谷歌 AI 智能体平台暂居领先,但仍有大量工作待完成

企业正快速从 “能回答问题、生成内容的AI”，转向能执行任务、采取行动的 AI。谷歌云 CEO 托马斯・库里安表示，这一转变需要一套完全不同的基础设施与软件架构。谷歌认为，只有从芯片到应用全程紧密集成的技术体系，才能有效支撑这场转型。

这场转型的核心是数据与 AI 平台——我们称之为 “智能体系”，谷歌最初以知识目录（Knowledge Catalog） 的形式对外呈现。这一能力最终会将分析型应用与运营型应用抽象化、统一化。在此之上，正在形成一套智能体体系（谷歌称之为 “行动体系”），由知识目录与智能体平台共同构成。

我们认为，可量化的商业价值将建立在这套基础设施之上，这也是未来真正的竞争焦点。包括谷歌在内的头部大模型厂商，正快速构建将成为软件行业未来基石的能力 —— 我们预测，这将是软件行业史上最大规模的变革。

开篇：TPU 8、数据底座，以及从对话到行动的跃迁

本周谷歌重磅发布TPU 8（8t / 8i），作为其芯片路线图的关键一步，也向外界传递明确信号：谷歌是唯一同时拥有前沿大模型、差异化数据栈、可规模化落地智能体的超大规模云厂商。谷歌特意强调，张量处理单元（TPU）不是专用集成电路（ASIC），而是更通用的芯片。

无论如何定义，TPU 都是为高效运行现代 AI 而设计的专用芯片，是谷歌论证 “性价比与性能至关重要” 的核心。值得注意的是，尽管谷歌宣称了多项性能倍数提升，但几乎未提及每瓦性能—— 这对能源受限的运营方而言是最关键指标。

TPU 是谷歌战略的核心，但我们认为，英伟达仍将是谷歌（及其他云厂商）的关键合作伙伴。TPU 并非直接与英伟达竞争，而是通过软硬深度整合为谷歌带来差异化优势，同时让谷歌更好地平衡加速器供需。对开发者而言，英伟达 CUDA 生态依然是必不可少的选择。

更重要的是，谷歌在数据平台层已深耕多年。不只是 BigQuery，还包括上层元数据层，以及与 Spanner 运营数据库的整合。我们认为，谷歌是唯一能在数据平台领域真正与Snowflake、Databricks 抗衡的云厂商，而这一切积累，正是如今智能体平台的基础。

过去几十年，行业一直处于数据孤岛、应用孤岛状态。能感知、推理、决策、执行、学习的商业智能体，如果被隔离在孤岛中，无法释放真正价值 —— 只能实现单点自动化，却无法改变业务运行方式。

这正是库里安本周提出的核心前提：行业已超越基于检索增强生成（RAG）的对话机器人，进入智能体与智能体团队代表人类执行行动的时代。这一转变对基础设施提出全新要求：必须全面整合。

谷歌的定位是：自己是唯一提供全栈能力的云厂商，将芯片、基础设施、数据、模型、应用与服务整合为一套连贯系统，支撑智能体工作负载。与此同时，多数头部大模型厂商并不拥有云平台，这为谷歌将模型能力转化为企业级部署提供了结构性优势。

核心结论：TPU 8 是头条新闻，但更重要的是，谷歌正试图将芯片、数据平台与前沿模型整合为一套一体化智能体平台叙事。

服务即软件：智能体如何倒逼企业全面重构架构

我们的研究核心观点是：整个软件行业模式正在变革，从软件即服务（SaaS） 转向服务即软件（Service-as-Software）。

从本地部署转向 SaaS 时，技术模式、商业模式、运营模式全部改变；而服务即软件将改变整个企业。通过将智能嵌入工作流，任何企业都能用更少人力实现规模化，并通过软件交付业务结果。长期来看，这将推动更多企业走向平台经济，而平台市场往往走向赢者通吃。

智能体是催化剂。只有跨孤岛运行，智能体才能创造端到端业务价值，而非仅自动化孤立任务。这就是 “智能体系（SoI）” 的意义 —— 它将智能体与企业的运营与分析现状连接，让智能体在全业务范围感知、推理、决策、行动与学习，而非局限在单一部门。

