Google 的 AI 策略：不赌模型，赌什么？

概览

本期播客来自 Google Cloud Next 大会现场，核心问题是：当行业还在比拼大模型能力时，Google 的 AI 策略到底押注在哪里。两位主播从大会规模、现场 Demo、企业访谈和生态观察出发，认为 Google 这次更强调“全栈整合”和“企业落地”，而不是单点展示模型能力。

节目反复提到 “One Google”：Google 手里同时有 TPU、Gemini、Google Cloud、Workspace、Search、YouTube、广告系统和全球企业客户，因此它的优势不只是模型，而是把底层算力、数据、办公场景、开发工具和企业流程连接起来。

讨论的另一条主线是 Agent。嘉宾和主播认为 Agent 已经从试验、Demo、Pilot，进入企业大规模采用和治理阶段；企业关心的问题也从“能不能做 Agent”，转向“怎么管理几千个 Agent、怎么保证安全、怎么真正交付业务结果”。

节目最后把视角转向创业公司：当 Google、AWS、Microsoft 等大厂不断向上覆盖模型、平台、Workflow 和企业工具时，创业公司的机会不在通用平台，而在专有数据、行业 Know-how、业务结果交付和更深的数据飞轮。

分段落总结

[00:14] Google Cloud Next 变成 AI 大会

[事实] 两位主播在拉斯维加斯参加 Google Cloud Next，大会据称有 3.2 万人参加，是 Google Cloud 历年来最大规模的一次。 [事实] 主播表示，Google Cloud Next 原本更偏企业用户，但这两年越来越像 Google AI 大会。 [事实] 本期节目会介绍大会发布，也会拆解这次大会对 AI 行业的意义。 [推测] 大会规模和现场拥挤程度被用来说明企业侧对 AI 落地的关注正在显著上升。

[01:16] 现场第一感受：大、热闹、产品化

[事实] 主播说自己原本对 Google Cloud 大会预期不高，因为它不像 CES 或 GTC 那样有名，但现场人山人海、到处排队。 [事实] 主播观察到，Next 已经不只是 To B 云大会，而是大量围绕 AI 产品和 Demo 展开。 [事实] 现场展示的许多 Demo 被认为很落地，面向具体用户场景。 [推测] Google 这次想传达的重点不是“模型参数更强”，而是 AI 已经进入企业产品和工作流。

[02:20] 企业集成和 Agent 工具成为关键词

[事实] 现场嘉宾 Reno 曾在 Google Workspace 负责 Gemini，现在创业做面向电商品牌的 Agent。 [事实] Reno 认为大会上有大量关于 Integration 的尝试，重点是帮助企业更好落地 AI。 [事实] 他提到很多公司在做 Harness，以及面向 SRE、QA、Analytics、Jira、Slack 等场景的 Agent 集成。 [推测] 企业客户需要的不只是单个模型能力，而是能接入原有系统、流程和协作工具的完整方案。

[03:34] One Google：押注全栈整合

[事实] 主播指出，OpenAI、DeepSeek 等公司近期更像是在拼模型，而 Google 现场几乎每一层都在展示产品。 [事实] Google 拥有 TPU 芯片、Gemini 模型、Google Cloud 基础设施、Workspace、搜索、YouTube、广告系统和全球客户。 [事实] 主播用 “One Google” 概括这次大会的关键词，认为 Google 在把公司内部不同资源整合到一起。 [推测] Google 的策略不是单押模型，而是通过全栈资源整合，让不同 AI 能力都能接入自己的平台和商业体系。

[05:20] 从彩虹糖 Demo 看业务流程自动化

[事实] 主播印象较深的 Demo 是 Google 与玛氏合作的新产品设计场景。 [事实] Demo 中可以选择新彩虹糖产品的口味、包装等元素，Google 会结合市场数据给出建议。 [事实] 系统能够自动生成产品包装、文案、命名等一整套内容。 [推测] 这个 Demo 展示的是 Agent 化的业务流程：从市场洞察到创意生成，再到营销材料输出。

[06:23] Anthropic 与 Google 的竞合关系

[事实] 主播在 Google Cloud 大会现场看到 Anthropic 展台，并且人很多。 [事实] 节目提到 Anthropic 与 Google 在大模型上有竞争关系，但 Anthropic 也获得了 Google 的大量投资。 [事实] Anthropic 同时也是 Google Cloud 和 TPU 的大客户，Google 的企业产品中也可调用 Anthropic 模型。 [推测] 对 Google 来说，即使模型竞争者使用其云和芯片，Google 仍能通过基础设施和平台获得收益。

