Google 第三部：AI 公司。Google 的 AI 布局几乎无可挑剔……它能赢下 AI 吗？（音频）

摘要

• Google 进入 AI 平台转型时，拥有节目嘉宾能识别出的唯一一套端到端技术栈：Gemini 前沿模型、数百万枚 TPU、年收入超过 $50B 的云业务、全球消费者分发渠道，以及为整个努力提供资金的搜索垄断。 这让 AI 成为 Google 的“与生俱来的权利”，也构成了本期核心的创新者困境：更好的直接回答产品，在结构上可能不如它将取代的“巨型印钞业务”赚钱。

• 现代 AI 产业源自 Google 反复发明、资助、内部产品化，随后又放任其出走的研究成果。 早期概率语言模型驱动了“你是不是要找？”和 AdSense；Google Brain 的猫论文开启了推荐时代；Google 收购了 Geoffrey Hinton 的团队和 DeepMind；8名 Brain 研究人员发表了2017年的 Transformer 论文。然而，8名 Transformer 作者最终全部离开，OpenAI、Anthropic、NVIDIA、Character.AI 等公司则将由此产生的平台转型商业化。

• 当神经网络可能需要一座价值“另一个 Google”的数据中心时，Google 的决定性基础设施优势开始形成。 Google 先以 $130M 订购了 40,000 枚 NVIDIA GPU，随后仅用15个月设计并部署了第一代 TPU，采用低精度计算、兼容硬盘的外形，以及 FPGA 原型机。嘉宾引用的估算显示，Google 目前拥有 2–3百万枚 TPU，接近 NVIDIA 去年约400万枚 GPU 的出货量，可能使 Google 成为行业中 Token 成本最低的生产商。

• ChatGPT 在一夜之间将 AI 从搜索和广告的维持性技术，变成了具有生存威胁的颠覆性技术。 OpenAI 临时搭建的 GPT-3.5 聊天界面不到一周就达到100万用户，一个月达到3000万，两个月内达到1亿；随后 Microsoft 宣布“搜索迎来新的一天”，并希望全世界知道它“让 Google 跳起了舞”。Google 仓促推出的 Bard 不仅落后，而且在发布材料中出现事实错误，促使股价单日下跌8%。

• Sundar Pichai 的复苏“迅速但不鲁莽”：合并 Brain 与 DeepMind、任命 Demis Hassabis、让全公司统一使用 Gemini，并以接近前沿实验室的速度发货，同时不立即摧毁搜索经济。 Gemini 从2023年12月发布，进展到拥有100万 Token 上下文窗口的 Gemini 1.5、Gemini 2.0 和 Gemini 2.5 Pro；Google 同时将 AI Overviews 和 AI Mode 叠加到搜索之上，同时保留 Gemini 作为独立的完整聊天产品。结果是一场在采用率与自我蚕食之间维持平衡的“芭蕾”，而不是彻底替换 google.com。

• Google 可以用一家仍在创造年收入 $370B、利润 $140B 的公司，为商业史上资本最密集的竞赛提供资金。 Google 大举投资 AI 基础设施，同时保有 $95B 现金及有价证券、回购股票并支付股息；Google Cloud 年化收入已超过 $50B，增速约30%。那些拥有强大模型却没有自我造血现金引擎的竞争者，仍依赖外部资本和超大规模云厂商的基础设施。

• Waymo 最清楚地证明，Google 能长期维持一项技术难度极高的 AI 投资，直到“先是缓慢，然后一夜之间”到来。 Waymo 累计投资约 $10–15B，已完成超过1亿英里的完全无人驾驶里程，运营约2,000辆车，并报告称，与可比的人类驾驶相比，涉及重伤或更严重后果的事故减少91%。对照 CDC 估算的2022年美国交通事故死亡总成本 $470B，嘉宾如今看到了一个可信的“Google 级机会”，而他们过去曾把它视为无谓追逐。

• 投资逻辑取决于 Google 的全栈成本优势和分发能力，能否抵消 AI 更差的变现能力和更低的市场份额。 多头认为，更长的提示词暴露出更多用户意图，Google 可以向1.5亿 Google One 订阅者打包销售 AI，而芯片、数据、YouTube 语料、应用和私有网络会形成复合优势；空头则认为，AI 会抽走高利润的旅行和健康查询，却既无法支持类似搜索的广告，也无法维持90%的份额。未解的问题十分尖锐：“他们是宁愿破产，也不愿在 AI 上输掉吗？”如果 AI 始终不如搜索赚钱，他们还会坚持这项使命吗？

精读

1. Google 拥有完整 AI 栈，却可能必须摧毁最好的业务

• Ben 将 Google 的处境定义为教科书式的创新者困境：一家由政府认定的搜索垄断企业，拥有约90%的市场份额，发明了一种在很多场景更好的产品，却始终找不到让它“哪怕接近现有业务盈利水平”的方法。

• Google 的战略资产罕见地完整：Gemini 是顶级模型，Google Cloud 收入超过 $50B，TPU 是嘉宾认为唯一能在规模上与 NVIDIA GPU 相比的 AI 芯片部署，而当用户表达意图时，google.com 仍是“互联网的大门”。

• 一位研究人员的表述成为投资者的简化判断：如果既没有前沿基础模型，也没有 AI 芯片，参与者“可能只是 AI 市场上的一种商品”。嘉宾认定 Google 是唯一同时拥有两者的公司，而且它还拥有分发这些能力的云和应用。

2. Larry Page 从一开始就把 Google 构想成一家 AI 公司

• Larry 的父亲在机器学习和人工智能尚未流行时就研究这两个领域，这种逆向思维延续到了 Google。甚至 PageRank 也可以被理解为一种统计学、与 AI 相邻的系统。

• Larry 在2000年的表述已经包含了最终形态：“人工智能会是 Google 的终极版本。”终极搜索引擎应该理解网上的一切，准确知道用户想要什么，并返回“正确的东西”；普通搜索只是通往这个目标的渐进式路径。

• 因此，Google 后来的困境并不是外部闯入的一场无关颠覆。AI 同时是公司的创始使命、最伟大的研究成果、数十亿美元现有收入背后的机制，也是可能瓦解原有实现方式经济模型的产品形态。

