这个窗口正在打开，晚两年，可能轮不到你

你最好别惹我

这个窗口正在打开，晚两年，可能轮不到你



内容来源：笔记侠PPE（政经哲）课程26级美国站《创新英雄》现场分享。

责编 | 贾宁 第 9873 篇深度好文：7904 字 | 20 分钟 阅读

商业趋势

为什么现在有了ChatGPT，谷歌搜索的广告收入还在增长？

为什么一家靠搜索赚钱的公司，要持续重仓芯片、云和智能体？

这些问题，最终都与我们创业者自己的生意有关：未来，客户从哪里来，订单怎样成交，公司又该如何运转。

此刻，笔记侠创始人柯洲正带着来自AI、跨境电商、移动互联网、硬核科技等领域的第五代企业家，深入硅谷和西雅图这两座美国技术创新重镇，与AI大厂、AI创业者、AI投资人及出海企业展开层层深入的交流。

从技术路线问到商业回报，从前沿判断追到实际落地，不只听他们看好什么，更追问他们正在做什么。

下面的内容，仅是笔记侠PPE（政经哲）课程26级美国站分享的一部分。今天到访的谷歌也只是一个切面，更多值得追问的问题，还在一次次交流中密集展开。

明年再赴美国，我们期待与更多创业者同行：带着自己的问题，走进变化发生的现场，找到下一步的方向。

一、谷歌为AI时代准备了什么？

先看一组数字。

2026年第二季度，谷歌母公司Alphabet的总营收约为1198亿美元。其中，谷歌云收入约247.68亿美元，同比增长82%；谷歌搜索及其他广告收入约632.71亿美元，同比增长17%，约占总营收的53%。

这意味着，在ChatGPT出现之后，谷歌搜索的广告收入并没有像一些人预想的那样下降，而是继续保持两位数增长。

这组数据不能证明谷歌没有受到挑战，也不能把所有增长都归功于AI。但它提醒我们：不能简单地认为，有了AI问答，搜索就没有商业价值了。

恰恰相反，AI也可能让搜索接住过去没有接住的需求。

过去，用户搜索一个问题，找到答案后就离开了。这个过程中，有些需求比较明确，容易匹配广告；有些需求模糊、复杂，很难直接转化成商业机会。

现在，用户可以继续追问，AI也能帮助用户把需求一步步说清楚。

比如，一个人最初只是想了解某类产品有什么用，接着会问哪一种适合自己、不同产品有什么区别、哪个价格更合适。问题越问越具体，需求也越来越接近购买。

AI改变的不只是搜索结果的呈现方式，还可能缩短从“我有一个问题”到“我决定买什么”的距离。



谷歌正在尝试把广告融入这种新的搜索体验。它推出的AI搜索广告形式，就包括在用户提出复杂需求时，展示与需求更相关的商品，并解释这些商品为什么适合。

从商业模式看，这会带来几种可能。

广告仍然可以支持免费服务；对能力、使用额度和生产力有更高要求的用户，可以选择付费订阅。如果未来平台进一步参与交易，也可能探索交易服务费等收入来源。

搜索不再只是把用户送到另一个网页。它开始尝试更深入地理解需求，并参与后续的选择和行动。

而支撑这件事的，不只是一个更聪明的聊天界面。

原来很多不能被商业化的场景，比如用户问完一个问题就走了，现在通过AI，有一些问题用户可以再追问，原来追问之后还不能买的，现在可以买东西了，这就变成了可转化的收入。

AI把原来“问完就走”的搜索场景，变成了能直接下单的购物入口，从而把原本无法变现的流量转化成了可量化的收入。

以2022年为分界线，AI 出现之前，谷歌过去做的是搜索广告推荐，是用传统的广告思路，因为用户搜完信息就离开，谷歌只能在中间插播广告。

现在的AI更多是以大模型为基础的技术，能理解需求、推荐商品、甚至直接完成交易，谷歌就能从每笔交易中抽取佣金，商业价值完全不同了。



谷歌已经明确未来搜索不会是单一广告模式，而是“广告+订阅”的混合体。广告继续服务免费用户，订阅（如Gemini付费版）则满足对高生产力有要求的用户，两条线都能赚钱。

谷歌高管在财报会上也提到，Gemini对用户意图的深入理解，显著拓展了他们在“更长、更复杂搜索查询”上的广告变现能力——这类查询以往很难商业化，现在AI能接住，广告就有了用武之地。