[07:39] Agent 从探索进入规模采用

[事实] Google Cloud 大中华区售前解决方案技术团队负责人 Jenny 孙表示，去年已有客户探索和实践 Agent，今年进入大规模采用阶段。 [事实] 节目提到 Agent 已用于代码生成、安全、媒体娱乐、游戏陪伴机器人、电影制作、客户服务等场景。 [事实] 主播认为，Agent 不再只存在于实验室或宣传材料里，一些客户已经把它用于生产环境。 [推测] Agent 正在从“概念热词”变成企业 AI 落地的基本形态。

[09:03] TPU 和算力护城河

[事实] 置顶科技 CEO 高飞提到，Google 这次把训练和推理芯片做了拆分。 [事实] 他认为，这反映 AI 工作负载变得更细，推理过程里也有 prefill、decode 等不同环节。 [事实] 主播在现场看到英伟达 GB300 GPU 机柜和 Google TPU 机柜，认为 GPU 与 TPU 不是非此即彼。 [事实] 节目认为 GPU 极限性能更强，而 TPU 在能耗和成本上更适合企业大规模、长时间运行。 [推测] Google 的芯片能力让它讲“全栈 AI”故事时更有底层支撑。

[10:35] Google 云份额不占优，但全栈故事独特

[事实] 主播说，单看云业务，Google 在全球市场份额上并不占很大优势。 [事实] 但如果看基础设施、底层芯片、模型和产品串联起来的全栈能力，Google 在大厂中有独特性。 [事实] 主播认为，Google 能把 One Google 讲下去，是因为它连底层算力都掌握在自己手里。 [推测] Google Cloud 的差异化不只来自云市场份额，而来自 AI 时代从芯片到应用的组合能力。

[11:26] 从 Pilot 到 Gemini Enterprise Agent Platform

[事实] Google Cloud CEO Thomas Kurian 在 Keynote 中表达过类似观点：AI Pilot 的时代结束了，Agent 的时代到来了。 [事实] 节目提到今年核心发布之一是 Gemini Enterprise Agent Platform，即企业级 Agent 平台。 [事实] 主播说，这个方向不再以训练模型为中心，而是管理和编排不同 Agent。 [事实] 节目还提到 TPU8 分为推理和预训练两个独立芯片，资本支出预计达到 175 亿到 185 亿美元。 [推测] Google 正在把 AI 从“试用项目”包装成企业基础设施和管理平台。

[13:31] 企业问题从构建 Agent 变成管理 Agent

[事实] 主播说，去年现场很多问题是“能不能做一个 Agent”“怎么 build up 一个 Agent”。 [事实] 今年企业的问题变成“怎么管理手里的几千个 Agent”。 [事实] 节目提到，A2A 协议的合作伙伴从去年的 50 多个增加到接近 150 个。 [事实] Pichai 在会上提到，Google 内部 75% 的新代码由 AI 生成，去年同期是 25%。 [推测] 企业对 Agent 的关注已经从能力验证转向组织治理、规模化协作和生产效率。

[15:26] Agent First 与 Problem First

[事实] 主播采访了 Google 的开发者关系负责人，他负责教育开发者，并经常与大量开发者沟通。 [事实] 他认为 Agent 不是新的 chatbot，而是一种新的思考方式和工作方式。 [事实] 节目总结说，开发方式正在从 code first 转向 agent first，再转向 problem first。 [事实] 嘉宾举例说，可以让两个 coding agent 使用不同模型相互批评、协同改进代码。 [推测] 开发者的核心价值正在从直接写代码，转向定义问题、设计流程和判断 AI 输出质量。

[17:42] Agent Fleet 和日常自动化

[事实] 节目提到 Agent Fleet 的概念，即不是一个 Agent 解决所有问题，而是多个 Agent 协同工作。 [事实] 嘉宾说自己的团队内部已经长期使用 Agent 平台，并先内部测试，再给客户使用。 [事实] 他提到团队会用 Agent 自动更新状态、追踪事项、处理每周重复任务。 [事实] 他表示能看出团队里谁在用 AI、谁没有用 AI。 [推测] Agent 的实际价值不只在写代码，也在消除大量重复、低价值的日常工作。

[19:08] 人的判断比写代码速度更重要

[事实] 主播认为，开发者价值已经不只是写代码速度，而是定义问题、判断 AI 方案是否合适。 [事实] 节目提到韩国 PUBG 母公司相关案例，称其老板没有采纳管理和法务团队建议，而听从 AI，最后在诉讼中败诉。 [推测] 节目用这个案例提醒，AI 可以辅助决策，但不能替代人的专业判断和责任承担。

