Google的AI体系逆袭：从Bard翻车到Gemini 3引领行业变革

倘若仅观察过去这一个月的动态，几乎难以想象这竟是那家在2023年因Bard“翻车”事件而遭受全球科技圈集体嘲笑的Google。

上周（11月18日），Google正式推出了新一代大模型Gemini 3，以其惊人的实力全面碾压了其他大型模型，而基于Gemini 3 Pro的Nano Banana Pro更是延续了Google在AI生成图像领域的“王座”地位，也让OpenAI倍感“焦虑”。

不仅如此，Gemini 3的发布彻底扭转了“Google掉队论”的舆论风向，其自研TPU芯片更被视为打破英伟达算力霸权的关键变量，甚至Meta都被传出正在评估大规模采购TPU，直接导致英伟达股价下跌近7%，随后英伟达官方在X（原Twitter）上发文称：

“我们为谷歌取得的成功感到高兴——他们在AI领域取得了重大进展，而我们也将继续向谷歌（云）提供产品。”

与此同时，Anthropic（Claude）在上月也刚宣布了最新一批百万级的Google TPU订单，包括OpenAI联合创始人、前首席科学家Ilya Sutskever新创立的SSI也在年初选择了Google TPU作为算力来源。

坦白而言，这一切不仅仅是Gemini 2.5到Gemini 3“模型层面的胜利”，更体现了Google身上另一种叙事——体系化的胜利。Gemini、TPU、Google Cloud、Android、Google Search这套长期被批评“太慢”“太重”的战略，突然展现出强大的压迫力。

行业态度的转变尤为明显。

今年以前流行的观点是：Google老了、官僚化了。如今却几乎呈现出反向情绪：Google的节奏稳了、产品线统一了、技术底座终于显露出威力。甚至有分析师将Google称为“醒来的巨人”，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，真正充满戏剧性的并非今天的掌声，而是它与过往的巨大落差。两年前，Google还在为Bard的“翻车”公开道歉，被视作大模型时代最典型的失败案例之一。而如今，同一家公司却成了最受追捧的焦点。

从被群嘲到被追捧，Google究竟是如何实现这一逆转的？

被ChatGPT唤醒，但核心路线始终如一

2022年底的ChatGPT如同一声惊雷，被这雷声唤醒最彻底的，正是设计开发了Transformer架构、当时如日中天的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意识到通用大模型的潜力。而Google内部的反应远比外界猜测得更激烈：搜索团队紧急成立“Code Red”应急小组，DeepMind与Google Brain在内部反复讨论技术路线，管理层数周连续加班开会，甚至内部邮件里都弥漫着一种紧迫与窘迫：

“如果再慢一步，我们恐将被历史淘汰。”

在此背景下，Bard仓促上线，问题百出，甚至因为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“尚能饭否”？至少在当时，更关键的不仅是产品本身，而是背后许多行业观察者的判断：

Google失去了节奏感，躺在功劳簿上，被OpenAI打得措手不及。

这便是“Google掉队论”的起点。但真正反转的是，Google在最被看衰的那段时期，并未更换核心路线。自2016年起，Google就宣布“AI-first”（AI优先）战略，并在之后持续投入了一条业内最重、最系统的“全栈式AI”路径：

不仅作为全球第三大云计算厂商运营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“不性感”“非爆发式”的长期工程，在ChatGPT的巨大冲击下并未被抛弃。

掉队并非方向错误，而是路线过长。既然路线正确，那就不该更换，而应加码推进。因此，Google在经历ChatGPT的冲击和Bard的失败后，也进入了最猛烈的调整期。

“Google式全栈”：十年磨一剑，一朝显锋芒

首先是当年被认为“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，路线和节奏由曾经主导开发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“统一资源”，但业内深知，这背后真正清除的是Google内部长期存在、几乎无法调和的技术路线分歧和组织壁垒。AI-first战略喊了多年，但直到这次重组，它才首次真正实现“力出一孔”。

与此同时，Google过去十年逐步构建的技术底座开始显现价值。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，这种优势恰好成为一个行业变量，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）的迭代节奏明显加快、投入加大。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，逐步提升自家云的含金量。

而从Bard到Gemini，本质上还伴随着一次“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、训练方法和评测体系。

这套统一后的体系，让Gemini 2.5能在推理和多模态上重返第一梯队，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“慢”，恰恰源于它在为这条统一路线夯实基础，而非缺乏方向。

体系的成形，最终需落地到产品上方能证明价值。在Bard的失败后，Google或许也意识到模型的核心价值，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，不仅支持了AI预览，还在早些时候下定决心，正式上线了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、不同设计目的的Gemini模型，也在影像、翻译、信息处理以及语音助手体验上带来质的飞跃，Magic Cue智能信息提示更是手机AI化的关键方向之一。

不同于已有产品和服务的AI化改造，NotebookLM和Nano Banana作为当今原生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，另一个将视觉生成推向更轻、更快、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、缓慢，但当模型能力、算力底座和产品矩阵在同一条路径上汇聚时，也突然具备了他人难以复制的整体性。

阿里、百度能否实现Google式“反转”？

若将国内这两年的大模型竞争置于同一坐标系中，豆包的领先已非“更快一点”，而是彻底甩开了身后所有追赶者。

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

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

但如果将视角稍拉高，又会发现豆包的领先并不意味着这场竞争已盖棺定论。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，正让它成为国内最有可能走出“Google式反转”的玩家。

千问App的爆发仅是最外层的信号。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。

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的累计下载量已居全球前列，甚至多次登上全球开源榜前几位。

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，让自身的技术体系首次具备向大众规模化输出的可能。

某种意义上，千问当前的状态很像Google之前的阶段——模型足够强大，生态足够深入，入口刚刚成型，真正的大考才拉开序幕。

而百度虽然在产品，尤其是C端产品的节奏上慢半拍，但仍然具备极强的技术底座。文心5.0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。它的AI云、城市级业务、自动驾驶体系，也使其在To B/To G领域拥有他人难以复制的纵深。

只是，这种体系化的投入并不会自动转化为C端用户规模，中间仍有诸多路径需探索。

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的路径。