的環節擰成了一根繩，性能和效率一起往上抬。

以Ironwood為例，它就是研究人員影響硬體設計、硬體反過來加速研究成果的持續閉環產物。

當GoogleDeepMind團隊需要為其頂尖模型實現特定架構突破或者最佳化時，他們可以直接與TPU工程師團隊緊密協同創新。

這種內部協作確保了模型架構的設計始終是基於最新代際的TPU進行訓練，從而相對於前代硬體實現顯著的性能提升和加速。

Jupiter資料中心網路能夠將多個Ironwood超級莢連接成包含數十萬個TPU的叢集

現在，Google的創新循環更進了一步，達到了「AI設計AI」的境界。

他們用一種名為AlphaChip的AI技術來設計下一代晶片的佈局方案。

AlphaChip利用強化學習來生成更最佳化的晶片佈局。

目前，這一方法已經成功應用於包括Ironwood在內的連續三代TPU的設計中。

這大大降低了Google對外部半導體設計工具和供應商的依賴。

通過這種自研晶片+內部最佳化，Google在算力成本上形成了天然優勢，從而避免了昂貴的「CUDA稅」。

巨頭們的「投懷送抱」

Google內部實測資料顯示，Ironwood在同等負載下的推理成本較GPU旗艦系統低30%-40%。

有分析指出，Google提供同等推理服務時的底層成本可能僅為對手的兩成。

在推理時代，這樣的成本差異足以改變大客戶的架構選擇：對每年在推理上投入數千萬甚至上億美元的企業來說，壓縮三到五成支出，足以改寫財報。

在這一層意義上，TPU正在變成許多公司重構推理基礎設施時優先考慮的算力引擎。

Google自己也正在將TPU從「內部黑科技」打造為市場上的「生態可選項」，進而吸引像Anthropic、Meta這樣的大客戶。

僅Anthropic一家就計畫接入高達100萬個TPU。

Google還順勢啟動了TPU@Premises計畫，將TPU直接部署在企業的資料中心，使得客戶可以在本地以極低的延遲使用推理能力。

近期還有市場傳聞稱，Meta正評估在2027年把TPU引入自家資料中心，並最早從明年起通過Google雲租用部分算力——無論最終如何落地，這類討論本身就說明TPU已經進入一線網際網路公司的選項集。

回到更可量化的層面：根據Google第三季度財報，Google雲新增客戶數量同比增長近34%，超過10億美元的大單規模已超過前兩年的總和，超過70%的客戶正在使用Google雲的AI產品。

這些變化，在很大程度上都與Google在算力成本和產品形態上的優勢緊密相關。

C端：全端AI的終極引擎

正如上文GoogleCEO劈柴哥所言，Google的全端AI戰略，是一個涵蓋AI基礎設施、世界級研究（包括模型和工具）以及將AI帶給全球使用者的產品和平台的全面系統。

C端產品——特別是其核心業務如搜尋、地圖以及Gemini app和Nano Banana Pro等新的AI應用——不僅僅是戰略的最終輸出，它們更是驅動整個全端AI生態系統向前發展的核心引擎，是實現技術驗證、資料積累和商業閉環的關鍵。

Google憑藉其無可匹敵的使用者規模和資料廣度，為其定製硬體和領先模型提供了無與倫比的「煉丹爐」和「試驗場」。

這些資料來源包括Google搜尋、Android、YouTube等，Google通常自己使用這些資料。

而像Gemini系列模型，則被視為是貫穿Google所有產品的主線。

在2025年第三季度，Google的第一方模型（如 Gemini）僅通過客戶直接API，每分鐘就處理約70億個tokens。

若把搜尋、YouTube、Android等所有介面加起來，每月被模型消化的tokens已超過1.3千兆個（quadrillion），一年內增長了20多倍。

這些資料展示了C端產品作為AI能力載體的恐怖規模，也使得Gemini應用在推出後，月活躍使用者數迅速超過6.5億，形成了驅動AI進步的資料飛輪。

以GoogleAI Mode為例，自推出以來其在美國實現了強勁且持續的周環比增長，查詢量在一個季度內翻了一番。

截至三季度，已擁有超過7500萬的日活使用者，推廣到了全球40種語言。

最重要的是，AI Mode已經為搜尋帶來了增量的總查詢增長。

12月2日，Google已宣佈將AI Mode融入進搜尋中，給搜尋使用者提供類似ChatGPT的聊天體驗。

這種C端產品成功將AI技術轉化為實實在在的業務增長，進一步奠定了Google在核心領域的競爭優勢。

簡言之，Google的C端產品（如搜尋），是其全端AI戰略的需求源、資料場和商業出口。

這些C端產品一方面製造了真實的流量和使用壓力，另一方面又不斷把反饋灌回Google的TPU和Gemini，讓它們在高頻迭代中越跑越省錢、越跑越高效。

全端AI：改寫技術文明底座

在當下這個以「推理為先」的AI時代，Google率先把競爭從單一模型的短跑，換成了全端系統的馬拉松。

至此，真正的護城河不再是誰有更多的晶片、更先進的模型，而是誰掌握了「基礎設施-研究-產品-資料」的閉環。

展望未來，如果說過去網際網路解決的是「資訊是如何被找到的」，那麼全端AI要回答的將是「世界如何被重新組織」。

以Google為代表的科技公司，能否將這套AI閉環，轉化為更公平的教育、更高效的科研、更可持續的產業，將在很大程度上決定下一代技術文明的形狀——

那時，我們也許不再刻意談論AI，因為它將成為文明的默認背景。 (新智元)