[20:48] 企业落地面临能力悬崖

[事实] 主播说，虽然 Keynote 展示了 Google 与维京、Home Depot 等大企业的应用，但她们更关心企业内部如何真正跑起来。 [事实] 节目提到 Capability Overhang，即 AI 技术能力已经超过许多企业实际使用能力。 [事实] 很多企业仍停留在 Proof of Concept 阶段，不断做 Demo，但没有真正进入生产。 [推测] 今年行业最关键的问题不是模型还能不能更强，而是企业能否把已有能力转化成业务流程和收益。

[22:14] AI 原生公司和传统企业的两类落地

[事实] Jenny 孙提到，一类走得快的是 AI 原生创业公司，能快速利用大厂芯片、全栈方案和模型能力创新。 [事实] 她举例说，有公司在访谈会议洞察等细分场景中，结合 prompt 和模型能力，短时间实现上亿美元营收。 [事实] 另一类是互联网大厂或传统企业，用 AI 打开新市场、提供新的增值服务。 [事实] 主播总结，AI 原生公司更容易从新业务切入，传统企业则有数据和场景，但需要把 AI 整合进现有系统。 [推测] 传统企业的 AI 机会更依赖组织流程改造，而不只是采购工具。

[24:10] 传统企业的两条路径

[事实] 主播提到，银行、零售、制造等传统行业体量大、工作流长，把 AI 嵌入其中更吃力。 [事实] Jenny 孙提到两条路径：一是内部提效，例如自动化客服、安全检测、生成内部复杂报告。 [事实] 第二条路径是开辟新市场，用 AI 做过去人手不够或做不到的事情。 [事实] 主播也指出，AI 落地仍然有很多障碍。 [推测] 对传统企业来说，AI 的价值既可能来自降本增效，也可能来自新收入，但两者都需要高层推动。

[25:00] 落地障碍：战略决心与安全治理

[事实] 主播认为，企业 AI 无法落地不只是技术问题，还涉及 C-Level 的战略决心。 [事实] 安全是另一大问题：CTO 会担心系统瘫痪、数据丢失、安全事故和责任归属。 [事实] Google 在 Next 大会上重点推出了安全解决方案 Agentic Defense，并整合了 Wiz。 [事实] 节目提到 Agent 需要可观察性，也需要类似密码学身份的单独 ID。 [推测] Agent 要进入金融等高监管行业，权限、身份、审计和治理能力会和模型能力同等重要。

[27:20] 全栈策略的另一面：广而不深

[事实] 现场受访者新霞认为，Google 野心很大，想覆盖 Agent 构建、扩展等全流程。 [事实] 她批评 Google 这次发布的新东西创新不多，更像是知道 Agent Infra 有哪些层面，然后发布产品覆盖这些层面。 [事实] 她认为 Anthropic 的分享更 practical、更细节、更实用，而 Google 的演讲更务虚。 [事实] 主播总结说，全栈的另一面就是“什么都能 cover 一点，但什么都讲得不是很深”。 [推测] Google 的广度适合需要一站式方案的企业，但可能不如垂直创业公司在具体问题上深入。

[28:56] 一站式方案对创业公司有价值

[事实] Google Cloud 北亚区初创生态负责人 Warren 表示，全套方案的价值在于客户只需要找一家服务商，就能解决模型、Infra 等多类问题。 [事实] 主播认为，这体现了深度与广度、专精与整合、大厂与创业公司的差异。 [事实] 主播说，创业公司往往需要在单点做到 95 分，用户才会选择；大公司做到七八十分，客户可能因为迁移成本而继续使用。 [推测] 大厂平台的优势不一定是每个点最强，而是降低采购、集成和支持成本。

[30:01] 大厂往上吃，创业公司寻找新位置

[事实] 主播提出问题：当 Google、AWS、Microsoft 都覆盖 Agent 平台和工作流能力时，创业公司还有没有机会。 [事实] 节目提到 Google 有 Google Enterprise，AWS 有 Agent Core，Microsoft 借 Office 分发做 Copilot Studio。 [事实] 主播认为，大厂从模型层往服务层、Workflow 层推进，每往上做一层，意味着下层更成熟。 [推测] 通用 Agent 平台和通用工作流工具会越来越容易被大厂覆盖，创业公司需要避开过于平台化的战场。