1.重仓谷歌云：为未来的计算需求提前准备

谷歌云的高速增长，背后是一项持续多年的投入。做云和做一款消费者互联网产品，有很大的不同。

一款互联网产品可以先上线，再根据用户反馈不断调整。但云业务需要服务器、数据中心、网络，以及面向企业客户的交付、运维和服务能力。投入重，建设周期长，也不能只看眼前几个季度的回报。

对谷歌而言，这道题的关键不是“今天做云能赚多少钱”，而是：未来越来越多的计算任务，会在哪里发生？

如果AI要进入搜索、办公、软件开发和企业经营，就需要大量稳定、可持续供给的计算资源。云，便是承接这些需求的重要基础。

早在2016年公开的创始人信中，谷歌CEO桑达尔·皮查伊就提出，世界将从“移动优先”走向“AI优先”。同一封信也谈到，未来的许多计算体验很可能建立在云上，并强调谷歌在基础设施、数据管理和AI方面的长期投入。



谷歌并不是看到ChatGPT火了，才开始思考AI。

2017年，谷歌研究团队发表了提出Transformer架构的论文《Attention Is All You Need》。后来，这项研究成为大模型发展的重要基础之一。

把这些事情连起来看，思路就清楚了：AI需要计算资源，计算资源需要基础设施，云又能把这些能力提供给更多企业。

2.重仓TPU（张量处理器）：不只做模型，也做模型运行的底座

“AI优先”的另一项重要布局，是自研芯片。

2016年，谷歌公开了为机器学习设计的专用芯片TPU。它的英文全称是Tensor Processing Unit，中文叫张量处理器。

这个名字听起来复杂，可以拆开理解。

在大模型计算中，我们可以把张量理解为一种组织数字的方式。一列数字可以看作一维数组；多行多列数字构成矩阵；再往上，还可以组织成三维、四维乃至更高维的数据。

在这个语境下，向量和矩阵也可以视为张量的不同形式。

AI模型里的大量核心计算，就是围绕这些数字进行乘法、加法等运算。TPU做的事情，是针对这类机器学习计算进行专门优化。

那么，它与GPU有什么不同？

GPU最早主要服务于图形处理。比如，一张1080P画面有约207万个像素，要把它变成流畅的动态图像，就需要连续处理大量计算。

这类任务有一个特点：很多计算可以同时进行。因此，GPU具备很强的并行计算能力，这也使它适合承担大量AI计算任务。

TPU走的则是更专用的路线：围绕机器学习的计算方式，设计计算单元、内存和芯片之间的连接方式。



对普通企业来说，不需要记住这些芯片型号，但要理解它背后的商业意义。

模型训练得再好，最终也要交付给用户使用。每一次回答、每一次生成、每一次智能体执行任务，背后都有计算成本。如果成本降不下来，很多产品就很难大规模推广。

因此，自研芯片不只是一个技术项目，也会影响产品价格、服务能力和商业模式。

谷歌在专用芯片上的探索，也不只发生在AI领域。

YouTube曾经面临一个很具体的问题：用户上传一个视频之后，要让不同设备、不同网络条件下的观众都能观看，就需要把视频转成不同的编码格式和分辨率。

一个人用电脑看，另一个人用手机看；一个人的网络很好，另一个人的网络较慢。平台需要提前准备不同版本，再根据情况提供合适的视频。

视频量一大，转码就会消耗大量计算资源。为此，谷歌开发了专门用于视频处理的VCU（视频编解码单元），以提高YouTube视频处理基础设施的效率。它与TPU不是同一种芯片，但体现了相似的思路：围绕规模巨大的实际需求，做专门的硬件优化。

