Google AI編年史：從搜索巨頭到創新者困境的25年

今天聽完了Acquired.fm播客發布的《Google: The AI Company》完整音頻，整整四個小時，信息密度極高，非常震撼。這期節目用25年的時間跨度，完整還原了Google如何匯聚全球最頂尖的AI人才、發明了Transformer這個改變世界的技術，卻眼看著自己培養的人才創建OpenAI和Anthropic，最終陷入史上最經典的創新者困境。

聽完后我整理了這份詳細的編譯，希望能幫你理解這個科技史上最引人入勝的案例。

史上最經典的創新者困境

想象這樣一個場景：

你擁有一家極其賺錢的公司，在全球最大的市場之一中占據90%的份額，被美國政府認定為壟斷企業。然后，你的研究實驗室發明了一項革命性技術——這項技術比你現有的產品在大多數應用場景中都要好得多。

出于"純粹的善意"，你的科學家們將研究成果發表了出來。很快，創業公司們開始基于這項技術構建產品。

你會怎么做？當然是全力轉向新技術,對吧?

但問題是：你還沒有找到讓這項新技術像舊業務那樣賺錢的方法。

這就是今天的Google。

2017年，Google Brain團隊發表了Transformer論文——這篇論文催生了OpenAI的ChatGPT、Anthropic、以及NVIDIA市值的暴漲。整個AI革命都建立在Google的這一項發明之上。

更令人驚訝的是：10年前，幾乎所有AI領域的頂尖人才都在Google工作——Ilya Sutskever（OpenAI首席科學家）、Dario Amodei（Anthropic創始人）、Andrej Karpathy（前Tesla AI負責人）、Andrew Ng、所有DeepMind創始人...

這就像在計算機時代的黎明，IBM雇傭了全世界每一個會編程的人。

今天,Google依然擁有最好的AI資產組合：頂級模型Gemini、年收入500億美元的云服務、唯一可與NVIDIA GPU抗衡的TPU芯片、以及全球最大的搜索流量入口。

但問題依然存在：Google應該如何抉擇？是冒險全力投入AI，還是保護搜索廣告這棵搖錢樹？

讓我們回到故事的起點，看看Google如何走到今天這一步。

關鍵時間線第一章：起源（2000-2007）

微廚房里的對話改變了一切

故事要從2000年或2001年的某一天說起。

在Google的某個微廚房（micro kitchen）里，三個工程師正在吃午餐：Google最早的10名員工之一George Herrick、著名工程師Ben Gomes，以及新入職的Noam Shazeer。

George隨口說了一句改變歷史的話：

"我有個理論——壓縮數據在技術上等同于理解數據。"

他的邏輯是：如果你能把一段信息壓縮成更小的形式存儲，然后再還原成原始形態,那么執行這個過程的系統一定"理解"了這些信息。就像學生學習教科書，在大腦中存儲知識，然后通過考試證明理解了內容。

年輕的Noam Shazeer停下了手中的動作："哇，如果這是真的，那太深刻了。"

這個想法預示了今天的大型語言模型——將全世界的知識壓縮到幾TB的參數中，然后"解壓"還原出知識。

PHIL的誕生：第一個語言模型

接下來的幾個月里,Noam和George做了一件最"Google"的事情：他們停下了所有其他工作，全身心投入研究這個想法。

這恰好是2001年Larry Page解雇了所有工程經理的時期——每個人都在做自己想做的事。

很多人覺得他們在浪費時間。但Sanjay Ghemawat（Jeff Dean的傳奇搭檔）說："我覺得這很酷。"

George的回應令人印象深刻："Sanjay認為這是好主意，而世界上沒人比Sanjay更聰明，所以為什么要接受你認為這是壞主意的觀點？"

他們深入研究自然語言的概率模型——對于互聯網上出現的任何詞序列，下一個詞序列出現的概率是多少？（聽起來是不是很熟悉？這就是今天LLM的基本原理。）

他們的第一個成果是Google搜索的"你是不是要找"拼寫糾正功能”。

然后他們創建了一個相對"大型"（在當時）的語言模型，親切地稱之為PHIL（Probabilistic Hierarchical Inferential Learner，概率層次推理學習器）。

