夜雨聆风
担任 Google CEO 已超过十年的 Sundar Pichai，在最近的一次访谈中坦率地讨论了 Google 在 AI 竞赛中的真实处境。在他的带领下，Alphabet 不仅是全球最大的科技公司之一，也成为 AI 领域的强劲竞争者——公司计划在 2026 年投入 1750 亿美元，这笔巨款背后，隐含着 Google 对自身未来的深刻思考。
这场对话一开始，就谈到了一个广为流传、但并不完全准确的历史叙事：Google 发明了 Transformer，却没能把它成功商业化，反而让 OpenAI 凭借 ChatGPT 吃到了这项创新的最大红利。对此，Pichai 提供了一个重要背景，也重新框定了这个故事。
Transformer 的诞生，并不是脱离产品需求的纯研究成果。恰恰相反，它是为了解决非常具体、非常现实的问题而被开发出来的。当时 TPU 团队面临的挑战是：在硬件资源不足的情况下，如何把语音识别扩展到数十亿用户规模。团队需要一种全新的推理方案，而 Transformer 就是答案——它不是停留在论文里，而是第一时间被应用到了 Google 的产品中。
在 Search 内部，Transformer 驱动了 BERT 和 MUM 这两个模型，使搜索质量在当时实现了显著跃升。Google 借助这些突破，继续在语言理解上保持领先，能够以前所未有的精细度处理用户查询和网页内容。
Google 的大语言对话模型 LaMDA，从内部定位上看，其实就相当于后来 ChatGPT 所扮演的角色。甚至曾有工程师认为它具备"意识"，这也说明它本质上已经是早期对话式 AI 的原型。到 Google I/O 2022 时，公司已经推出了 "AI Test Kitchen"，用来展示 LaMDA 的能力。不过，Google 并没有选择全面开放，因为当时他们手上的版本还没有经过端到端的 RLHF 训练。更重要的是，另一个版本"毒性要强得多"，在当时并不适合面向公众发布。
Pichai 将这种谨慎归因于 Google 的产品文化。作为一家对搜索质量近乎执着的公司，Google 在向用户正式发布产品之前，对"可接受的产品质量"设定了更高门槛。这不是对机会无动于衷，而是一种组织层面的保守。
Pichai 认为，真正的差异在于执行速度以及外部资源的配合。OpenAI 在 ChatGPT 发布前几个月，就已经与 Microsoft 达成合作，这是一场战略上的关键布局，也让他们站在了更有利的位置。ChatGPT 甚至是在感恩节那周上线的，起初并不算高调，但最终却引爆了文化层面的巨大影响力。与此同时，OpenAI 还捕捉到了一个 Google 可能忽略的重要信号：编程。针对代码场景的能力跃升（从 GPT-2 到 GPT-3，再到 GPT-4）远比单纯语言能力的进步更加显著。
Pichai 从这一刻真正吸取的教训是：在消费互联网领域，意外总是不可避免。Google 自己也经历过类似冲击：Google Video 被 YouTube 超越，后来 Google 反过来收购了 YouTube；Facebook 一度把 Instagram 视作竞争对手，但最终也选择了收购。真正的经验并不是"大公司总能准确看见未来"，而是消费互联网天生就充满不确定性，小团队会不断试验、不断发布新东西。你无法控制每一个新产品的出现，但你可以始终保持感知，并做出聪明的反应。
速度，作为一种战略差异化能力
Google 长期以来都以"速度"建立自己的口碑。最早的 Google Search 就明显快于竞争对手，甚至会直接展示查询响应时间，几乎像是在炫耀自己的低延迟。后来，无论是 Chrome、Gmail，还是如今运行在 TPU 上的 Gemini，都延续了这种传统。
Pichai 解释说，延迟不只是一个产品特性，更是技术卓越性的体现。一个产品如果很慢，往往意味着底层工程上存在更深层次的妥协；而一个真正快的产品，通常说明它的基础架构是扎实的。
在 Google Search 内部，这种理念被具体落实为以毫秒计的延迟预算。每个子团队都会拿到明确预算——可能是 30 毫秒，也可能是 10 毫秒。如果某个团队发布了一项功能，并为系统节省了 3 毫秒，那么它可以保留其中 1.5 毫秒供内部使用（即获得 50% 的"信用"），剩下的 1.5 毫秒则让利给用户。每一项新增功能，都必须在这些预算约束下接受审视。
