📚 来源素材索引

AI 被定义为"类似移动互联网级别的平台转移"，Bard 实验性上线，Cloud 首次实现季度盈利（$191M），但 GCP 消费增长因客户优化而放缓

SGE（Search Generative Experience）正式上线且反馈积极，服务效率提升 50%（生成速度翻倍），Cloud 收入 $8B（+28%）且营业利润 $395M

Cloud 加速增长至 $8.4B（+22%），首次正式提到 Gemini 即将发布，SGE 扩展至印度和日本，CapEx $8B 且预告将持续增长

Gemini 时代正式开启，Cloud 首次达到 $9.2B 季度收入（+26%，营业利润率 9%），订阅业务达 $15B 年收入，Google One 即将破 1 亿订阅

首次派发股息，Cloud $9.6B（+28%，利润率 9%），SGE 成本 18 个月下降 80%，Gemini 1.5 Pro 发布（100 万 token 上下文窗口），Google One 突破 1 亿付费订阅

Cloud 首次突破 $10B 季度收入和 $1B 季度营业利润（$10.3B，+29%，利润率 11%），AIO 正面趋势持续，Google One 突破 1 亿付费订阅，Waymo 完成 200 万+ 出行

Cloud 加速至 +35%（$11.4B，利润率 17%），AIO 推送至 10 亿+ 用户/100+ 国家，AIO 查询成本 18 个月下降 >90%，Gemini API 调用 6 个月增长 14X，>25% 新代码由 AI 生成

2024 全年收入 $350B（+14%），Cloud+YouTube 年化 run rate $110B，Gemini 2.0 发布（agentic era），AIO 覆盖 100+ 国家，2025 CapEx 指引 $75B

Gemini 2.5 Pro 登顶 Chatbot Arena，AI Overviews 超 15 亿 MAU，Cloud +28%（$12.3B），CapEx 指引 $75B，付费订阅超 2.7 亿

Gemini App MAU 达 4.5 亿，AI Mode 超 1 亿 MAU，Cloud run rate 超 $50B（+32%），CapEx 指引上调至 $85B，Shorts 在美国每观看小时收入已追平传统视频

Alphabet 首个 $100B+ 季度，Gemini App 6.5 亿 MAU（查询量环比 3X），Cloud $15.2B（+34%，backlog $155B 环比 +46%），CapEx 上调至 $91-93B，AI Mode 7500 万 DAU

Alphabet 年收入首超 $400B，Cloud 加速至 +48%（$17.7B/季，利润率 30%），Gemini App 7.5 亿 MAU，2026 CapEx 指引 $175-185B

Google 通过 AIO 和 AIM 成功实现搜索 AI 化防守，20亿 DAU 的 Google App 加速增长（25年 DAU YoY+13%），同时 Gemini 模型在25年全面追平 OpenAI，技术进步是产品创新的前提。

AIM 成功渗透了「探索研究」和「规划决策」两类增量场景，大部分用户使用频率在提升且与 Chatbot 共存，但在生成类和情感陪伴场景无法渗透。

Google 采取「全栈式 AI 创新」战略（Infra→Model→Products），产品侧 7 个 20 亿 MAU 产品全面 AI 化，技术侧 DeepMind 绝对主导模型、产品团队只能基于 API 做 post-train，组织上通过搜索 post-train 团队并入 DeepMind 填平模型与搜索的 gap。

Google 在全球大部分国家均实现 DAU 加速增长，但加速度与 ChatGPT 渗透率在高渗透市场呈负相关，Google 自身渗透率是关键调节变量。

DeepMind 8000人分四大块（Frontier AI 2000/GenAI 4000/Gemini App 2000/其他），Gemini App 内部 20+团队运作细节，Workspace/YouTube 各有独立 post-train 路径

Gemini Coding 落后 Anthropic 源于定位差异（Assistant for everybody vs. Niche coding）而非模型能力，TPU 已与 Google 基础设施深度绑定无法剥离，DeepMind 算力分配月度 case-based，Google 在 LLM 时代从标准定义者变为追赶者

GDM 内部 GenAI PM 是模型能力与产品之间的 Bridge，Gemini App 团队无权改模型只能做 Prompt/UX；语音是未来核心入口但当前体验被严重忽视