3. 压缩成为 Google 关于机器理解的第一套理论

• 2000—01年前后，早期工程师 Georges Harik 告诉 Ben Gomes 和新员工 Noam Shazeer，压缩数据可能在技术上等同于理解数据：如果系统能减少信息、之后再把它重建出来，就说明它捕捉到了压缩后仍然保留下来的有意义结构。

• 嘉宾将 Harik 的学校考试类比直接连接到现代语言模型：世界知识被压缩进一组相对较小的参数中，再被“解压缩”为有用答案。David 谨慎地质疑这种拟人化说法——模型可能展示了理解，也可能只是在“模仿理解”。

• Harik 和 Shazeer 无视内部怀疑者，继续推进概率自然语言模型。Harik 的辩护体现了早期 Google 文化：“Sanjay 认为这是个好主意，而世界上没有人比 Sanjay 更聪明。”这里的 Sanjay 指 Sanjay Ghemawat。

• 他们最初的商业验证是 Google 的“你是不是要找？”系统。这是一种下一 Token 预测的早期祖先，根据用户随后进行的更正，推断用户原本可能想输入的查询。它既改善了体验，也避免基础设施反复处理那些用户会立即替换的错误拼写搜索。

4. PHIL 将语言建模变成数十亿美元业务

• Harik 和 Shazeer 将这项工作扩展为 PHIL，即 Probabilistic Hierarchical Inferential Learner。以2000年代初的标准看，它是一款“大型”语言模型。它通过预测序列并提取含义，应用范围远远超出了拼写纠错。

• Susan Wojcicki 和 Jeff Dean 在2003年准备 AdSense 时，PHIL 提供了理解第三方网页所缺少的能力。据报道，Dean 用一周实现了该系统：将 Google 现有的 AdWords 语料与发布商内容匹配，通过大幅扩大广告库存，创造了数十亿美元的增量收入。

• 到2000年代中期，据报道 PHIL 已经消耗 Google 整个数据中心基础设施的15%，服务于 AdSense、拼写纠正和相关应用。因此，早在 ChatGPT 出现前20年，语言建模就已经是计算昂贵、生产级、并且直接关联 Google 利润的技术。

5. Jeff Dean 将一个需要12小时的研究模型变成100毫秒产品

• Google Translate 的首席架构师 Franz Och 使用 Google 搜索索引中的2万亿个词训练了一个巨大的 n-gram 模型，并在 DARPA 翻译挑战赛中取得惊人的 BLEU 分数。问题是，翻译一个句子需要约12小时——提交截止日期相隔数天时可以接受，对消费者却毫无用处。

• Dean 重构了这项工作，让词语和句子成分能够在 Google 的分布式 CPU 基础设施上并行处理，而非顺序处理。几个月后，平均翻译延迟从12小时降至约100毫秒，研究系统最终上线 Google Translate。

• 这项成果确立了 Google 反复使用的一套打法：将前沿机器学习研究与基础设施工程结合起来，直到它变成具备全球延迟和规模的产品。同一套预测机制随后改善了搜索查询补全和 AdWords 质量分数，而更好的点击率预测会直接转化为收入。

6. 在 AI 流行之前，Google 已建立学术人才垄断

• 2007年，Larry 从 Stanford 人工智能实验室招来了 Sebastian Thrun，实际上用 Google 的签约奖金取代了创业融资流程。Thrun 带来一张由教授、研究人员和学生组成的网络，其中包括未来的 Meta 产品负责人 Chris Cox，以及曾短暂加入其中的 Stanford 本科生 Sam Altman。

• 在 Street View 和 Ground Truth 地图项目取得成功后，Thrun 说服 Larry 和 Sergey，允许学者在 Google 兼职，同时保留大学职位。研究人员得到薪酬、基础设施、同事，以及将成果部署给数百万人的机会；Google 则聚集了来自高度专业化博士谱系的稀缺实践者。

• Thrun 邀请 Geoffrey Hinton 在2007年到 Google 演讲深度神经网络，随后聘请他担任顾问，后来又让这位约60岁的研究者成为“暑期实习生”。由于上一轮炒作失败，神经网络仍被视为异端；但 Hinton 认为，多层系统需要的是更多算力，而不是另一套思想基础。

7. Google Brain 证明异步分布式神经网络可以运行

• 2010—11年前后，Andrew Ng 和 Jeff Dean 决定在 Google X 的 Google Brain 项目中押注一个大型深度学习模型，此前名为 Brain on Borg 和 Cortex 的项目都未达到预期。他们的目标，是让一个真正大型的深度神经网络运行在 Google 高度并行的 CPU 基础设施上。

• Dean 将训练系统命名为 DistBelief：一部分指向分布式计算，一部分是因为“没人认为它会成功”。传统研究偏好高度同步的计算；DistBelief 则异步更新参数，有时使用过时的信息，但最终确实运行了起来。

• 这项系统突破与模型本身同样重要。Google 可以在庞大机器集群上同时拆分数据和模型，将一种原本被认为计算上不可行的架构，变成现有基础设施能够训练的系统。

• 随后的“猫论文”使用9层网络、16,000个 CPU 核心和1,000万帧随机抽取的无标签 YouTube 视频画面。一个高层神经元在从未被告知“猫”是什么的情况下，对猫产生了响应，证明有意义的表征可以通过无监督学习自然出现。

8. 猫神经元悄然开启了第一个 AI 时代

• YouTube 当时面临的直接问题是元数据质量低：上传者对视频的描述很差，搜索和推荐系统无法判断视频内容。如果神经网络能直接从画面判断“是不是猫”，它就能对任何影响相关性的内容进行分类。

• 嘉宾从这一成果追溯出一条巨大的商业谱系：YouTube 推荐、信息流、停留时间、版权匹配、收入分成、显性内容过滤，以及后来 Facebook、Instagram、TikTok、Reels 和 Shorts 中的类似系统。这不是实验室里的好奇心，而是重组了人类度过闲暇时间的方式。

• David 的标志性修正是：AI 时代始于2012年，而不是2022年的 ChatGPT。对于任何拥有信息流、分类器或推荐系统的公司来说，神经网络早已在塑造人类生活，并创造数千亿美元价值，只是隐身在既有产品内部。

