Google AI逆袭之路：从嘲讽到膜拜

回顾过去一个月，人们很难将今日科技界的Google与2023年因Bard「翻车」而遭受全球科技圈嘲讽的Google联系起来。

11月18日，Google发布了新一代大模型Gemini 3，凭借惊人的实力超越了更大模型。基于Gemini 3 Pro的Nano Banana Pro进一步巩固了Google在AI生成图像领域的领导地位，也让OpenAI倍感「焦虑」。

不仅如此，Gemini 3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，甚至Meta也被传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。」

Anthropic（Claude）也宣布了最新一批百万级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，这一切的成就不仅源于从Gemini 2.5到Gemini 3的「模型胜利」，更在于Google体系的胜利。长久以来被视为「太慢」「太重」的Gemini、TPU、Google Cloud、Android、Google Search战略，如今显得极具压迫力。

行业态度发生了显著变化。过去流行的论调是Google老了、官僚化了，而现在则几乎是反向情绪：Google节奏稳定、产品线统一、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。

然而，真正戏剧性的并非今日掌声，而是与过去的巨大反差。两年前，Google还在为Bard的「翻车」公开道歉，被视为大模型时代最典型的失败案例之一。如今，同一家公司却成为最受追捧的对象。

从被群嘲到被追捧，Google是如何做到的？

被ChatGPT打醒，但路线从未改变

2022年底的ChatGPT如同一声惊雷，而这声雷劈醒最彻底的恰恰是设计开发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。Google内部反应激烈，搜索团队紧急成立「Code Red」应急小组，DeepMind与Google Brain反复讨论路线，管理层连续加班开会。内部邮件弥漫着压力和紧迫感：

「再慢将被历史淘汰。」

在这种背景下，Bard仓促上线，问题频出，甚至因一条错误回答导致市值狂跌千亿美元。社交媒体和科技圈质疑Google「尚能饭否」？当时更关键的是背后许多人的行业判断：

Google失去节奏感，躺在功劳簿上，被OpenAI打得措手不及。

这是「Google掉队论」的起点。但真正反转的是，Google在最被看衰的时间段并未换路线。从2016年起，Google宣布「AI-first」（AI优先），并持续投入业内最重、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，还自研AI芯片（TPU），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上的海量多模态训练素材。这些看似「不性感」「非爆发式」的长期工程，在ChatGPT的巨大冲击下并未被抛弃。

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。因此，在经历ChatGPT的冲击和Bard的失败后，Google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整合为一支。由曾经主导开发AlphaGo的DeepMind创始人Demis Hassabis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，但直到这次重组才第一次真正「力出一孔」。

与此同时，Google过去十年打下的底座开始显露出价值。TPU本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训练。当大模型时代到来时，这种优势恰好成为行业变量，也是Google与其他大模型厂商的核心差异之一。

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也把自家芯片用于外部大规模商用。从本地训练、云部署到现在的专线算力、TPU@Premises等方案，一步步提升自家云的含金量。

从Bard到Gemini，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」，恰恰是因为它在为这条统一路线铺底而不是没有方向。

体系的成形最终要落地到产品上才能证明价值。在Bard失败后，Google可能意识到模型的核心价值及生成式AI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AI预览还在早些时候上线了AI Mode。Pixel手机也是Google AI化改造的主力。云端和设备端不同尺寸、不同设计目的的Gemini模型在影像、翻译、信息处理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作为原生AI应用的代表代表了探索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更轻、更快、更自由的方向。

可以说过去十年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整合成一套体系。这看似笨重缓慢但在模型能力、算力底座和产品矩阵汇合时突然具备难以复刻的整体性。

阿里、百度能否实现Google式『反转』？

如果把国内这两年大模型的竞争放在同一坐标系里会发现豆包的领先已彻底甩开了身后所有追赶者。

QuestMobile的数据显示今年第三季度豆包App的月活已冲到 今年第三季度豆包App的月活已达