Jeff Dean的周末項目

2003年，Susan Wojcicki和Jeff Dean準備推出AdSense。他們需要理解第三方網頁的內容，以便投放相關廣告。

Jeff Dean借用了PHIL，用一周時間寫出了AdSense的實現（因為他是Jeff Dean）。

Boom，AdSense誕生了。這為Google一夜之間帶來了數十億美元的新收入——因為他們把原有的AdWords廣告投放到了第三方網頁上，瞬間擴大了庫存。

Jeff Dean傳奇時刻

在那個"Chuck Norris Facts"流行的年代，Google內部流行起了"Jeff Dean Facts"：

• 真空中的光速曾經是每小時35英里，直到Jeff Dean花了一個周末優化了物理學。

• Jeff Dean的PIN碼是圓周率的最后四位數字。

• 對Jeff Dean來說，NP問題意味著"No Problemo"（沒問題）。

到2000年代中期，PHIL已經占用了Google數據中心15%的基礎設施——用于AdSense廣告投放、拼寫糾正等各種應用。

第二章：黃金十年（2007-2012）

從12小時到100毫秒的奇跡

2007年，Google推出了翻譯產品。首席架構師Franz Och參加了DARPA（美國國防高級研究計劃局）的機器翻譯挑戰賽。

Franz構建了一個更大的語言模型，在兩萬億詞的Google搜索索引上訓練，取得了天文數字般的高分。

Jeff Dean聽說后問："太棒了！你們什么時候上線？"

Franz回答："Jeff，你不明白。這是研究項目，不是產品。這個模型翻譯一個句子需要12小時。"

DARPA挑戰賽的規則是：周一給你一組句子，周五提交翻譯結果。所以他們有足夠時間讓服務器運行。

Jeff Dean的回應是："讓我看看你的代碼。"

幾個月后，Jeff重新架構了算法，讓它可以并行處理句子和單詞。因為翻譯時不一定需要按順序處理——可以把問題分解成獨立的部分。

而Google的基礎設施（Jeff和Sanjay基本上參與構建了）極其擅長并行化——可以把工作負載分解成小塊，發送到各個數據中心，然后重新組裝返回給用戶。

結果：平均翻譯時間從12小時降到了100毫秒。

然后他們在Google翻譯中上線了這個模型，效果驚人。

這是Google在產品中使用的 第一個"大型"語言模型 。

斯坦福AI實驗室的秘密

2007年4月，Larry Page從斯坦福挖來了Sebastian Thrun——斯坦福人工智能實驗室（SAIL）的負責人。

有趣的是，Sebastian幾乎是被"收購"進來的——他和幾個研究生正在創業，已經拿到了Benchmark和Sequoia的term sheet。Larry直接說："不如我們用簽字費的形式收購你們還未成立的公司？"

SAIL不僅匯聚了世界上最優秀的AI教授，還有一批斯坦福本科生在那里做研究助理。

其中一位是Meta的首席產品官 Chris Cox 。

另一位大一大二學生后來輟學了，參加了YC 2005年夏季第一批，創辦了一個失敗的本地移動社交網絡...

那就是Sam Altman，公司叫Loopt。

是的，Sam Altman曾在SAIL做研究，還在WWDC上和喬布斯同臺展示，穿著雙層翻領襯衫——那是不同的科技時代。

Google X與Google Brain的誕生

Sebastian加入Google后，首個項目是 Ground Truth ——重新創建所有地圖數據，擺脫對Tele Atlas和Navtech的依賴。

這個項目非常成功。Sebastian開始游說Larry和Sergey：

"我們應該大規模做這件事——把AI教授們引入Google做兼職。他們可以保留學術職位，來這里參與項目。他們會喜歡的——看到自己的工作被數百萬人使用，賺錢，拿股票，還能繼續當教授。"

Win-win-win。

2007年12月，Sebastian邀請多倫多大學一位相對不知名的機器學習教授Geoff Hinton來Google做技術演講——談談他和學生們在神經網絡方面的新工作。

Geoff Hinton，現在被稱為"神經網絡教父"，在當時是邊緣學者。 神經網絡不受尊重——30-40年前的炒作已經破滅。

有趣的冷知識：Geoff Hinton是 George Boole的曾曾孫 ——布爾代數和布爾邏輯的發明者。諷刺的是，布爾邏輯是符號化、確定性的計算機科學基礎，而神經網絡恰恰相反——是非確定性的。