9. AlexNet 让游戏 GPU 成为现代 AI 的引擎

• Hinton 与 Toronto 的研究生 Alex Krizhevsky、Ilya Sutskever 参加2012年 ImageNet 竞赛，使用两块消费级 NVIDIA GeForce GTX 580 GPU 训练深度神经网络。他们用 CUDA 重写算法，而不是依赖当时与尖端研究绑定的超级计算机级 CPU。

• ImageNet 过去最好的系统误分类率约为25%；AlexNet 将错误率降至15%，一年内绝对改善10个百分点，相对提升约40%。这一断层式进步让此前持怀疑态度的计算机科学界相信，深度学习已经达到实用层面的优势。

• Jensen Huang 将 AlexNet 称为 AI 的“大爆炸时刻”，这一说法同时具有技术和金融含义：两块现成的游戏显卡解锁了下一阶段研究能力，也让 NVIDIA 踏上了从 PC 图形供应商走向全球最有价值公司的道路。

10. Google 通过教授主持的竞价收购 Hinton 团队

• Hinton、Krizhevsky 和 Sutskever 成立 DNNResearch 时没有产品，只有赢得 ImageNet 的研究人员。Baidu 率先提出 $12M 报价，Hinton 随后设计了一场计时竞价：每次新出价都会将时钟重置，再延长1小时。

• Microsoft、Google、Baidu，以及资金紧张的 DeepMind 都参与了竞价；Hinton 则在 NIPS 大会期间，于 Harrah’s Lake Tahoe 的酒店房间里主持流程。当研究人员决定想去 Google 工作时，他们以 $44M 终止竞价，而没有继续把最终价格推到最高。

• Krizhevsky 和 Sutskever 要求 Hinton 获得40%，两人各保留30%。3人加入 Google Brain。在数百亿乃至数千亿美元收入的基础上，即便搜索、广告、Gmail 和 YouTube 只提升几个百分点，也能从“沙发垫里找到相当多零钱”。

11. DeepMind 追求通用智能，其他人则追求分类器

• DeepMind 于2010年在伦敦由 Demis Hassabis、Shane Legg 和 Mustafa Suleyman 创立。Hassabis 集儿童棋类神童、商业游戏设计师、失败的游戏创业者、计算机科学家和神经科学博士于一身；Legg 则属于 AI 界自称的“疯子边缘”，并帮助推广了“人工通用智能”这一概念。

• 他们的跨越在于概念：AlexNet 和猫论文是在分类模式，而 DeepMind 提出的，是创造一种可以超越狭窄任务泛化、最终变得比人类更聪明的智能。它始终坚持的使命是“解决智能，再用它解决其他一切问题”。

• 网站上关于面向“模拟、电商和游戏”的通用算法的模糊承诺，反映了公司当时确实没有近期产品。DeepMind 真正需要的是足够资本和算力来开展开放式研究，而不是一套有客户、有单位经济模型的传统创业计划。

12. Peter Thiel 和 Elon Musk 因为使命听起来不可能而提供资金

• Hassabis 和 Legg 将目标锁定在2010年的 Singularity Summit，因为传统伦敦投资者不太可能为 AGI 实验室提供资金。Legg 要找的是一个“疯狂到不会在意几百万美元”、喜欢“超级雄心勃勃的事情”、也不会理会教授说这不可能的人。

• Peter Thiel 错过了 Hassabis 精心设计的会议演讲，Hassabis 便在会后派对上通过两人共同的国际象棋兴趣接近他。次日的推介促成 Founders Fund 领投约 $2M 种子轮——按后来 AI 的标准看微不足道，但足以开始招聘和实验。

• 通过 PayPal 人脉，Hassabis 在 SpaceX 见到了 Elon Musk。Musk 说火星是人类的备份方案，Hassabis 便追问：如果 AI 才是灾难呢？AI 可以通过通信系统，或人类带去火星的任何系统抵达那里。

• 据报道，Musk 沉默地坐了一会儿，得出“这可能是真的”的结论，不久后便投资。嘉宾将这视为他对 AI 安全的担忧开始转向的时刻，同时也加深了他对机器视觉和学习能够成为 Tesla 自动驾驶核心的判断。

13. Google 以使命、基础设施和独立性赢得 DeepMind

• 到2013年底，据报道 Mark Zuckerberg 向 DeepMind 提出最高 $800M 的报价，约为其创始人从 Google 方案中所得的2倍。Facebook 愿意容纳特殊安排，但 Zuckerberg 不愿给予 Hassabis 长期独立控制权；DeepMind 将成为 Facebook 的一部分。

• Musk 则用 Tesla 股票反击，当时 Tesla 市值约 $20B；嘉宾估计这批股票后来上涨了约70倍。但 Musk 希望 DeepMind 专注自动驾驶，创始人拒绝把实验室限制在单一产品问题上。

• Larry 在与 Musk 和 Luke Nosek 乘坐私人飞机时看到 DeepMind 的 Atari Breakout 系统，随后了解到它。系统自主发现了沿砖块边缘把球弹到上方、再沿顶部移动的策略，Larry 立刻想知道是谁做出来的。

• Hassabis 告诉嘉宾，Larry 只是“看懂了”。Google 已经有 Brain 与产品团队合作，因此 DeepMind 可以留在伦敦继续追求智能；Google 还提供了无可匹敌的算力和独立监督委员会。最终，这笔2014年1月完成的收购价格为 $550M。

14. DeepMind 在推出消费者产品前，先实现了战略回报

• 早期的一项内部应用使用神经网络优化数据中心制冷。Google 在2016年7月宣布，DeepMind 已将制冷所需能源降低40%；嘉宾认为，覆盖 Google 整个基础设施的节省，可能很快就足以证明这笔收购的价值。

• AlphaGo 随后在与围棋世界冠军 Lee Sedol 的对局中展示了创造性机器推理。它赢下五番棋的前3局，其中“第37手”起初看起来像是错误，后来却显露出极具创造力的策略，人类棋手也开始向机器学习。

• 围棋是合适的测试场，因为每回合约有200种选择，而国际象棋开局约20种、中局约30—40种。Hassabis 曾说，截至2017年，即使让全世界所有计算机运行100万年，也无法枚举围棋的每一种变化，因此 AlphaGo 必须学习表征和策略，而不是暴力穷举。