预训练进入 overtrain 时代，数据价值>模型规模；评估基础设施与训练同等重要，芯片消耗已不相上下

多模态生成与理解在预训练中难以互相帮助，Coding 与多模态存在潜在冲突；算力缺口巨大（100万张卡也不够），Veo 是 Google Cloud 最大营收来源

Post-train 2000+人按能力细分为200+个10人小组，数据 taste 和问题定义比算法更重要；组织极度灵活但资源争夺激烈

Post-train 合版是 Gemini 模型质量的终极把关环节，数据比算法更重要，真正能训大模型的核心人员仅100-200人

DM 2-3000人中参与模型训练大几百人，pre-train+SFT+RL 仅 10%，通用 post-train 占 90%；产品团队拿不到 checkpoint 只能用 API；模型部署后产品侧的 AI Gateway/Middleware 是体验差异的核心原因

Google AI 产品战略由 GM 各自为战，AIM 美国渗透已达 20%+，Coding Agent 落后源于组织分散，Personalized Profile 是 CEO 级别强推的全公司优先级

AIO 美国 trigger rate 达 68%，产品优化分阶段（vertical 选取 → trigger rate → 增量评估），re-org 后 AIO/AIM answer 质量确实提升，AI 时代最大危机是用户跑了而非短期体验差

Search eval 小几十人，search intelligence ~100人，re-org 效果是模型与产品沟通变好，竞争核心已不是单纯模型而是模型+产品整合，post-training 是整体性过程非针对单一功能

YouTube AI 功能三分（viewer/creator/infra），AIO in YT Search 是 26年重点，Shopping QTD GMV 427m YoY+87%，AIM 全球 DAU 渗透率仅 2%

Google 拥有 AI 的一切要素（人才、技术、基础设施、分发），但 Innovator's Dilemma——$140B 搜索利润机器——使其无法率先颠覆自己，导致 OpenAI/Anthropic 等从其人才池中诞生并反过来威胁它

AGI 的核心缺失是一致性（consistency）+ 持续学习 + 世界模型，DeepMind 正以 50/50 scaling-innovation 策略推进，同时用 Genie×Simma 构建 AI 自我训练循环

Google DeepMind 正在从研究机构转型为「startup 式出货机器」，同时在 AGI 五大前沿（推理、记忆、持续学习、世界模型、具身智能）全面推进

TPU 在大规模部署场景下 TCO 优于 GPU，但通用性是 Achilles' heel——如果 post-Transformer 架构出现，TPU 先发优势会被蚕食

Gemini 的技术路线是多模态原生训练 + MoE 架构 + TPU 基础设施，Google 在 AI 领域的全栈优势正在兑现

Google 的 AI 路线是走向「有机的 Blob 模型」——模块化 MoE + 持续学习 + 硬件自适应拓扑，这将是继 Transformer 之后的范式转换

AGI 不是单一突破而是系统工程——需要推理、工具使用、多模态理解、持续学习、可靠性五个维度同时突破，Google 的优势在于「端到端验证闭环」

AI for Science 是 DeepMind 的创始基因——AlphaFold/GNoME/GraphCast 等项目验证了 AI 能加速科学发现，但商业化路径尚不清晰

AI 在医疗领域的最大机会不是替代医生，而是扩展全球医疗可及性——尤其在基层诊断、影像分析、基因组学领域

全球 AI 监管正处于四种路径并行实验阶段（美国行政令/欧盟水平立法/英国行业分治/中国信息权力），Google 偏好"使用导向"而非技术导向监管

安全必须内建于设计（"safe bridge"原则），不能事后补救；AI 对齐的核心挑战是"对齐到哪个人/群体的目标"

经典计算和 AI 模拟物理现实存在根本极限——量子效应、混沌系统等领域可能需要新计算范式，AI 不是万能的

当前 AI 不具备意识——LLM 是"角色扮演"而非真正理解；但 AI 的推理能力正快速逼近人类水平，需要新的哲学框架来理解人机关系

DeepMind 的技术战略由 Koray 执行——Pre-train overtrain 路线、数据 > 算法、评估基础设施化、从基础研究到产品的"降维打击"路径

Hassabis 在 Dwarkesh Patel 的深度追问下暴露了更多战略细节——对 Scaling 有清醒认知（"不是所有问题都能靠 scaling 解决"），对 AGI 到来后的科学加速最兴奋