Geoff和前博士后Yann LeCun一直在傳播：如果我們能實現多層深度神經網絡（深度學習），就能實現這個領域的承諾。

到2007年，摩爾定律的發展讓測試這些理論成為可能。

Geoff的演講在Google引發轟動——這可以讓他們的語言模型工作得更好。Sebastian把Geoff引入Google，先是顧問，后來Geoff在2011-2012年左右成為Google的 暑期實習生 ——當時他已經60歲了。

到2009年末，Sebastian、Larry和Sergey決定成立一個新部門：Google X，登月工廠。

第一個項目Sebastian自己領導（我們稍后再說）。

第二個項目將改變整個世界——Google Brain。

Google Brain：Distbelief與貓論文

Andrew Ng接任SAIL負責人后，也被Sebastian招募來兼職。

2010-2011年間的某天，Andrew在Google園區碰到了Jeff Dean。他們討論了語言模型和Geoff Hinton的深度學習工作。

他們決定：是時候在Google高度并行化的基礎設施上，嘗試構建一個真正大型的深度學習模型了。

2011年，Andrew Ng、Jeff Dean和神經科學博士Greg Corrado三人啟動了Google X的第二個官方項目： Google Brain 。

Jeff為此構建了一個系統，命名為 Distbelief ——既是雙關"分布式"（distributed），也是"難以置信"（disbelief），因為大多數人認為這不會成功。

技術突破：異步分布式學習

當時所有研究都認為需要 同步 訓練——所有計算需要密集地在單機上進行，就像GPU那樣。

但Jeff Dean反其道而行之：Distbelief在大量CPU核心上分布式運行，可能跨越整個數據中心，甚至不同數據中心。

理論上這很糟糕——每臺機器都需要等待其他機器同步參數。

但Distbelief采用 異步更新 ——不等待最新參數，基于過時數據更新。

理論上不應該有效。但它成功了。

改變世界的貓論文

2011年底，他們提交了一篇論文：《使用大規模無監督學習構建高級特征》——但所有人都叫它 "貓論文"（Cat Paper） 。

他們訓練了一個九層神經網絡，使用16,000個CPU核心（跨1000臺機器），從YouTube視頻的未標注幀中識別貓。

Sundar Pichai后來回憶說，看到貓論文是他在Google歷史上最關鍵的時刻之一。

后來的TGIF（全員大會）上展示這個結果時，所有Google員工都意識到："天啊，一切都變了。"

貓論文的商業影響

Jeff Dean的描述：

"我們構建的系統在1000萬個隨機YouTube幀上進行無監督學習。經過一段時間訓練后，模型在最高層構建了一個表示—— 有一個神經元會對貓的圖像興奮。它從未被告知什么是貓，但它見過足夠多的貓正面照片，那個神經元就會為貓點亮，基本不為其他東西點亮。 "

這證明了：大型神經網絡可以在沒有監督、沒有標注數據的情況下學習有意義的模式。

而且可以在Google自己構建的分布式系統上運行。

YouTube的問題是： 人們上傳視頻，但不擅長描述視頻內容。推薦系統只能基于標題和描述。

貓論文證明，可以用深度神經網絡"看懂"視頻內部的內容，然后用這些數據決定推薦什么視頻。

這導致了YouTube的一切。 讓YouTube走上了成為全球最大互聯網資產和最大媒體公司的道路。

從2012年到2022年ChatGPT發布，AI已經在塑造我們所有人的存在，驅動著數千億美元的收入。

它在YouTube feed中，然后Facebook借鑒了（他們雇傭Yann LeCun成立Facebook AI Research），然后到Instagram，然后TikTok和字節跳動采用，然后回到Facebook和YouTube的Reels和Shorts。

這是接下來10年人類在地球上度過閑暇時間的主要方式。

重要觀點：AI時代始于2012年

所有人都說2022年后是AI時代。但對于任何能充分利用推薦系統和分類系統的公司來說，AI時代始于2012年。

第三章：大爆炸時刻（2012-2017）

AlexNet：深度學習的"宇宙大爆炸"

2012年，除了貓論文，還有Jensen（NVIDIA CEO）所說的"AI大爆炸時刻"： AlexNet 。

回到多倫多大學，Geoff Hinton有兩個研究生：Alex Krizhevsky和 Ilya Sutskever （未來OpenAI的聯合創始人和首席科學家）。