15. OpenAI 最初就是 Google 人才集中化的明确制衡力量

• Google 收购 DeepMind 激怒了 Musk。他曾投资该公司，希望把它的能力放进 Tesla。2015年夏天，他和 Sam Altman 在 Rosewood Hotel 组织了一场晚餐，邀请顶尖研究人员，并询问什么能把他们从 Google 的资金、同行、学术自由和基础设施中吸引出来。

• 几乎所有人都回答“没有什么”。只有 Ilya Sutskever 认为值得承担风险：“我觉得这其中有风险，但我也觉得这会是件非常有趣的事情。”嘉宾称这句话是“史上最 Ilya 的一句话”。

• 据报道，Google 提出了约为 OpenAI 2倍的反报价，并由 Jeff Dean 亲自出面，但 Sutskever 仍然坚持。这个决定为约7名研究人员、Stripe 的 Greg Brockman、Altman 和 Musk 组建一家非营利研究实验室提供了启动能量。

• OpenAI 承诺推进服务人类的数字智能，“不受创造财务回报需要的约束”。支持者宣布由 Musk、Altman、Reid Hoffman、Jessica Livingston、Thiel 等人承诺 $1B，但最终实际筹集到的只有约 $130M。

16. 早期 OpenAI 复制 DeepMind，直到融资模式失灵

• OpenAI 起初像一所大学或 DeepMind 式实验室：招募研究人员、发表论文，并为 Dota 2、魔方、Universe、Atari 游戏和开放世界游戏构建智能体。这些涌现策略在科学上很有趣，但没有一个项目明显发展成产品或商业引擎。

• Dario Amodei 于2016年初离开 Google Brain 加入 OpenAI，与 Sutskever 一起领导重大研究，后来创立 Anthropic。即使拥有这样的阵容，Musk 仍越来越觉得这是一组复制 DeepMind 的实验，而不是一项对 Tesla 有用、或在明确推进其使命的 AI 计划。

• Google 发布 Transformer 论文后，Musk 要求获得全部控制权——可能将 OpenAI 与 Tesla 合并——否则就彻底退出并停止未来融资。董事会拒绝了他的要求；到2018年初，OpenAI 失去了主要资金支持者，而可扩展 Transformer 恰好让资本需求开始爆炸式上升。

17. Google 订购 GPU，预示了 NVIDIA 尚未看见的工业市场

• Krizhevsky 于2013年加入 Google 时，惊讶地发现机器学习工作负载仍在 CPU 上运行。他在本地买了一台 GPU 机器，把它放进附近的储藏室，接入 Google 网络，像在学术界一样继续训练——只是电费由 Google 支付。

• 2014年，Jeff Dean 和 Alan Eustace 正式提议以 $130M 为 Google 机群增加40,000枚 NVIDIA GPU。财务部门表示反对，但 Larry 亲自批准了订单，因为“Google 的未来是深度学习”。

• 相对于 NVIDIA 约 $4B 的年收入和 $10B 的市值，这笔订单规模极大。嘉宾认为，它实际上证明了神经网络在生产环境中的价值已经足以让一家成熟客户投入9位数资金，也可能强化了 NVIDIA 大举建设这一市场的信心。

18. TPU 诞生于一个功能可能需要“另一个 Google”的时刻

• 神经网络语音识别最初只能运行在 Nexus 手机上，因为 Google 没有能力覆盖每一部 Android 手机。Dean 计算，如果10亿部手机每天使用3分钟，就需要约为 Google 现有数据中心规模2倍的基础设施：“我们需要另一个 Google。”

• Jonathan Ross 的 FPGA 工作搭起了通往定制 ASIC 的桥梁，这种芯片专门优化矩阵乘法。TPU 牺牲通用性换取效率，通过低精度数值和软件量化，让同样的内存、晶体管和功耗执行更多计算。

• 团队仅用15个月就完成了第一代 TPU 的设计、验证、制造和部署。FPGA 原型验证了数学逻辑；兼容硬盘的外形则让技术人员可以拔出硬盘、插入 TPU，而无需重新设计服务器机架，这是典型的 Google 基础设施捷径。

• TPU V1“并不出色”，但后续几代逐渐接近 GPU 的能力，并增加了更多功能。嘉宾引用的估算显示，Google 目前拥有2–3百万枚 TPU，而 NVIDIA 去年出货约400万枚 GPU，使 TPU 成为规模化平台，而非内部实验芯片。

19. Transformer 通过并行化注意力解决记忆问题

• Google 的神经机器翻译改造最初依赖循环神经网络，随后转向长短期记忆网络。LSTM 在2016年将翻译错误率降低60%，因为它保留了更多上下文，但计算仍然密集，也不适合 Google 已经构建起来的并行硬件革命。

• Jakob Uszkoreit 和同事研究更广义的“注意力”：模型不再只按顺序处理相邻词语，而是在预测每个译词时查看整段内容。嘉宾将其类比为专业人工翻译：先理解完整原文，再逐句表达。

• 这种架构计算量大，但高度适合并行。团队将其称为“Transformer”，既因为它把一种信息表征转换为另一种，也因为几位成员喜欢这个儿童系列。

• Shazeer 在早期实现未能击败 LSTM 后加入团队，从头重写代码库，回来后说：“现在它能用了。”Transformer 击败了现有系统，随着团队扩大模型，结果持续改善，显示出这是一种可扩展架构，而非狭窄的翻译技巧。

20. 优雅和规模定律取代了精巧的手工算法

• Google Brain 联合创始人 Greg Corrado 强调 Transformer 看起来简单得令人怀疑：“Transformer 几乎算不上神经网络架构。”研究人员往往认为如此优雅的东西不可能有效，但 Corrado 后来认为，简单和资源效率可能意味着它更接近自然界最终保留下来的解法。

• 这一结果预示了 Rich Sutton 后来的“苦涩教训”：研究人员偏爱复杂的领域专用算法，但在语言、视觉和游戏领域，可扩展架构配合更多数据和算力总是反复胜出。Transformer 成为了实现“更多数据、更多能量、更多算力、更好结果”最干净的机制。

• 这个概念循环在 Harik 和 Shazeer 2001年的午餐中闭合。讨论“理解即压缩”17年后，Shazeer 共同完成了一种模型：吸收庞大语料，将统计结构存储在压缩后的参数中，再重建符合上下文的语言。

21. Google 将 Transformer 当作战术工具，而非平台重置

• 8名研究人员于2017年发表《Attention Is All You Need》。截至2025年，嘉宾引用超过173,000次学术引用，使其成为21世纪被引用次数第7多的论文，尽管它比前述论文新得多。

