Google AI体系逆袭：从Bard失利到Gemini 3的全面崛起

回顾过去一个月的发展，几乎难以想象这正是那家在2023年因Bard失误而遭受全球科技界广泛嘲笑的Google。

上周（11月18日），Google推出了新一代大模型Gemini 3，以强大的性能超越了更大规模的模型，而基于Gemini 3 Pro的Nano Banana Pro进一步巩固了Google在AI生成图像领域的领先地位，也让OpenAI感到更加紧张。

不仅如此，Gemini 3也彻底扭转了“Google掉队论”的舆论风向，其自研TPU芯片被视为挑战英伟达算力霸权的关键变量，甚至传出Meta正在评估大规模采购TPU的消息，直接导致英伟达股价下跌近7%。随后英伟达官方在X（原Twitter）上发文表示：

“我们为谷歌取得的成就感到欣慰——他们在人工智能领域实现了重大突破，而我们也将继续向谷歌（云）供应产品。”

同时，Anthropic（Claude）在上个月也宣布了最新一批百万量级的Google TPU订单，包括OpenAI联合创始人、前首席科学家Ilya Sutskever新成立的SSI也在年初选择Google TPU作为算力基础。

客观而言，这一切不仅仅源于从Gemini 2.5到Gemini 3的“模型胜利”，更在于Google所展现的另一种叙事——体系化胜利。Gemini、TPU、Google Cloud、Android、Google Search这套曾被批评“过于缓慢”“过于沉重”的战略，如今突然显示出强大的竞争力。

行业态度的转变尤为显著。

今年之前，主流观点认为：Google已经老化、官僚化。如今却几乎形成反向情绪：Google的节奏稳健了、产品线统一了、技术底座开始释放威力。甚至有分析师将Google称为“苏醒的巨人”，暗示这家公司可能正在重新定义整个产业的技术路径。

然而，真正具有戏剧性的并非当前的赞誉，而是与过往评价的巨大反差。两年前，Google还在为Bard的“失误”公开致歉，被视作大模型时代最典型的失败案例之一。而如今，同一家公司却成为最受瞩目的焦点。

从被群嘲到被追捧，Google究竟如何实现这一转变？

被ChatGPT唤醒，但战略方向始终如一

2022年底的ChatGPT如同一道惊雷，而最彻底被惊醒的，正是当年开发Transformer架构、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认识到通用大模型的潜力。Google内部的反应远比外界预想的更为激烈，搜索团队紧急成立“Code Red”应急小组，DeepMind与Google Brain在内部反复探讨技术路线，管理层连续数周加班开会，甚至内部邮件中都弥漫着压力与紧迫感：

“如果再迟缓，我们将被历史淘汰。”

在此背景下，Bard仓促上线，问题频出，甚至因一条错误回答导致市值暴跌千亿美元，社交媒体和科技圈纷纷质疑Google“是否还能担当重任”？至少在当时，更关键的不只是产品本身，而是许多行业观察者的判断：

Google失去了节奏感，沉迷于过往成就，被OpenAI打得措手不及。

这便是“Google掉队论”的起源。但真正的转折在于，Google在最受质疑的时期，并未改变战略方向。自2016年起，Google就宣布“AI优先”（AI-first），并持续投入了一条业内最系统、最完整的“全栈式AI”路径：

不仅作为全球第三大云计算运营商管理遍布全球的数据中心，自研AI芯片（TPU），还自主训练大模型，甚至开发AI应用（如Nano Banana、NotebookLM）。

更不用说，Google还拥有全球规模最大的搜索场景、Google Photos、YouTube上海量的多模态训练素材。这些看似“不够炫酷”“非爆发式”的长期工程，在ChatGPT的巨大冲击下并未被放弃。

落后并非方向错误，而是路径较长。既然路线正确，那就不能更换，而是要加速推进。因此，Google在经历ChatGPT的冲击和Bard的失败后，也进入了最激烈的调整阶段。

“Google式全栈”：十年积累，一朝爆发

首先，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，两支全球顶尖的研究力量被整合为一支，技术路线和节奏由曾主导开发AlphaGo的DeepMind创始人Demis Hassabis（杰米斯·哈萨比斯）统一指挥。

对外的说法是“整合资源”，但业内皆知，这背后真正消除的是Google内部长期存在、几乎难以调和的技术分歧和组织壁垒。AI优先战略呼吁多年，但直到这次重组，才首次真正实现“力出一孔”。