对微秒级性能如此痴迷，听起来也许有些极端，但回报是可以量化的。过去五年里，Google 在大幅扩展 Search 能力的同时，把搜索延迟又降低了 30%，这是一项相当惊人的成就。看看 Search 的功能演进就知道：今天它能做很多过去根本做不到的事，而且它还变得更快了。
在 Gemini 上，同样的理念也适用。Flash 模型可以做到 Pro 模型约 90% 的能力，但在延迟和成本效率上却显著更优，而这一点正是由软硬件垂直整合带来的。
Search 正在演化为 Agentic Intelligence
当被问到 Search 的未来时，Pichai 描述的不是"颠覆"，而是"演化"。移动互联网时代到来后，Search 已经完成过一次适配。比如，一个刚从纽约地铁站出来的人，并不想看网页列表，他真正需要的是路线指引。产品也因此朝着这个方向进化。
放眼未来，Pichai 设想的是：用户会从"获取信息型查询"转向"代理式任务"。Search 将成为一个 agent manager，用户可以并行运行多个线程，不再只是查找事实，而是主动完成任务。10 年后，"Search" 这个产品还会不会存在？也许不会以今天的形态存在，但某种"类似搜索"的能力，会演化成更广义的东西。
如今 Search 中的 AI mode，已经显露出这种转变。用户开始发起深度研究型查询，这类需求已经不再适用于"单行 prompt + 排名结果"的旧范式。用户在变，Search 也在持续演化。未来很可能会出现 agentic flow，协调多个动作——预订行程、安排餐厅、管理日程——而这一切都通过类似聊天的界面发起。
就像生命从单细胞生物进化成复杂生命体一样，Search 也可能演化为一种通用型 agent 界面。Search box 本身也许会消失，取而代之的是对话式交互。但底层功能不会变——依然是在帮助人们完成目标。
AI 时代的资本配置
Google 已经改变了资本投放方式，尤其是在算力基础设施上的投入。过去，R&D 预算的核心主要是人头成本——招聘足够优秀的人才才是主要瓶颈。算力相对次要（除了像 Google Books 数字化这样的极端案例）。
但现在，TPU 才是限制性资源。Pichai 每周都会专门拿出一个小时，以非常细的粒度审查不同项目和团队的算力分配。如今，算力预算的重要性已经与 headcount budget 不相上下，真实的取舍和优先级排序不可避免。
Google 的做法是：在有足够把握的地方坚定投入资本，包括对 Waymo（自动驾驶汽车）、Stripe（支付）、SpaceX 和 Anthropic 的投资。公司确实因为等待项目足够成熟而错过过一些机会，但 Pichai 依然认可这种战略耐心——与其在技术尚未准备好时过度下注，不如在早期适度少配资源。
对 Google Cloud 来说，算力分配尤其复杂。Google 必须在内部产品需求（而且这些需求极其"贪婪"）与客户承诺之间取得平衡，而后者是神圣不可违背的合同义务。通过提前规划、签署长期承诺并做好相应预算，约束问题就能得到一定缓解。Cloud 团队或许拿不到自己想要的全部算力，但通过结构化规划，这些取舍是可以管理的。
AI 作为编排层
一个非常值得关注的发展方向，是 AI 正在成为复杂产品表面之上的抽象层。Google Cloud 的 API surface 极其庞大，大到用户光是导航就很困难。现在，一个 AI agent 可以读懂全部 API 文档，并成为你与这套复杂系统之间的接口。你不需要再到处翻菜单，只要描述自己想做什么就行。
Stripe 也面临类似问题。它的产品表面已经扩展到支付、billing、identity、financial modeling 等多个领域。一个真正理解整套 API 的 AI，自然就会成为一个非常强大的交互界面。
这种模式同样适用于企业工具。过去，如果企业想把分散的数据源连接起来，往往意味着要启动一个持续数月的 ERP 项目。现在，一个 AI orchestration layer 可以直接叠加在各种系统之上——CRM、HR、财务、运营——并通过跨系统综合数据来回答问题。产品表面越复杂，AI 编排层的价值就越大。