• Google 并非完全忽视这项发明。包括 BERT 和 MUM 在内的 Transformer 模型改善了查询理解和搜索质量，延续 Brain 将新 AI 能力注入既有产品的打法。但 Google 没有把这种架构视为计算方式和用户界面的整体变化。

• Shazeer 认为 Google 应考虑用一个巨型 Transformer 替换搜索索引和10条蓝色链接，正是管理层无法证明合理的自我蚕食式行动。从2017年到 ChatGPT 出现，公司花了约5年改善原有业务，而不是建设新业务。

• 论文的8位作者最终全部离开，创办或加入 AI 公司。Shazeer 创办 Character.AI，直到 Google 以约 $2.7B 完成许可和招募交易后才回归——这是 Google 发布突破、失去人才、再花高价买回部分人才的昂贵例证。

22. OpenAI 押注 Transformer 规模化，甚至押上了自身实体

• 2018年6月，OpenAI 推出 GPT-1，将 Transformer 预训练应用于大量通用互联网文本，再针对具体任务进行微调。Google 的 BERT 和 Allen Institute 的一个模型大约同期出现，但 OpenAI 将这条路线视为定义机构未来的押注。

• 规模化立刻意味着更多数据、算力、能源和资本，超出了非营利机构能够持续供应的范围。嘉宾没有判断 Musk 的离开是造成转向的原因，还是仅仅加速了已选定的方向；无论如何，财务压力与 Transformer 同时到来。

• Reid Hoffman 将 Altman 介绍给 Microsoft CEO Satya Nadella。2018年7月 Allen & Company 大会期间的讨论，促成 Microsoft 承诺以现金和 Azure 积分投资 $1B，并获得 OpenAI 技术在 Microsoft 产品中的独家许可。

• OpenAI 创建了一家由非营利母公司控制的营利性有限合伙企业，让 Microsoft 能够投资，同时保留名义上的使命控制权。这一结构解决了眼前的资本问题，却也埋下了2025年仍在争议的“营利性非营利问号”。

23. Microsoft 提供了独立模型实验室无法自行建设的云

• Microsoft 的吸引力不只是现金，而是 Azure 能提供 OpenAI 缺少的 GPU 基础设施。一家年轻研究实验室不可能自己购买芯片、 확보电力、建设数据中心并运营全球训练机群；它需要一家超大规模云厂商。

• 这项合作让 Google 历史上最强大的竞争对手，在 Google 自己创造的平台转型中重新崛起。Microsoft 获得 Azure 和自身应用所需的差异化技术，OpenAI 则获得了在不回到 Google 的情况下实现规模化所需的资本和算力。

• GPT-2 于2019年到来，成为一个有潜力的 API，能够续写用户提供的文本，但需要开发者具备技能，也没有面向消费者的入口。2020年6月推出的 GPT-3 更加令人信服，有时难以与人类写作区分，但基本仍是等待产品化的基础设施。

24. GitHub Copilot 证明 GPT 可以改变真实工作流

• 2021年夏天，Microsoft 使用 GPT-3 推出 GitHub Copilot，这是 OpenAI 技术第一次重要的产品化。它将通用模型变成直接嵌入软件开发的辅助界面，而不是要求消费者为原始 API 自己设计提示词。

• 采用过程“先缓慢，然后一夜之间”发生：早期工程师私下说 Copilot 让他们效率有所提升；后来企业开始声称 AI 生成了大部分代码。本期将其视为消费聊天机器人爆发前已经发生的持久工作流转型。

• Microsoft 随后追加投资 $2B。到2021年底，OpenAI 拥有可扩展架构、云端支持者和第一个产品验证；与此同时，在加息和更广泛的避险崩盘中，Google 市值开始从接近 $2T 向 $1T 下跌。

25. Google 早于 ChatGPT 做出了聊天机器人，却无法负责任地发布

• Shazeer 构建了 Meena，这是一款在内部使用的 Transformer 聊天机器人，可以说已经接近后来的 ChatGPT 体验。但它缺少后训练和人类反馈强化学习，据报道可能生成“应该死去”的人员名单等同样不安全的回答。

• 技术原型与3个约束发生冲突：直接回答会威胁广告收入，出版商被去中介化会带来法律风险，而 Google 的可信品牌无法容忍一个会自信地产生幻觉的系统。即使在今天，David 仍会通过 Google 核实 Claude 的答案——这正是聊天机器人可能损害的信任承诺。

• Google 将 Meena 演化为 LaMDA，但仍基本把对话界面留在内部。Shazeer 在2021年离开，尽管他曾反复主张发布产品，同时还是 Transformer 的作者，拥有极强的内部履历。

• 2022年5月，在 ChatGPT 之前，AI Test Kitchen 暴露了一个受限的 LaMDA 聊天体验，但每次对话5轮后就会结束，因为对话越长，偏离轨道的概率越高。在 Microsoft Tay 事件之后，这种谨慎可以理解，却也阻止用户发现产品完整的魔力。

26. ChatGPT 是一款意外出现、需求爆炸的消费者产品

• OpenAI 的 GPT-3.5 很有用，但仍缺少直观界面。据报道，Altman 要求做一个聊天机器人；大约一周内，有人通过在聊天界面中包装重复 API 调用，做出了一个对话产品。实现如此简单，以至于公司的所有人都被回应规模震惊。

• Anthropic 可能加速了时间表：OpenAI 听说 Dario Amodei 的团队正在准备后来成为 Claude 的产品，于是希望先推出自己的聊天界面。两家实验室似乎都没有预测到这一品类会立即达到消费者级规模。

• ChatGPT 于2022年11月30日以“研究预览”形式发布。不到一周达到100万用户，12月31日达到3000万，到2023年1月底注册用户达到1亿，成为史上最快跨过这一门槛的产品。

• 服务器不堪重负，Microsoft 和 OpenAI 紧急争取更多 Azure 容量和融资，OpenAI 还迅速设置付费墙，部分原因是为了控制昂贵的需求。一家原本预测做 B2B API 授权的公司，几乎意外地发现了直接面向消费者的业务，成为“意外的消费科技公司”。