三人用Geoff的深度神經網絡算法參加著名的 ImageNet競賽 ——斯坦福李飛飛組織的年度機器視覺算法競賽。

李飛飛組建了1400萬張手工標注圖像的數據庫（用Amazon Mechanical Turk標注）。

競賽內容是：哪個團隊能寫出算法，在不看標簽的情況下——僅看圖像——最準確地預測標簽？

GPU的關鍵作用

多倫多團隊去本地百思買（Best Buy）買了兩塊 NVIDIA GeForce GTX 580顯卡 ——當時NVIDIA的頂級游戲卡。

他們用NVIDIA的編程語言CUDA重寫神經網絡算法，在這兩塊現成的GTX 580上訓練。

結果：他們比任何其他參賽者好40%。

這就是AlexNet——引發深度學習革命的時刻。

第一次AI拍賣

三人做了很自然的事：成立公司 DNN Research（Deep Neural Network Research） 。

這家公司沒有產品。只有AI研究人員。

可以預見的是，它幾乎立即被收購了——但有個有趣的故事：

第一個出價的實際上是 百度 。Geoff Hinton做了任何學者都會做的事來確定公司的市場價值：

"非常感謝。我現在要舉辦一場拍賣。"

他聯系了百度、Google、微軟和DeepMind。拍賣以 4400萬美元 結束， Google贏得 。團隊直接加入Google Brain。

幾年后，負責Google X的Astro Teller在《紐約時報》上被引用說：

"Google Brain為Google核心業務（搜索、廣告、YouTube）帶來的收益，已經遠超Google X和整個公司多年來所有其他投資的總和。"

DeepMind：AI界的YouTube收購

但Google的AI故事還有另一個重要部分——一次外部收購，相當于Google AI領域的YouTube收購： DeepMind 。

2014年1月，Google花5.5億美元收購了一家倫敦的不知名AI公司。人們困惑：Google在倫敦買了個我從未聽說過的做AI的東西？

事實證明，這次收購是蝴蝶煽動翅膀的時刻，直接導致了OpenAI、ChatGPT、Anthropic，基本上導致了一切。

DeepMind的起源

DeepMind成立于2010年，由神經科學博士 Demis Hassabis （之前創辦過視頻游戲公司）、倫敦大學學院的 Shane Legg ，以及第三位聯合創始人 Mustafa Suleyman 共同創立。

公司標語："解決智能，然后用它解決一切。"

Founders Fund領投了約200萬美元的種子輪。后來Elon Musk也成為投資人（經過一次關于AI風險和火星的對話）。

收購大戰

2013年底，Mark Zuckerberg打電話來要收購。但Demis堅持要獨立性和特定的治理結構，Facebook不同意。

Elon Musk提出用特斯拉股票收購，但希望他們為特斯拉工作，這不符合DeepMind的愿景。

Larry Page（據說在和Elon的飛機上）得知此事，與Demis建立了聯系。Demis感覺Larry理解使命。

經過談判，Google提供 5.5億美元 ，交易達成，建立了獨立的倫理委員會（包括PayPal黑幫的Reid Hoffman）。DeepMind團隊保持獨立，專注于AGI研究。

收購后進展順利，包括大幅節省運營成本（數據中心冷卻降低40%能耗），后來的AlphaGo震驚世界。

第四章：Transformer革命（2017）

改變一切的八人團隊

2017年，Google Brain團隊的八名研究人員發表了一篇論文。

Google本身的反應是："酷。這是我們語言模型工作的下一次迭代。很好。"

但這篇論文和它的發表，實際上給了OpenAI機會——接過球并奔跑，構建下一個Google。

因為這是Transformer論文。

從RNN到Transformer的演進

在Transformer論文之前，Google已經用神經網絡重寫了翻譯系統，基于 循環神經網絡（RNN） 和 LSTM ——當時的最先進技術，是巨大進步。

但持續研究發現了局限性——特別是一個大問題：它們太快"遺忘"上下文。

Google Brain內部團隊開始尋找更好的架構，既能像LSTM那樣不會太快忘記上下文，又能更好地并行化和擴展。

研究員 Jakob Uszkoreit 一直在探索拓寬語言處理中"注意力"（attention）范圍的想法。

如果不只關注緊鄰的詞，而是告訴模型：注意整個文本語料庫會怎樣？

Jakob開始合作，他們決定把這個新技術稱為 Transformer 。

Noam Shazeer的魔法

還記得Noam Shazeer嗎？早期語言模型PHIL的創造者，AdSense的關鍵人物。

Noam聽說這個項目后說："嘿，我在這方面有經驗。聽起來很酷。LSTM確實有問題。這可能有前途。我要加入。"