这也是谷歌做芯片的一个优势：它不仅能设计，还拥有大量可以使用这些芯片的业务。

模型和硬件也可以相互配合。

谷歌公开介绍过，Gemini 1.0的训练使用了自研的TPU。这意味着，它可以同时从模型和计算基础设施两端寻找改进空间，而不是只优化其中一端。

模型团队发现某类运算越来越重要，硬件团队就可以在后续设计中考虑；硬件能力发生变化，模型团队也可以调整训练和部署方式。

这不是说两支团队坐得近，就能自动产生优势，而是说，当算法、软件和硬件能够共同调整时，一些原本需要跨公司协调的问题，可以在同一个体系中解决。

这套能力也开始服务外部客户。Anthropic已经宣布扩大与谷歌及博通的合作，增加TPU计算资源。

芯片不是今天决定做，明天就能做出来。团队、设计经验、软件支持和规模化运行能力，都需要长期积累。

所以，看谷歌的AI布局，不能只盯着某一款模型的表现。它同时拥有模型、云、芯片和应用场景，这些能力组合起来，才构成了它更长远的发展空间。

二、谷歌正在走向怎样的AI时代？

1.面向消费者：Gemini不只是一款产品，也可能成为新的入口

理解谷歌，绕不开“入口”两个字。

用户从哪里开始寻找信息，往往决定了后面的流量、广告和交易机会。

谷歌过去的优势，是用户有问题时，会先打开搜索框。为了守住这个位置，它也愿意付出很高的成本。

根据法庭披露、媒体报道的信息，仅在2022年，谷歌就向苹果支付了约200亿美元，与其在Safari中的默认搜索地位相关。这个数字说明，搜索入口本身具有很高的商业价值。

到了AI时代，新的问题出现了：如果用户不再先输入几个关键词，而是直接对AI说出自己的需求，那谁会成为新的起点？

Gemini正在争取这个位置。2026年8月，谷歌宣布Gemini月度用户达到10亿，成为谷歌第14款达到这一用户规模的产品，也是其增长最快的产品。

但用户规模只是第一步。更重要的是，用户会把什么事情交给它。

过去，搜索的典型流程是：输入关键词、打开几个链接、自己比较、再决定下一步。

AI搜索则尝试把其中一部分工作接过来。用户可以提出更复杂的问题，继续追问，让系统帮助整理信息、比较选项。谷歌的AI Mode，就是围绕这类搜索需求设计的。



这带来的变化，并不是“网页链接一定会消失”，而是链接不再是唯一的交互形式。

答案、对话、商品信息和后续操作，可能出现在同一个过程中。

比如，一个用户想买创可贴。他关心的可能不是“有哪些品牌”，而是是否防水、贴在手指关节处是否方便、有没有不同尺寸，以及能不能尽快送到。

如果AI能把这些需求整理清楚，再展示相关产品，用户做决定的过程就可能变短。

对企业来说，值得关注的是竞争对象可能发生变化。

过去，我们更多考虑一个网页能不能排在前面。未来，还要考虑：一个具体商品的信息，能不能被AI准确理解？

价格是多少，适合什么场景，有没有库存，什么时候能送到，售后条件是什么——这些原来散落在不同页面里的信息，都可能影响AI能否把商品介绍清楚。

企业不仅需要被人找到，也需要让机器读懂自己的产品和服务。



2.面向企业：从提供一个助手，到参与一套工作流程

消费者使用AI，可能从提问、写作、搜索开始。

企业使用AI，则会进一步追问：它能不能接入我的业务？能不能帮员工把事情做完？能不能让不同部门之间的工作衔接得更顺？

从这个角度看，可以把谷歌面向企业的AI布局，理解为五类能力。

第一类，是Agent，也就是智能体。

这里不必纠结哪一年才是“Agent元年”。

更重要的区别在于：一个系统是只能回答问题，还是能够在获得授权后调用工具、执行步骤，并把任务推进到有结果？

例如，“告诉我如何处理客户询价”和“读取询价信息、查询产品资料、整理报价草稿”，是两种不同程度的帮助。

企业真正愿意持续使用的，往往是能够进入实际流程、减少具体工作量的能力。

第二类，是让Agent之间能够协作。

这就是A2A要解决的问题。

A2A的全称是Agent2Agent，核心是让不同系统中的智能体能够发现彼此、交换信息、委派任务，并反馈执行情况。谷歌于2025年4月发布了这一协议。

同年6月，谷歌将A2A项目贡献给Linux基金会。创始参与方包括谷歌、亚马逊AWS、微软、思科、Salesforce、SAP和ServiceNow等公司。它探索的，不是某一家公司的内部接口，而是不同企业、不同技术体系之间的协作方式。

举个例子。

客户发来询价，销售Agent先理解需求，再把报价任务交给报价Agent；报价Agent需要确认供货情况，于是向库存Agent查询；最后，把价格、库存和交付条件整理好，再返回给客户。