27. ChatGPT 将 AI 从 Google 的优势变成 Google 的紧急事件

• 2022年11月之前，Google 将 AI 视为维持性创新：更好的推荐、广告、翻译、Gmail、Photos 和搜索质量，都有利于拥有最多资本和数据的现有企业。ChatGPT 则展示了一种适用于许多搜索任务的更优界面，并把同样的资产变成需要保护的城堡。

• Sundar 在12月发布全公司“红色警报”，要求快速推出原生 AI 产品。嘉宾描述的正确应对颠覆策略是：推出可比的新产品，同时衡量它在哪些地方补充搜索、在哪些地方蚕食原有业务。

• Microsoft 进一步加大威胁，追加 $10B 投资，称自己现在拥有 OpenAI 营利实体49%的权益，并于2023年2月推出 AI 驱动的 Bing。Satya 宣布“搜索迎来新的一天”，并说：“我想让人们知道，我们让 Google 跳起了舞。”

• Ben 称这是 Google 能遇到的最糟糕情形：它历史最悠久的敌人可能凭借真正差异化的技术，跳过10条蓝色链接搜索，而不是推出另一个仿制品。不过，新的 Bing 发布本身“有点没打中”，给了 Google 组织更强回应的时间。

28. Bard 的失败迫使 Google 同时重建模型和组织

• Google 迅速将 LaMDA 聊天机器人重新命名为 Bard，并于2023年2月发布。精心编排的发布演示出现事实错误，产品明显落后于 ChatGPT，Alphabet 股价当天下跌8%。

• 嘉宾将体验差距归因于缺少后训练和 RLHF：Bard 没有 ChatGPT 的语气、适切性和表面上的纪律性。Google 在5月用 Brain 的 PaLM 替换 LaMDA，但仍落后于 GPT-3.5，而 OpenAI 已在3月发布 GPT-4。

• 随后，Sundar 做出了此前 DeepMind 协议一直阻止的组织决定：合并 Google Brain 和 DeepMind，成立 Google DeepMind，任命 Hassabis 领导合并后的 AI 组织，并让不同的使命和文化摩擦服从于全公司的单一紧急任务。

• 嘉宾将这笔交易理解为 DeepMind 吸收 Brain 的责任，而不是一次中立的联邦式合并。强化学习能力和前沿模型开发归于 Hassabis 领导之下，Jeff Dean、Oriol Vinyals，以及后来回归的 Shazeer 加入统一推进。

29. Gemini 成为 Google 的共同模型和集结号产品

• Sundar 的第二项命令是“一个模型解决一切”：文本、图像、音频和视频，服务所有内部产品和外部 AI 界面。集中化体现了规模经济：在多个团队重复前沿训练，会浪费即便是 Google 也有限的资源，并割裂数据飞轮。

• Google 在2023年5月 I/O 大会上宣布 Gemini，并于12月开放早期公开使用。Gemini 1.5 于2024年2月推出，拥有100万 Token 上下文窗口；Gemini 2.0 于2025年2月到来，Gemini 2.5 Pro 于3月进入实验模式，并于6月普遍开放。

• 搜索同时获得 AI Overviews，最初通过 Labs 提供、后来广泛上线，并在2025年3月增加 AI Mode。Google 可以在难以想象的查询数量上运行推理，但它有意根据查询和用户提供不同体验，而不是把 google.com 整体重定向到 Gemini。

• 同时重命名模型和消费者应用为 Gemini，在文化上很重要。Ben 的解读是，Google 在宣告这个产品本身就是技术——就像 Gmail 最初吸引用户的是速度、搜索和存储——而不是一个覆盖在模型上的、经过精心设计的社交体验。

30. Google 已恢复前沿速度，但尚未证明需求质量

• 除了核心聊天机器人，Google 还推出 NotebookLM、AI 生成播客、Veo 3 视频、Nano Banana 图像、Flow，以及 Genie 3 的提示词驱动世界构建。这些品类利用了 Google 的研究和 YouTube 资产，却不会直接蚕食高利润搜索查询。

• Google 报告 Gemini 月活用户达到4.5亿，从零开始的增长非常惊人，但嘉宾质疑这个口径。总数可能包括 Nano Banana、AI Overviews、AI Mode 或偶然发生的模型互动，类似 Meta 对那些无意中触碰 Meta AI 用户的夸大表述。

• 无论实际参与质量究竟如何，Google 都从灾难性的 Bard 发布走到了有竞争力的模型家族和快速发布节奏，同时收入达到纪录水平。David 看到了一种熟悉的能力：Google 成功适应了移动端，也可能正在再次学习如何吸收平台转型。

31. Waymo 说明为什么 AI 时间表无法预测

• 这条谱系始于 DARPA 2004年的 Grand Challenge：一场132英里的无人驾驶沙漠竞赛，奖金 $1M，禁止人工干预，约100支注册队伍中没有一支完成比赛。一年后，23支决赛队伍中有22支超过此前最佳距离，5支完成了全程。

• Sebastian Thrun 的 Stanford 团队获胜时使用的是一辆 Volkswagen，搭载几乎未经改装的商用硬件，而不是 Carnegie Mellon 大幅改造的车辆。他们的原则是，每一个定制部件都可能失效，因此接受噪声传感器，将创新放在软件中。

• 一套实时机器学习系统将精确的近距离激光数据与宽视角彩色摄像头画面结合。摄像头可以看向地平线并识别安全路径，让车辆提前预判转弯并提高速度。

• Larry 后来挑战 Thrun，要求他找出自动驾驶不可能实现的技术原因。Thrun 思考一晚后回答：“我意识到原因了。我只是害怕。”随后于2009年启动 Project Chauffeur，成为 Google X 的第一个项目。

32. Waymo 的第二个99%，花了10多年

• Larry 定义了“Larry 1000”，即约1,000英里的加州困难路段，包括 Tahoe、Lombard Street、1号公路和 Bay Bridge。一支小团队在18个月内完成了这一基准，证明可行性远快于证明它能成为安全、商业化的产品。

• 项目前5年没有使用深度学习。卷积网络在2013年前后改善了物体感知；源自 Transformer 的技术后来帮助预测和规划；Waymo 于2016年成为 Alphabet 子公司，并在2020年3月从外部融资 $3.2B。

• 第一项没有安全员的公开商业服务于2020年10月在 Phoenix 启动，距离项目开始已经11年。随后几轮融资包括 $2.5B 和 $5.6B，而 San Francisco 则将这项服务从演示变成了日常交通习惯。