在Noam加入之前，他們有Transformer的工作實現，但實際上沒有比LSTM產生更好的結果。

Noam加入團隊，基本上"pull了一個Jeff Dean"—— 從頭重寫了整個代碼庫 。

完成后，Transformer現在 碾壓 了基于LSTM的Google翻譯解決方案。

而且他們發現：模型越大，結果越好。

他們發表了論文： 《Attention Is All You Need》 （注意力就是你所需要的一切）——明顯呼應披頭士經典歌曲。

Transformer產生最先進的結果，極其高效，成為GPT等的基礎。

截至2025年，這篇論文被引用超過173,000次，是21世紀被引用第7多的論文。

人才流失的開始

當然，在幾年內，Transformer論文的全部八位作者都離開了Google，要么創辦要么加入AI創業公司，包括OpenAI。

殘酷。

第五章：OpenAI的崛起（2018-2022）

GPT系列的誕生

2018年6月，OpenAI發表了一篇論文，描述他們如何采用Transformer，開發了一種新方法：

在互聯網大量通用文本上預訓練

然后將這種通用預訓練 微調 到特定用例

他們還宣布訓練并運行了這種方法的第一個概念驗證模型： GPT-1（Generatively Pre-trained Transformer version 1） 。

2019年，在第一次微軟合作和10億美元投資后，OpenAI發布 GPT-2 ——仍然早期但非常有前途。

2020年6月， GPT-3 問世。仍然沒有面向用戶的前端界面，但已經非常好。開始出現大量炒作。

之后，微軟再投資 20億美元 。

2021年夏天，微軟使用GPT-3發布 GitHub Copilot ——這是第一個，不僅是微軟產品，而是任何地方第一個將GPT融入的產品。

ChatGPT：改變游戲規則的時刻

到2022年底，OpenAI有了GPT-3.5。但仍有個問題：我該如何實際使用它？

Sam Altman說：我們應該做一個聊天機器人。這似乎是自然的界面。

一周內，內部就做出來了。他們只是把對ChatGPT 3.5 API的調用變成一個產品——你和它聊天，每次發送消息就調用GPT-3.5 API。

結果證明這是神奇的產品。

2022年11月30日，OpenAI推出GPT-3.5新界面的研究預覽版： ChatGPT 。

那天早上，Sam Altman發推："今天我們推出了ChatGPT。試試和它聊天：chat.openai.com"

• 不到一周：100萬用戶

• 一個月后（12月31日）：3000萬用戶

• 兩個月后（1月底）：1億注冊用戶——史上達到這一里程碑最快的產品

完全瘋狂。

第六章：Google的Code Red（2023-2025）

錯失的機會

諷刺的是，在ChatGPT之前，Google就有聊天機器人。

Noam Shazeer——那個不可思議的工程師，重新架構了Transformer，Transformer論文的主要作者之一，在Google擁有傳奇職業生涯——在Transformer論文發表后立即開始向Google領導層倡議：

"我認為Transformer將如此重大，我們應該考慮拋棄搜索索引和10個藍色鏈接模型，全力將整個Google轉變為一個巨大的Transformer模型。"

Noam實際上構建了一個大型Transformer模型的聊天機器人界面。

Google繼續研究Mina項目，發展成 Lambda ——也是聊天機器人，也是內部的。

2022年5月，他們發布了向公眾開放的 AI Test Kitchen ——一個AI產品測試區，人們可以試用Google的內部AI產品，包括Lambda聊天界面。