过去 60 年，企业建立的孤岛架构（数据、应用、组织），无法满足需要跨部门上下文与权限的智能体。而智能体可以用自然语言重新设计整个流程，而非简单自动化现有流程。

SaaS 改变了软件厂商与 IT 部门；服务即软件改变整个企业。智能体只有跨孤岛运行才能创造价值。智能体系成为企业的智能层，位于记录系统与部门数据 / 应用栈之上。

数据平台成熟度五阶段：通往数字孪生之路

从部门级报表到企业数字孪生（实时数字化映射），分为五个成熟度阶段：

1. Level 1：孤岛式报表

部门级手动报表，几乎无自助分析能力。

1. Level 2：企业数据仓库

标准化指标与维度，提升自助分析，但仍以部门为单位。

1. Level 3：实时事件中心

实时事件流入数据平台，开始业务建模，上下文可计算。

1. Level 4：行为分析平台

richer 行为模式与前瞻性信号。

1. Level 5：预测分析中心

概率化结果与个性化指令，走向优化与预测。

最终目标是企业数字孪生—— 实时映射人员、场所、物品、流程，是搭建智能体系、让智能体执行复杂任务的前提。

连接非确定性与确定性：智能体落地的关键一步

生成式层提供创造力（词汇、语言、合成、探索），但企业行动需要确定性：规则、护栏、可审计的轨迹。我们认为，这是上层非确定性智能与下层确定性执行之间的核心桥梁，必须紧密结合才能保证结果可信。

简单理解：目标 + 护栏。

智能体系的四个确定性阶段：

1. Level 6：企业知识图谱

企业 4D 关系地图，让智能体遍历业务对象而非表格。

1. Level 7：语义行动层

将行动建模，定义约束条件与执行规则。

1. Level 8：实时数字孪生

模型成为唯一真相源，替代传统系统。

1. Level 9：自主运营平台

工作流逻辑以数据形式存储，系统可自我学习、优化。

结论：智能体在孤岛中无法大幅提升价值；只有在企业状态下导航、按规则行动、留下审计轨迹，才能实现价值复利。这是生成式输出与受控执行之间的桥梁。

全栈数字孪生：将规则转化为专业能力

确定性孪生（规则 + 映射）保证智能体安全；认知孪生捕获决策背后的原因，让智能体规模化可用。两者紧密整合，例外情况成为训练数据，专家经验转化为企业资产。

专家通过 “教学 — 评分” 循环，将思考过程、推理逻辑、错误推理模式传递给系统，这是捕获专家判断的唯一可靠方式。系统通过奖惩机制持续优化，形成飞轮效应。

谷歌数据 + AI 布局映射：智能体系vs 行动体系

谷歌的术语与我们略有不同：谷歌将现代数据栈称为 “智能体系”，将智能体层称为 “行动体系”；我们认为，智能体系是让行动安全、可重复的统一层，最终支撑行动体系。

谷歌已具备的能力

• 映射层：提取元数据与血缘，从非结构化内容构建知识图谱。
• 规则层：捕获数据质量、BI 指标、业务词汇表。
• 机构记忆层：存储并展示智能体推理路径。
• 决策引导层：合成上下文，支持复杂多轮检索。
• 行动体系：多轮智能体评估、失败聚类优化。

谷歌仍存在的差距

• 未实现跨系统实体统一。
• 未覆盖完整应用语义 / 业务流程规则。
• 未捕获人类专家推理的 “为什么”。
• 未提供带置信度评分的决策建议。

编码智能体：通用智能体的入口

市场正形成共识：构建通用知识工作智能体，必须从编码智能体开始。因为智能体通过工具与世界交互，而使用工具越来越意味着编写代码。

Anthropic、OpenAI、Grok 均聚焦编码能力；谷歌则另辟蹊径，构建企业级智能体平台，将管控框架扩展到更广泛场景。

谷歌平台的三大差异化：

1. 治理与智能体身份：从资源控制转向意图控制，运行时策略强制执行。
2. 非孤岛式记忆：记忆可共享、可治理、可统一，避免新一代锁定。
3. 数据与行动空间统一：形成语义统一的知识图谱，通往企业数字孪生。