• Sebastian 最初偏好高速公路辅助驾驶，Eric Schmidt 提议以约 $3B 收购 Tesla，Larry 则偏好无人出租车。最终选择的路线在运营上最难，却也创造了独特体验：乘客可以进行私人谈话、放置儿童安全座椅、携带宠物和打电话，不必与司机互动。

33. Waymo 可能是一项伪装成昂贵车队的 Google 级业务

• Waymo 已在 Phoenix、San Francisco、Los Angeles、Austin 和 Atlanta 运营，计划进入 Tokyo。嘉宾引用的数据包括：每周数十万次付费乘车、超过1亿英里的完全无人驾驶里程，每周增加200万英里、超过1,000万次付费行程，以及约2,000辆车。

• 它的硬件栈包括13个摄像头、4个激光雷达、6个毫米波雷达和外部麦克风。这比 Tesla 的纯摄像头路线成本更高，但 Waymo 认为，多种传感器是达到真正自动驾驶安全和监管标准所必需的。

• Waymo 最近的一项研究报告称，与可比的人类驾驶相比，涉及重伤或更严重后果的事故减少91%。美国每年有超过40,000人死于道路事故，约每天120人；嘉宾因此追问，为什么一个已被证明能带来数量级安全改善的系统，没有得到持续讨论。

• CDC 估计，美国2022年的交通事故死亡造成 $470B 总成本。事故减少10倍意味着每年潜在节省超过 $420B，还不包括新的出行和体验价值；对照这一机会，Waymo 估计累计烧掉的 $10–15B 如今看起来“真的非常明智”。

34. AI 竞争帮助保住了 Google 的搜索垄断

• 自上一期 Acquired 节目以来，一名联邦法官认定 Google 在互联网搜索领域构成垄断，但没有要求拆分 Chrome，也没有要求停止向 Apple 等公司支付数百亿美元的默认分发费用。

• AI 竞争促成了这种克制：OpenAI、Anthropic 和 Perplexity 已吸引数百亿美元融资，让法院相信市场可能自行产生可行挑战者，不必在新一轮竞赛中削弱 Google。

• Ben 认为这一逻辑值得怀疑，因为这些竞争者都还没有产生净利润；它们的竞争能力取决于投资者是否继续为巨额亏损提供资金。本期黑色幽默式的多米诺链条是：Sutskever 的离开催生了 OpenAI，而 OpenAI 的存在最终帮助阻止了 Google 被拆分。

35. Google 可以在回馈股东的同时为 AI 进攻提供资金

• 在最近12个月里，Google 创造了约 $370B 收入和 $140B 利润。嘉宾称它是全球最赚钱的科技公司，仅次于 Saudi Aramco：“别忘了，Google 是有史以来最好的生意。”

• Alphabet 市值在2022年跌向 $1T 后突破 $3T，排名落后于 NVIDIA、Microsoft 和 Apple。现金及有价证券从2021年的约 $140B 降至 $95B，因为 Google 同时建设 AI 数据中心、回购股票并启动股息。

• 这个悖论反而强化了多头逻辑：Google 表示要赢下“商业史上资本最密集的竞赛”，但其搜索业务产生的现金多到足以覆盖资本开支并保留安全垫。独立模型实验室没有可比的自我造血机制。

• Google One 订阅者也已超过1.5亿，同比增幅接近50%。大多数用户仍停留在更便宜的存储套餐，付费 AI 订阅起价约为每月 $20，但 YouTube Premium、YouTube Music、存储、Play Store 权益，甚至体育内容，都可能支撑一个规模化 AI 套餐。

36. Google Cloud 在学会企业销售后，成为 AI 分发渠道

• Google App Engine 于2008年推出，是一款意见鲜明的平台即服务产品，要求使用指定语言、SDK 和部署方式。AWS 的基础设施即服务模式更有用，而 Google 直到2012年才推出构成 Google Cloud Platform 基础的 Compute Engine。

• 早期业务还没有开放 Google 内部的核心资产，也缺乏企业组织。2017年收入只有约 $4B，市场拓展团队约150人，主要位于 California，而非靠近全球客户。

• Kubernetes 和多云可移植性给了这家排名第三的云厂商一条反向定位路线；随后，前 Oracle 总裁 Thomas Kurian 于2018年底加入，并增加了约10,000名市场拓展员工。收入从2020年的超过 $13B，增长到2022年的 $26B，部门于2023年实现盈利。

• 如今 Google Cloud 年化收入超过 $50B，增速约30%，是嘉宾提到的主要超大规模云厂商中增长最快的。AI 工作负载提供了顺风，而丰富的 TPU 让客户拥有 NVIDIA GPU 之外的选择——前提是他们接受 Google 的技术栈，而不是 CUDA。

37. Google 是唯一同时拥有所有主要 AI 支柱的公司

• 嘉宾将市场拆分为模型、芯片、云基础设施和规模化应用。NVIDIA 主要拥有芯片；Microsoft 和 Amazon 主要拥有云；Meta 拥有应用；AMD 拥有芯片；OpenAI 和 Anthropic 拥有模型；Apple 则按他们直白的判断，“什么都没有”。

• Google 四者全有：Gemini、TPU、Google Cloud，以及覆盖 Search、YouTube、Gmail、Maps、Docs、Chrome 和 Android 的应用。单是 AI Overviews 就能以创业公司无法制造的规模产生模型使用量，而 Cloud 让 Google 内部机群之外的客户也能使用 TPU。

• 云业务对芯片战略至关重要，因为 Amazon 和 Microsoft 不太可能自愿采用未经验证的 Google 加速器。Google Cloud 创造了初始需求和开发者入口；未来 TPU 若通过新型云厂商提供，可能扩大生态，而不必让 Google 变成传统的商用芯片销售商。

• 其可能目标不是获得 NVIDIA 式硬件毛利，而是形成类似 CUDA 的生态引力。如果用户可以在工作负载已经运行的地方找到 TPU，Google 就能提高利用率、改进工具链和模型经济性，同时降低对一个通过稀缺性定价攫取利润的供应商的依赖。