面向消费者的持续有状态 AI
另一个正在浮现的前沿方向，是面向日常用户的、有状态且可持续运行的 AI。今天主流的 AI 应用大多缺乏"持续性"——它们无法可靠地记住用户偏好、持续进行中的任务，或过去的交互记录。但像 OpenClaw 这样的产品，已经证明市场对这种能力是有需求的。
人们希望自己可以说一句："每天早上把我关心的新闻整理出来并发邮件给我。"但现在的大多数应用还无法可靠地处理这种持续运行、长周期的任务。Pichai 认为，这正是接下来的前沿——为用户提供可靠、安全、可长期运行的 agentic task。这里面确实需要把身份、访问控制和数据持久化这些问题都想清楚，但它是可以实现的。
这并不是科幻。像 Dreamer（后被 Meta 收购）这样的公司，已经做出过早期版本：用户可以指定需求，创建具备持久性和执行能力的自定义应用。当用户第一次体验到那种惊喜——"我居然自己做出了软件！"——就说明这会是一次意义重大的转变。
真正有效的消费者界面，底层需要有完整的 coding model 支撑，同时具备合适的 harness、skills，以及在云端或本地安全执行的能力。今天，全球大约只有 0.1% 的人真正生活在这个未来里——也就是那些会为自己构建定制工具的开发者。把这件事带向大规模普及，本身就是一个真正的前沿命题。
Google 正如何改造自身工作流
在 Google 内部，AI 融入日常工作流的速度因团队而异。有些团队已经发生了深刻变化，有些才刚刚起步。"Jet Ski"（对外称 "Antigravity"）是推动这场转变的内部工具——它本质上是一个 agent manager，让开发者以一种有状态、多线程的工作方式开展工作。GDM 和部分软件工程团队已经改变了原有工作模式。就在上周，这个工具也开始向 Search 团队推广。
Pichai 也承认，对于大型公司来说，变革管理显然比小公司更难。小公司或许一夜之间就能"拨一下开关"完成切换，而大公司做不到。更大的挑战在于一种"intelligence overhang"——AI 系统在抽象场景里已经能做出令人惊叹的事，但大多数公司距离真正成为 AI-native 还很远。AI 理论上能做什么，与组织实际上部署了什么之间，仍然存在明显落差。
这里面有几个问题必须解决：第一，当技术本身还在持续快速进步时，工作流的适配本来就需要时间。第二，组织内部存在摩擦——并不是每个人都已经准备好和 AI agents 一起工作。第三，是数据与上下文问题——如何让 AI 充分理解你的具体业务，真正变得有用，同时又不至于因信息过载或敏感信息暴露而带来风险。
前方的道路
随着 Google 在算力和基础设施上投入 1750 亿美元，这家公司已经有能力在多个维度上争夺领先：速度（超低延迟 AI）、能力（通过垂直整合打造 frontier models），以及实用性（能够编排你的工具、替你持续执行任务的 AI）。
错过 ChatGPT 那一刻的讽刺之处在于，Google 现在反而更清楚地理解了：要想争夺市场领导地位，就必须学会更快地发布、更快地迭代，并接受一定程度上的不完美。但与此同时，它也依然带着大组织天然的谨慎，而这种谨慎有时会拖慢速度。
按照 Pichai 的定义，AI 的未来并不是那些边界清晰、像盒子一样封装好的"完美产品"，而是能够理解上下文、做出判断、并可靠执行行动的 agents——无论是优化一次搜索、规划一趟旅行、管理个人财务，还是帮你构建自己的定制工具。从"search 作为结果排名列表"转向"search 作为 agentic task completion"，代表着人们与技术、也与彼此互动方式的一次根本性变化。
对 Google 来说，下一个篇章不只是让少数早期采用者——那 0.1% 的精英人群——进入 AI-native workflow，而是要把这种能力带给整个组织。核心关键词将是：可靠性、持续性，以及在数十亿人每天使用的产品之间，无缝编排智能。
The history and future of AI at Google, with Sundar Pichai 播客访谈