Agentic AI 是 Gemini 的下一个形态——从"电子大脑"到"数字身体"，核心路径从 AlphaStar 到 LLM agent 一脉相承；Scaling 存在 diminishing returns，需要算法创新突破

Genie 是 DeepMind 的 World Model 研究——从单张图片生成可交互 3D 世界，验证了 AI 能学习物理规律并模拟环境，对 AGI 和机器人训练有深远意义

Hassabis 在 Lex Fridman 长访谈中最完整地展示了 DeepMind 的 AGI 路线图——从 AlphaGo 到 Gemini 到 AGI 的统一叙事，强调 AI for Science 和 World Model 是 DeepMind 与纯 LLM 公司的根本差异

Hassabis 最系统地阐述了 AGI 路径和风险——AGI 需要 world model + planning + RL，而欺骗性 AI 是最紧迫的安全风险之一

Hassabis 的 AGI 路线图清晰——将 AlphaZero 式的搜索/规划/RL 叠加在 LLM 之上，创造能够"发现新知识"的系统；单纯 scaling LLM 不够

LLM 时代的"人类数据纪元"终将让位于"经验纪元"——AI 通过自我生成经验（而非模仿人类数据）才能突破人类知识天花板，实现超人类智能

Vinyals 在外部 podcast 中更坦率地谈及 Gemini 的技术路线——合成数据是 scaling 的关键杠杆，Agentic AI 是 2025 年的核心赌注，AlphaStar 式 RL 经验正在回流到 LLM

Project Astra 是 DeepMind 的"proto-AGI"实验——多模态（视觉+语音+记忆+搜索）实时 AI 助手，验证了通用 AI 可以以"肩上鹦鹉"形态落地

LLM/VLM 正在重新定义机器人——从硬编码控制转向语言驱动的通用机器人策略，RT-2/RT-X 是里程碑，但物理世界的 sim-to-real gap 仍是核心挑战

Legg 认为 AGI 可能在 2028-2030 年到来——定义为"在大多数认知任务上达到人类专家水平"；他从创立 DeepMind 起就确信这是可实现的目标

AlphaFold 3/GNoME/GenCast 等代表 AI for Science 进入"产业化"阶段——从解决单一问题到构建科学研究基础设施

Hassabis 阐述 AI 的"不合理有效性"——通用性 AI 正在跨领域产生超预期效果，DeepMind 的核心使命仍是 AGI

Apple 与 Google 讨论在 Google 数据中心内运行新版 Siri——Apple 的 AI 基础设施和 Private Cloud Compute 严重不足

Hassabis 管辖范围从 2500 人扩大到 5600 人，频繁重组反映组织仍在寻找最优的研究→产品转化结构

Gemini API 调用量从 2025年3月约 350亿次/月飙升至 8月约 850亿次/月，但利润率仍处于勉强为正的水平

Google 在 ChatGPT 冲击后将 Brain 与 DeepMind 合并、开发 Gemini 并完成首发，标志着其 AI 反击的开始

Google 成立高管委员会解决算力紧缺——Cloud、DeepMind、Search/Ads 三方角力，2025年约一半算力分配给 Cloud

Google AI 购物走广告模式（不抽成，卖新型广告），与 OpenAI 的交易抽成模式形成对立策略

Gemini 在传统 scaling（更多数据+算力）上遭遇性能增长放缓，与 OpenAI 类似，转向 reasoning models 和 hyperparameter 调优

Google 利用财务耐力和垂直整合能力从 OpenAI 和 NVIDIA 主导的市场中夺取份额（仅获取到摘要）

合并后 Hassabis 在产品化压力下深感沮丧，但通过组织调整保住纯研究的话语权

Koray Kavukcuoglu 晋升为 Google Chief AI Architect（双线汇报 Pichai+Hassabis），统一全公司模型训练，推动 Gemini 嵌入所有产品

Gemini 3 发布后 OpenAI 从不受挑战的主导地位转为防御性"code red"，紧急转向"Garlic"模型并延迟商业计划（仅获取到摘要）

Noam Shazeer 回归后共同领导 Gemini 模型研发并快速修复了 Gemini 2.5 预训练架构问题，但因在内部论坛发表争议言论被多次删帖