[30:56] Reno 的创业判断：数据飞轮和业务结果

[事实] Reno 说他的公司从 user-approved AI 转向更专注的电商方向，是因为判断 coding agent 会往上覆盖原本的空间。 [事实] 他认为创业公司不能避免大模型和平台不断往上做 service、tool 和 workflow automation。 [事实] 他认为创业公司的机会在于把客户数据飞轮做深，让用户越用价值越大。 [事实] 他还强调，客户不会再只买工具，而是买 business outcome。 [推测] 创业公司更适合做贴近业务、能直接对结果负责的解决方案，而不是通用中间层。

[32:49] Service as a Software

[事实] Reno 提到从 Software as a Service 转向 Service as a Software。 [事实] 主播解释说，创业公司不应只卖 SaaS 工具，而要卖结果。 [事实] 也就是说，不管用 multi-agent、单个 agent 还是其他手段，关键是持续解决具体业务问题。 [事实] 主播说客户其实不一定关心背后使用了什么技术。 [推测] AI 创业的商业模式可能从“订阅工具”转向“交付服务结果并按价值收费”。

[33:50] Day One 收费与全球市场

[事实] Warren 认为，现在 AI 创业公司 day one 就要开始收费，day one 就要看全球市场。 [事实] 他认为美国机会更多在底层和企业级 workflow，中国更有 To C 经验，欧洲介于两者之间。 [事实] Warren 说 AI 时代推动创业者离钱更近，收费和转化率变得更重要。 [事实] 他观察到很多中国 AI 创业者一开始就做 global，因为更重视付费和高收入市场。 [推测] AI 降低了产品构建成本，也让创业公司更早面对商业化和国际化压力。

[35:11] 差异化来自 Taste、数据和行业 Know-how

[事实] Warren 认为，当基础模型能力越来越接近时，产品好坏更取决于 product design、taste、用户数据质量和 domain know-how。 [事实] 他指出，过去好模型可以弥补产品和数据上的不足，但模型能力趋同后，这些前端能力更重要。 [事实] 主播总结，Reno 的 data flywheel 和 Warren 的 domain knowledge 其实指向同一件事。 [推测] 模型不再是唯一壁垒后，懂行业、懂用户、拥有高质量专有数据的团队更可能形成差异化。

[36:00] 从人的困境转向人的机会

[事实] 节目结尾回顾，本期覆盖了 Google 发布亮点、全栈策略、落地机会和落地困难。 [事实] 主播引用高飞转述李飞飞的话：不要总看 AI 时代人的困境，也要多谈人的机会。 [事实] 主播提到硅谷有两种极端论调：一种是 AI 取代所有人的末日论，另一种是 AI 带来无限繁荣的加速主义。 [推测] 节目倾向于认为真实情况在两种极端之间，人需要在技术变化中重新定位自己的价值。

[37:01] 技术跃迁中的 Massive Moment

[事实] 主播提到，过去软件可能一年更新六次，更早时软件还印在光盘里出售。 [事实] 现在软件一天迭代十次甚至更多都成为可能。 [事实] 主播认为，每次技术跃迁都会有一个 massive moment，而这次 AI 的 massive moment 可能正在过去或接近过去。 [推测] 当 AI 从震撼期进入落地期，行业关注点会从“惊奇”转向“如何持续创造价值”。

[38:02] 大会是观察技术、产品和组织变革的窗口

[事实] 主播认为，这次 Next 大会不只是产品发布会，也像一个观察窗口。 [事实] 她们从中看到技术、产品、商业和组织变革如何交织在一起。 [事实] 节目最后提醒听众，本期也有视频版本，包含许多现场画面。 [推测] 本期的价值不在于逐条复述发布清单，而在于把 Google 的战略、企业落地和创业机会放在同一张图里观察。

播客点评/总结

本期的亮点是现场感强，不只是转述 Google 发布，而是结合大会观察、现场访谈和创业者反馈，去解释 Google 为什么不只是“赌模型”，而是押注芯片、云、办公套件、企业数据和 Agent 平台的整体协同。

节目对 Agent 的讨论比较完整：既讲了从 Pilot 到规模采用的趋势，也讲了企业真正落地时会遇到的战略、安全、权限、治理和组织问题。它没有把 Agent 简化成单个产品，而是把它放进企业工作流和开发方式变化中理解。

[推测] 局限在于，节目主要基于大会现场和受访者观察，对 Google 具体产品能力的横向评测不多；例如哪些发布真正可用、与 AWS 或 Microsoft 的差距在哪里，转录稿中没有展开验证。

[推测] 这期适合关注 AI 企业落地、Agent 平台、云厂商战略和 AI 创业方向的人收听；如果只想了解 Google 发布清单，可能会觉得节目更偏行业分析而不是新闻速览。