同时，Google过去十年逐步构建的基础设施开始显现价值。TPU本就是为谷歌自身服务的芯片，最初为搜索和广告提供推理加速，随后逐步支撑内部模型训练。当大模型时代来临，这一优势恰好成为行业变量，也是Google与其他大模型厂商最核心的差异之一。

尤其是在ChatGPT之后，TPU v5、v6、v7（Ironwood）的研发节奏明显加快、规模扩大。从Anthropic开始，Google也开始将自家芯片推向外部大规模商用，从本地训练、云部署，到如今的专线算力、TPU@Premises等方案，逐步提升自家云的竞争力。

而从Bard到Gemini，本质上还伴随一次“架构统一工程”：从运行于Pixel和Chrome的Gemini Nano，到侧重吞吐与延迟的Gemini Flash，再到最强的Gemini Pro，背后都共享同一套架构、训练方法和评估体系。

这套统一后的体系，让Gemini 2.5在推理和多模态领域重返第一梯队，也让Gemini 3在视觉、语音、文本和代码理解上全面进化。Google过去被嘲笑的“缓慢”，恰恰源于它为这条统一路径打下基础，而非缺乏方向。

体系的成熟，最终仍需通过产品落地证明价值。在Bard失败后，Google可能也意识到模型的核心重要性，以及盲目生成式AI化的问题，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，还在早些时候果断上线了AI Mode。Pixel手机也是Google AI化改造的另一主力，云端和设备端不同尺寸、不同设计目标的Gemini模型，也在影像、翻译、信息处理及语音助手体验上带来质的提升，Magic Cue智能信息提示更是手机AI化的关键方向之一。

不同于现有产品的AI化改造，NotebookLM和Nano Banana作为原生AI应用的代表，则展现了Google探索AI时代的另一种路径，一个重构了学习与知识管理，一个将视觉生成推向更轻量、更快速、更自由的方向。

可以说，过去近十年Google将芯片、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为一套体系。这看似笨重、迟缓，但当模型能力、算力底座和产品矩阵在同一路径上汇聚时，突然具备了他人难以复制的整体性。

阿里、百度能否复制Google式“反转”？

如果将国内这两年的大模型竞争置于同一坐标系，豆包的领先已非“稍快一步”，而是彻底甩开身后所有追赶者。

QuestMobile数据显示，今年第三季度豆包App的月活已冲至1.59亿，超越DeepSeek，并遥遥领先其他AI应用。同时，火山引擎的公有云大模型调用量份额逼近一半，日均token调用量突破三十万亿。

这种规模带来的滚雪球效应，使豆包在用户侧、应用生态和模型调用上形成了“越用越强”的正向循环。

但若将视角稍加提升，又会发现豆包的领先并不意味着竞争已尘埃落定。因为在Google身上我们已看到，真正决定胜负的从来不是一两次爆发，而是体系。阿里这两年在模型、算力、开源和应用层的连续布局，正使其成为国内最有可能实现“Google式反转”的玩家。

千问App的爆发只是最表层的信号。真正支撑它的，是阿里过去两年在全球开源社区建立的Qwen模型号召力，以及大规模基础设施投入带来的底层优势。

从Qwen2.5到Qwen3-Max这条技术路线，将模型的推理、多模态和代码能力推至国际一线；Qwen在Hugging Face、GitHub的累计下载量已位居全球前列，甚至多次登上全球开源榜前端。

而阿里今年明确以千问取代通义，也是将这些底层能力重新整合为一个C端入口，使自身技术体系首次具备向大众规模化输出的可能。

某种意义上，千问当前的状态类似Google之前的阶段——模型足够强大，生态足够深厚，入口刚刚成型，真正的考验才刚刚开始。

而百度虽然在产品，尤其是C端产品的节奏上稍慢半拍，但仍具备极强的技术底座。文心5.0的原生全模态架构、万亿参数规模、与昆仑芯的深度绑定，让百度在技术完整性上保持独特地位。其AI云、城市级业务、自动驾驶体系，也使它在To B/To G领域拥有他人难以复制的纵深。

然而，这种体系化投入并不会自动转化为C端用户规模，中间仍有很长的路要走。

将国内这三家并列观察，更能理解Google的启示意义。豆包证明了“规模”本身就是能力的一部分，是最现实、最直接的飞轮；阿里证明了开源、全栈和大生态的深耕可在关键时刻形成反转势能；百度则证明了底座的完整性永远不会过时，只是在等待一个足够大的应用窗口将体系推向前台。

国内的竞争远未结束，而真正决定未来的，很可能不是谁跑得最快，而是谁能将模型、算力和应用最终整合为一条完整路径。