但有個限制：Google將Lambda Chat的對話限制在五輪。 五輪后，就結束了。謝謝。再見。

原因是：安全考慮。

存在威脅時刻

ChatGPT問世，成為史上最快達到1億用戶的產品。

對Sundar、Larry、Sergey、所有Google領導層來說，立即顯而易見：這是對Google的存在威脅。

ChatGPT是做Google搜索同樣工作的更好用戶體驗。

2022年12月，甚至在大規模推出之前但在ChatGPT時刻之后，Sundar在公司內部發布了Code Red（紅色警報）。

Bard的災難性發布

第一件事：他們把Lambda模型和聊天機器人界面拿出來，重新品牌為 Bard 。

2023年2月，立即發布，向所有人開放。

也許這是正確的舉動，但天啊，這是個糟糕的產品。

很明顯它缺少ChatGPT擁有的某種魔力——用人類反饋進行強化學習（RLHF）來真正調整響應的適當性、語氣、聲音、正確性。

更糟糕的是：在Bard的發布視頻中——一個精心編排的預錄視頻——Bard對其中一個查詢給出了不準確的事實回應。

Google股價單日暴跌8%，市值蒸發1000億美元。

5月，他們用Brain團隊的新模型 PaLM 替換Lambda。稍好一點，但仍然明顯落后于GPT-3.5。

而且2023年3月，OpenAI推出了 GPT-4 ——更好。

第七章：Gemini時代（2023至今）

Sundar的兩個重大決策

此時，Sundar做出了兩個非常非常重大的決定：

決策一：統一AI團隊

"我們不能再在Google內部有兩個AI團隊。我們要把Brain和DeepMind合并為一個實體：Google DeepMind。"

Demis Hassabis擔任CEO，Jeff Dean繼續擔任首席科學家。

決策二：一個模型統治一切

"我要你們去做一個新模型，我們只有一個模型。這將是Google所有內部使用、所有外部AI產品的模型。它將被稱為Gemini。不再有不同的模型，不再有不同的團隊。只有一個模型用于一切。"

這也是巨大的決定。

Gemini的快速發展

Jeff Dean和Brain的Oriol Vinyals與DeepMind團隊合作，開始研究Gemini。

后來當他們通過Character AI交易把Noam帶回來時，Noam加入Gemini團隊。現在Jeff和Noam是Gemini的兩位聯合技術負責人。

關鍵特性：Gemini將是多模態的——文本、圖像、視頻、音頻，一個模型。

時間線：

• 2023年5月：在Google I/O主題演講中宣布Gemini計劃
• 2023年12月：早期公開訪問
• 2024年2月：推出Gemini 1.5，具有100萬token上下文窗口
• 2025年2月：發布Gemini 2.0
• 2025年3月：一個月后推出Gemini 2.5 Pro實驗模式
• 2025年6月：GA（全面可用）

六個月構建、訓練、發布。瘋狂。

他們宣布Gemini現在有 4.5億月活躍用戶 。

AI全面整合

• AI Overviews（搜索AI概覽）：首先作為Labs產品推出，后來成為所有使用Google搜索的人的標準
• AI Mode：深度AI搜索模式
• 多模態生成工具：Veo（視頻）、Genie（游戲）等
• 企業應用：Google Workspace全面AI化

Bull Case（樂觀情景）：Google的優勢

1. 無與倫比的分發渠道

• 依然是全球"互聯網入口"

• 可以隨意引導流量（AI Overviews、AI Mode）

• Google搜索流量仍處于歷史高位

2. 全棧AI能力（獨一無二）

• 頂級模型：Gemini
• 自研芯片：TPU（唯一可與NVIDIA GPU抗衡的規模化AI芯片）
• 云基礎設施：Google Cloud（年收入500億美元）
• 自給自足的資金：不依賴外部融資