谷歌云 Next 2026 最终结论

1. 全栈整合是谷歌的核心优势与约束TPU、大模型、数据平台、智能体平台、应用一体化。

1. 数据栈方向正确相对传统现代数据栈更成熟，但面临 Palantir、Celonis 等挑战。

1. SaaS 未来取决于 OEM 机制与信任边界

Gemini 在谷歌生态内有优势，但跨云使用存在摩擦。

1. 必须以编码功能为基础编码是智能体可信度的入场券，需深度嵌入平台。技术生态向新平台迁移AI原生团队正转向谷歌，类似当年AWS赢得云生态。TPU 算力是战略优势,谷歌H100等效算力超过其他云厂商，支撑产品快速迭代。

最终总结

谷歌在智能体平台领域暂居领先，因为它能提供全栈能力，且数据平台积累深厚。但最艰难的工作仍未完成：

• 从 “读取上下文” 到 “执行行动”企业级规模的统一化层
• 解决 OEM / 边界问题，让 Gemini 在数据所在地运行

谷歌的 TPU 优势不在于替代英伟达，而在于支撑自身全栈更快迭代，尤其是在软件层，实现智能体全面普及。

TPU 8 与 “充裕 GPU 算力” 优势

本文首尾围绕同一个核心话题：TPU。最后一点观点，彻底扭转了本周整体行业论调 —— 谷歌自研 TPU 算力储备，使其在 AI 算力领域具备结构性长期优势，并将直接体现在产品迭代速度上。

下方 Epoch AI 发布的「等效H100 总算力」图表显示：依托大规模 TPU 集群，谷歌的AI 总算力已超越所有其他云厂商。相较于英伟达主导的生态路线，谷歌走的是规模化硬算力路线，但这一模式让其能够自主掌控芯片供货与算力部署节奏，不再受制于人。

这一现象，与播客节目《Latent Space》提出的概念高度契合：“算力充裕型厂商”与“算力紧缺型厂商”。

谷歌显然属于算力充裕阵营，这也解释了为何生成式 AI 与 AI 智能体功能，能够在谷歌全产品线大范围落地普及。

反观微软，在本次行业对比中处于算力紧缺状态，这也直接导致其战略取舍：优先将 AI 能力落地于 Office 办公套件、Azure 云服务的生成式 AI 功能落地节奏参差不齐，同时给自身技术栈的其他环节带来连锁承压。

需要明确的关键事实：TPU 的发展，并不会侵蚀英伟达的行业护城河。

当前 AI 加速算力的市场需求极度庞大，高性能加速芯片普遍供不应求，核心原因在于英伟达无法独自消化全球全部算力需求。

谷歌部署 TPU 的核心目的，是为自有业务提供算力支撑，并非以第三方芯片厂商身份对外售卖芯片。

本次分析核心结论

1. 充足的 TPU 算力将转化为产品迭代优势。谷歌之所以能实现 “全产品线普及 AI 智能体”，正是因为拥有充足的冗余算力储备作为支撑。
2. 微软依靠与 OpenAI 的深度合作、以及英伟达的算力配额，补足了自身 AI 能力短板，但也因此付出代价：产品优先级被迫倾斜、云服务 AI 功能上线节奏失衡。
3. 亚马逊走出了差异化路线：自研 Trainium 训练芯片（同时将 Inferentia 推理芯片整合进统一路线）已实现规模化落地；但谷歌凭借稳定的年度迭代节奏与统一的平台架构，正进一步拉开差距。
4. 英伟达依旧是全球出货量龙头，CUDA 生态仍是业界主流开发环境。其CPU+GPU + 网络 + 系统级架构一体化捆绑战略，持续抬高全行业的竞争门槛。

综上我们判断：谷歌的 TPU 核心价值，不在于打造英伟达替代品，而在于驱动自身全栈技术体系加速迭代；尤其在软件层面，充足算力将成为关键分水岭 —— 决定企业只能选择性搭载 AI 能力，还是能够全面规模化落地 AI 智能体。