在规则清楚、系统打通、权限到位的情况下，这类协作有机会减少人工转交和等待时间。

原来需要在几个部门之间来回确认的事情，可能被压缩成几分钟的处理过程。但涉及特殊价格、异常订单或者重要承诺，仍然需要明确谁来审核、谁来负责。

个人Agent也可能走向类似的连接方式。例如，Meta在9月刚刚推出的Muse，强调的不只是回答问题，而是替用户执行任务、跨应用开展工作。

可以进一步设想，未来这类个人Agent，会与商家的Agent、企业的Agent，甚至另一个人的Agent协作。

第三类，是帮助企业使用自己的数据。

企业里有大量信息：产品资料、客户记录、合同、会议纪要、业务报表。

难点往往不是没有数据，而是数据分散在不同系统里，员工不知道去哪里找，也很难把它们连起来使用。

AI在这里的价值，是帮助员工在权限范围内检索、理解和分析信息，而不只是再增加一个问答窗口。谷歌的企业级产品，也把连接企业数据和应用作为重要能力。

第四类，是开发者工具。

软件开发是AI进入实际工作的重要场景。

另外，谷歌有很多开发者工具，大家都知道Anthropic的Claude Code和OpenAI的Codex，谷歌也有一个自己开发的工具Mechanize，是谷歌用超15 亿美元拿到了人才和技术授权的一家公司，用来增强AI代码能力。

现在，谷歌内部已经在用Gemini 4完善Antigravity AI（自家编码Agent平台），还没对外发布。

第五类，是企业级的协作和管理平台。

一个员工自己使用AI，和一家公司大规模使用AI，不是同一件事。

企业需要管理权限、连接内部系统，也需要知道哪些任务可以自动执行，哪些环节必须由人确认。

Gemini Enterprise（面向大型企业的人工智能代理平台订阅服务）所提供的，就是面向企业的AI和智能体平台能力。它可以借助谷歌云已有的企业服务体系，进入更大的组织和更复杂的业务环境。