有人告訴我：如果你沒有基礎前沿模型或AI芯片，你在AI市場可能只是商品。Google是唯一兩者都有的公司。

3. 基礎設施優勢

• 私有數據中心間光纖網絡

• 定制化硬件架構

• 無人能及的規模

4. 數據與個性化潛力

• 海量個人和企業數據

• 可能實現深度個性化AI

• 1.5億Google One付費用戶且快速增長

5. 新市場機會

• Waymo自動駕駛

• 視頻AI

• 企業AI解決方案

• 遠超傳統搜索的應用邊界

6. 唯一自給自足的模型制造商

云廠商有自給自足的資金，NVIDIA有，但所有模型制造商都依賴外部資本——除了Google。

Bear Case（悲觀情景）：巨大挑戰

1. 變現難題

• AI產品形態不適合廣告

• 價值創造多，價值捕獲少

• Google在美國每用戶每年賺約400美元（搜索廣告）

• 誰會為AI付費400美元/年？只有很小一部分人

2. 市場份額下降

• 搜索市場占90%

• AI市場占多少？可能只有25%，最多50%

• 不再是主導者

3. 高價值場景流失

• AI正在蠶食最有價值的搜索場景

• 旅行規劃？現在用AI

• 不再點擊Expedia的廣告

4. 產品優勢不明顯

• 1998年Google推出時立即明顯是最優產品

• 今天絕對不是這樣

• 有4-5個同等優秀的AI產品

• Bard初版明顯劣質，現在只是"追平"

5. 失去生態支持

• 現在是在位者，不再是挑戰者

• 人們和生態系統不再像Google創業時那樣為它加油

• 也不像移動轉型時那樣

6. 人才流失

• Transformer八位作者全部離開

• 頂級AI人才持續流向OpenAI、Anthropic等

• 創業公司吸引力更大

戰略困境的本質

播客的核心觀點：

"這是有史以來最引人入勝的創新者困境案例。"

Larry和Sergey控制著公司。他們多次被引用說寧愿破產也不愿在AI上失敗。

但他們真的會嗎？

如果AI不像搜索那樣是個好生意——雖然感覺當然會是，當然必須是；僅僅因為它創造的巨大價值——如果不是，他們在兩個結果之間選擇：

• 實現我們的使命：組織世界信息，使其普遍可訪問和有用

• 擁有世界上最賺錢的科技公司

哪一個會贏？

因為如果只是使命，他們應該在AI模式上比現在激進得多，完全轉向Gemini。

這是一根非常難以穿過的針。

第九章：未來展望

Google正在做對的事情

"如果看所有大型科技公司，Google——盡管事情的開始看起來多么不太可能——可能是目前在AI上嘗試穿針引線做得最好的。"

"這對Sundar和他們的領導層來說令人難以置信地值得贊揚。"

他們在做艱難的決定：

• 統一DeepMind和Brain

• 整合并標準化為一個模型

• 快速發布產品

• 同時不做魯莽的決定

"快速但不魯莽（Rapid but not rash）。"

戰略建議

1. 繼續大膽整合

• 堅持Gemini統一戰略

• 保持快速迭代節奏

• 不要因短期壓力動搖

2. 探索新變現模式

• AI廣告新形式

• 個性化服務付費

• 企業解決方案深化

3. 激活創新文化

• 保持工程師創新DNA

• 延續"寧愿舍利潤也不輸AI"的初心

• 鼓勵內部實驗和冒險

4. 利用全棧優勢

• 硬件+模型+數據+分發的閉環

• 構建AI時代的平臺終局

• 基礎設施領先性轉化為產品優勢

5. 務實預期管理

• 不再追求"獨占性市場"

• 憑借規模優勢仍可長期勝出

• 接受多極競爭的新常態

6. 主動預判風險

• 警惕"溫水煮青蛙"

• 持續監控AI替代搜索的進度

• 戰略創新而非被動應對

25年前，Larry Page說：

"人工智能將是Google的終極版本。如果我們有終極搜索引擎，它將理解網絡上的一切，理解你想要什么，并給你正確的東西。這顯然是人工智能。我們現在還遠未做到。但我們可以逐步接近，這基本上就是我們在這里工作的內容。"

那是2000年。

今天，Google擁有世界上最好的AI模型之一、最強的AI芯片、最大規模的云基礎設施、以及數十億用戶的分發渠道。

但他們也面臨著有史以來最經典的創新者困境：

• 發明了改變世界的技術（Transformer）

• 看著自己培養的人才創建競爭對手（OpenAI、Anthropic）

• 擁有最好的資源卻被自己的成功束縛

• 必須在保護現金牛和擁抱未來之間做出選擇

這將是商業史上最引人入勝的案例研究之一。

Google能否成功穿過這根針？

能否在不犧牲搜索業務的情況下贏得AI時代？

能否證明在位者也可以主導下一個時代？

答案將在接下來幾年揭曉。

而無論結果如何，Google AI編年史已經告訴我們：

有時候，發明未來和擁有未來，是兩件截然不同的事。

關鍵時間線核心人物lovart制圖技術里程碑解釋lovart制圖

整理：周華香