Google AI逆袭：从嘲笑到追捧，揭秘其崛起之路

回顾过去一个月，很难想象这是那个2023年因Bard「翻车」而被全球科技圈嘲笑的Google。

上周（11月18日），Google发布了新一代大模型Gemini 3，以惊人的实力碾压了更大模型。基于Gemini 3 Pro的Nano Banana Pro更是巩固了Google在AI生成图像领域的「王座」，也让OpenAI更加「焦虑」。

不仅如此，Gemini 3也彻底扭转了「Google掉队论」。自研TPU被视为英伟达算力霸权的最大变量，Meta甚至传出正在评估大规模采购TPU，导致英伟达股价下跌近7%。随后，英伟达官方也在X（原Twitter）上发文称：

「我们为谷歌的成功感到高兴——他们在AI领域取得了重大进展，而我们也将继续向谷歌（云）提供产品。」

与此同时，Anthropic（Claude）也宣布了最新一批百万级的Google TPU订单。OpenAI联合创始人、前首席科学家Ilya Sutskever新创立的SSI也在年初选择了Google TPU作为算力来源。

坦白说，这一切不仅因为从Gemini 2.5到Gemini 3的「模型胜利」，更因为Google身上的另一种叙事——体系的胜利。Gemini、TPU、Google Cloud、Android、Google Search这套长期被认为「太慢」「太重」的策略，突然显得有了压迫力。

行业态度的变化尤为明显。今年以前，流行论调是：Google老了、官僚化了。如今却几乎是反向情绪：Google的节奏稳了、产品线统一了、技术底座终于显露威力。甚至有分析师将Google称为「醒来的巨人」，暗示这家公司可能正在重新定义整个产业的技术路线。

真正让人感到戏剧性的不是今天的掌声，而是它与过去的落差。两年前，Google还在为Bard的「翻车」公开道歉，被视为大模型时代失败的典型。而如今，同一家公司却成了最受追捧的那一个。

从被群嘲到被追捧，Google到底是怎么做到的？

被ChatGPT打醒，但路线从未改变

2022年底的ChatGPT如同一声惊雷，被这声雷劈醒最彻底的，恰是设计开发Transformer架构、当时如日中天的Google。

基于Transformer架构和Scaling Law（扩展法则），GPT-3.5的横空出世让全球首次意识到通用大模型的潜力。而Google内部的反应比外界猜测得更激烈，搜索团队紧急成立「Code Red」应急小组，DeepMind与Google Brain在内部反复讨论路线，管理层数周连续加班开会，甚至内部邮件里都弥漫着压力和窘境：

「如果再慢，我们会被历史淘汰。」

在这种背景下，Bard仓促上线，问题百出，甚至因错误回答导致市值狂跌千亿美元。社交媒体和科技圈都在质疑Google「尚能饭否」？至少在当时，更关键的还不是产品本身，而是背后很多人的行业判断：

Google失去了节奏感，躺在功劳簿上，被OpenAI打得措手不及。

这就是「Google掉队论」的起点。但真正反转的是，Google在最被看衰的那段时间，并没有换路线。从2016年起，Google就宣布「AI-first」（AI优先），并在那之后持续投入了一条业内最重、最系统的「全栈式AI」路线：

不仅作为全球第三大云计算厂商运营遍布全球的数据中心，自研AI芯片（TPU），还自主训练大模型，甚至开发AI应用（如Nano Banana、NotebookLM）。

更不用说，Google还有全球规模最大的搜索场景、Google Photos、YouTube上海量的多模态训练素材。这些看似「不性感」「非爆发式」的长期工程，在ChatGPT的巨大冲击下并没有被抛弃。

掉队不是方向错，而是路线太长。既然路线正确，那就不能换，而是要加码。所以Google在经历ChatGPT的冲击和Bard的失败后，也经历了最猛烈的调整期。

「Google式全栈」：十年投入，一朝兑现

首先是当年被认为「不可能」的事情发生了。2023年4月，Google Brain与DeepMind合并为一个统一团队，两支全球最强的研究力量被强行揉成一支，路线和节奏由曾经主导开发AlphaGo的DeepMind创始人Demis Hassabis（杰米斯·哈萨比）统一指挥。

对外的说法是「统一资源」，但业内都知道，这背后真正清理掉的是Google内部长期存在、几乎无法调和的路线分歧和组织壁垒。AI-first战略喊了很多年，但直到这次重组，它才第一次真正「力出一孔」。

与此同时，Google过去十年一点点打下的底座开始显露出价值。TPU本来就是为谷歌自身服务的芯片，先是给搜索和广告做推理加速，然后逐步支撑内部模型的训练。当大模型时代到来，这种优势恰好成为了一个行业变量，也是Google与其他所有大模型厂商最核心的差异之一。

尤其是在ChatGPT之后，TPU v5、v6、v7（Ironwood）的节奏明显加快、加大。从Anthropic开始，Google也开始把自家芯片拿出去做外部大规模商用，从本地训练、云部署到现在的专线算力、TPU@Premises等方案，一步一步抬升自家云的含金量。

而从Bard到Gemini，本质上还伴随着一次「架构统一工程」：从跑在Pixel和Chrome上的Gemini Nano到侧重吞吐和延迟的Gemini Flash再到最强的Gemini Pro背后都共享同一套架构、训练方法和评测体系。

这套统一后的体系让Gemini 2.5在推理和多模态上重返第一梯队也让Gemini 3能在视觉、语音、文本和代码理解上全面进化。过去被嘲笑的「慢」恰恰来自于它为这条统一路线铺底而不是没有方向。

体系的成形最终还是要落地到产品上才能证明价值。在Bard的失败后Google可能也意识到模型的核心价值以及盲目生成式AI化的问题选择了一条不同优先级的路线。

最激进的突破是搜索不仅支持了AI预览还在早些时候下定决心正式上线了AI Mode。Pixel手机也是Google AI化改造的另一个主力云端和设备端不同尺寸、不同设计目的的Gemini模型也在影像、翻译、信息处理以及语音助手体验上带来质的改变Magic Cue智能信息提示更是手机AI化的关键方向之一。

不同于已有产品和服务的AI化改造NotebookLM和Nano Banana作为今天原生AI应用的代表代表了Google探索AI时代的另一种路径。一个重构了学习与知识管理一个把视觉生成推向了更轻、更快、更自由的方向。

过去差不多十年Google把芯片、模型、云基础设施、搜索规模、移动端生态、视频和图像数据全部捏成了一套体系。这看上去笨重、缓慢但当模型能力、算力底座和产品矩阵在同一条路径上汇合时也突然具备了别人难以复刻的整体性。