所以，企业级AI的竞争，不只是模型能不能答对一道题。它还涉及数据能否接通、权限能否管理、流程能否运行，以及出现问题后能否追溯。

3.谷歌的六层AI体系

前面谈到的产品和技术，看起来很多，但可以放进六个层次来理解。

最上面，是应用层。 用户通过搜索、Gemini和企业应用，直接使用AI。

第二层，是数据层。 应用需要连接合适的信息，也需要从实际使用中发现问题。这并不意味着用户数据可以被随意拿去训练，而是强调数据的组织、授权和使用能力。

第三层，是模型层。 Gemini这样的模型，负责理解和生成文字、图像、音频等内容。谷歌从Gemini最初的设计中，就强调了原生多模态能力。

第四层，是云平台层。 它把计算、模型和开发能力提供给企业和开发者。

第五层，是基础设施层， 包括数据中心、服务器、网络和相关运行体系。

最底层，是芯片层 ，为上面的计算提供支撑。

谷歌不只在做最上面那个用户看得见的界面，也在做界面之下的许多事情。

应用提出需求，模型寻找解决方式，云和基础设施负责交付，芯片再影响成本与效率。

单个产品会有起伏，但这些能力一旦能够相互配合，就不容易在短时间内复制。

4.为什么要重点关注A2A？

当AI不仅能帮助人工作，还能代表人与外部系统协作，商业活动会发生什么变化？

比如，一家公司收到一个订单，后续可能涉及库存查询、仓库调配、物流安排、客户通知和财务入账。

要让Agent完成这条流程，不能只要求它“足够聪明”。它还需要知道数据在哪里、可以调用什么工具、拥有什么权限，遇到异常应该停下来找谁。

可以设想，一个Agent已经会使用浏览器，另一个Agent已经能查询库存，但要让它们稳定地完成一整笔订单，中间还有很多工作要做。

所以，企业级Agent的发展，更可能是先完成一部分流程，再逐步向前、向后延伸，而不是一夜之间接管全部业务。

为什么大家越来越关注企业工作流？因为工作流记录的不只是结果，还包括事情是怎么做成的。

客户为什么提出异议，员工如何回应，报价为什么调整，某次交付为什么延误，异常最后又是怎么处理的。这些细节，能够帮助我们理解真实业务中的判断过程。

更实际的过程是，企业在使用中发现问题，积累经授权、可使用的反馈和评估材料，再据此改进工作流程、工具调用、知识检索或者模型能力。

比如，一个Agent经常给出不完整的报价。检查后发现，不是它不会计算，而是漏掉了运输费用。那么，改进方向就可能是补齐数据接口、明确报价规则，再增加验证步骤。

这样的改进，才可能真正减少返工。

随着系统更可靠，企业才敢把更多任务交给它；使用范围扩大，又会暴露更多问题，推动下一轮改进。模型、产品和工作流程，就是这样相互推动的。

接下来，还有一道关口：Agent之间怎样沟通。

一个Agent会使用工具，并不意味着它能与另一个Agent稳定协作。

它们需要知道彼此能做什么，怎样描述任务，如何报告进度，失败时如何处理。A2A探索的，正是这类协作规则。

我们的判断是，未来一两年，我们会看到更多围绕这件事的尝试。但“开始出现”，与“已经成熟”，中间仍然有距离。

可以用一个购物过程来想象：用户对AI提出需求，AI帮助比较商品，用户确认后，由Agent推进下单和后续操作。

这个过程里，商品信息要准确，库存要及时，交易条件要清楚。到了支付环节，还要回答：用户到底授权买什么，允许花多少钱，操作有没有超出授权？

因此，A2A不能单独包办整个交易过程。

A2A主要解决智能体之间的通信与协作；谷歌另外提出的AP2，即Agent Payments Protocol，则针对智能体支付中的授权和可信记录等问题。它们解决的是不同层面的事情。

把这些能力连接起来，未来才有可能形成更完整的链条：

提出需求——比较和推荐——确认交易条件——授权下单与支付——跟踪履约。

过去，用户需要自己访问商家网站，寻找商品，阅读不同页面，再确认是否包邮、多久送达、能不能配送到自己的城市。

未来，这些信息可能由Agent帮助查询和整理。用户在一个对话界面里，就能看到商品名称、图片、价格、库存和配送条件。

未来的产品和服务，可能不只需要向人解释，也需要向Agent说明。



你的商品资料是否完整？报价规则是否明确？库存是否准确？哪些业务可以被外部系统查询？哪些操作必须经过人工确认？

可以打一个比方：我们或许正处在“AI时代的淘宝”形成之前，只是这个时代的淘宝，是给Agent用的。

A2A这个市场机会，要么奖励第一批参与的人，要么奖励把这事做得最好的人。

一旦过了明年、后年再做这事，不好意思，轮不到你。

去年说去年是Agent元年，今年又说今年是Agent元年，明年也可能还有人是Agent元年。

Agent真正能互联，这是一个不断迭代的事情。

结语：

回头看谷歌的布局，重要的不是它又发布了一款产品，而是芯片、云、模型和应用，正在被连接成一套长期能力。往前看，AI也可能从帮助人获取信息，逐步走向替人执行任务、协助企业完成交易。

我们不必等到AI原生操作系统和Agent经济完全成熟，才开始准备。更现实的起点，是找到企业里一项反复发生、消耗人力、又有明确结果的工作，尝试把它做得更好。

笔记侠AI十倍增长营03期即将在杭州开营。欢迎你带着企业正在面对的真实问题，与一群同样愿意行动的创业者一起，把对AI的理解往业务里推进一步。

看见变化之后，更重要的是让它与自己的增长发生关系。

期待，杭州见！





参考资料：

1.《AI时代的管理》，作者：陈春花，北京联合出版公司出版

包心客

篇深度好文多来点这种通报

你最好别惹我

这个课程26级美国站靠谱吗

文竹的一天

话说篇深度好文啥时候能见成效

平凡可贵h

哈哈先码住，回头再看课程26级美国站嗯

恐龙高新呀h

身边人也会关心云和智能体

加加加加油呀

支持关注篇深度好文。

草莓果酱啵啵

先码住，回头再看7904

落日航班

课程26级美国站对老百姓挺重要

天天干饭

关于云和智能体，本地人还是关心的

一颗火星子

感觉还行吧就，可能轮不到你

加加加加油呀

笔记侠PPE这块在跟进就好

大白熊吃草

先码住，回头再看篇深度好文

包心客

可能轮不到你希望能落实到位