38. 分发、数据和 YouTube 让多头逻辑格外宽广

• Google 仍能在几乎每个互联网用户表达意图的时刻向其分发产品。AI Overviews 和 AI Mode 证明它可以把搜索需求导向新体验，而 Gemini 已达到嘉宾认为总体可与 OpenAI 和 Anthropic 相比的产品质量。

• Gmail、Maps、Docs、Chrome 和 Android 中的个性化数据，可能创造出独立实验室无法复制的助手。当前切换成本很低，但当 AI 理解用户数字生活中的通信、日程、文件、偏好和历史后，切换成本会急剧上升。

• YouTube 提供了互联网独有规模的长短视频用户生成语料，同时拥有全球第二大搜索目的地，以及 Google 的私有高带宽网络。模型可以识别每条视频中的每件产品，让它们即时可购物，生成新内容，并利用 Google 现有广告机器实现参与度变现。

• 公司仍拥有深厚的研究人才储备，也愿意花数十亿美元重新吸引顶尖人才。Dean 和 Shazeer 担任 Gemini 的联合技术负责人，Ben 的回应很简单：“Jeff Dean 在做这件事，我加入。”

39. 拥有加速器，可能让 Google 成为 Token 成本最低的生产商

• NVIDIA 约75%—80%的毛利率意味着，买家支付的是生产成本约4—5倍的价格。Google 仍需向合作伙伴 Broadcom 支付费用，据报道 Broadcom 的毛利率约50%，但这更接近2倍加价；当加速器占总成本的比重很高时，差异十分巨大。

• 嘉宾引用的估算显示，芯片和折旧占 AI 数据中心成本的一半以上，研发和软件人力约占25%—33%，电力仅约占2%—6%。快速过时使5年芯片折旧显得过于乐观：NVIDIA 自身很快就从 Hopper 转向热捧 Blackwell。

• AI 公司可能只能实现约50%的毛利率，而不是软件行业常见的80%。在这种世界里，低成本生产的重要性远高于此前几轮技术浪潮；Google 自有芯片、数据中心、网络和利用率，可能决定谁能持续销售 Token。

• Token 规模说明了这一点：据报道，Google 在2024年4月通过产品处理了10万亿个 Token，2025年4月接近500万亿个，6月达到980万亿个。将训练成本摊销到如此庞大的推理基础上，形成了独立实验室难以匹敌的结构性优势。

40. AI 最终可能比搜索观察到更多用户意图

• 传统搜索平均只有2—3个词，而 AI 提示词往往超过20个。Bill Gross 的观点是，更丰富的语言暴露出更精确的意图，因此未来广告系统应该更清楚地知道“那个用户到底想要什么”，并据此对相关广告位定价。

• AI 还会把复杂规划、解释、创作和长时间互动等线下或原本不存在的行为，转化为可衡量的数字会话。如果界面能在不摧毁信任的情况下容纳商业参与，可变现的蛋糕可能大于搜索，而不只是对搜索进行蚕食。

• Waymo 则提供了搜索替代框架之外的额外上行空间，可能将网约车扩展为私人出行、个人拥有的自动驾驶、为盲人和老年人提供的交通服务，以及卡车运输。嘉宾将投机性的 AGI 排除在正常估值分析之外，但承认它是“银河大脑级”的上行空间。

41. 空头逻辑始于更弱的变现能力和分散的市场份额

• Google 当前的 AI 产品尚未证明拥有可比搜索的广告形态。嘉宾估计，Google 从一款免费产品上每年可从美国用户获得约 $400；但只有很薄的一部分用户愿意每年支付大约同等金额购买 AI 订阅。

• 搜索于1998年推出，并在两年内找到 AdWords；而当前 AI 浪潮仍缺少同样明显的价值捕获机制。创造高价值，并不意味着经济利益一定会留在模型提供商手中，而不是流向用户、应用、芯片制造商或云厂商。

• Google 拥有约90%的搜索份额，但在与 OpenAI、Anthropic、Perplexity、xAI、Meta 等共同竞争的 AI 市场中，可能只能获得25%—50%。即使每用户变现相同，市场权力也会大幅下降。

• 最先转移到聊天界面的查询，可能恰恰是利润最高的查询：过去会带来 Expedia 广告的旅行规划，或对应昂贵法律和医疗线索的健康问题。财务侵蚀可能在总收入创纪录时就已经开始，只是尚未出现在合并报表中。

42. 作为现有企业，Google 已失去早期转型时享有的善意

• Google 的聊天机器人起步时“明显差得一眼可见”，随后才逐步接近同等水平；而1998年的搜索一开始就明显更好。如今公司是在守护一个根深蒂固的特许经营业务，而不是作为拥有 radically better 产品、备受欢迎的挑战者进入市场。

• 公众和监管机构对所有大型科技公司的态度都恶化了，但嘉宾认为，创业公司仍比 Google 获得更多善意。OpenAI 和 Anthropic 很早就不得不表现得像具有重大影响力的机构，但它们仍保留更多挑战者叙事。

• 核心风险不是技术能力不足，而是利润、出版商、信任和股东压力带来的犹豫。如果 AI Mode 更好地实现 Google 的使命，公司为什么不更激进地推进？因为每一个百分点的迁移，都可能影响商业史上最伟大的业务之一。

43. Google 最强的 AI 能力是规模、品牌和被围住的分发渠道

• 在 Hamilton Helmer 的框架中，规模经济占据主导：Google 将训练、硬件、网络和软件成本摊销到搜索规模的推理量上，而高利用率改善每一枚 TPU 和每座数据中心的经济性。

• Google 搜索是一项被围住的分发资源，更广泛的产品组合则会在 Gemini 个性化后创造未来的切换成本。品牌有两面性，但对主流用户而言，“我信任 Google”可能胜过对现有企业的反感。

• 网络效应目前很弱，因为另一个 Gemini 用户不会直接改善某个用户的体验。Google 也不具备反向定位优势——它正是被反向定位的一方；嘉宾同样尚未看到一种流程能力，能稳定地产生同行实验室无法获得的突破。

• 这种更薄的能力结构很能说明问题。搜索看起来几乎拥有所有持久优势；AI 目前赋予 Google 数项强大优势，却没有形成过去那种足以让它长期保持90%份额的压倒性组合。

44. Google 的结果取决于能否保持快速，而不变得鲁莽

• Ben 的总结是，这是“有史以来最迷人的创新者困境案例”。Larry 和 Sergey 曾说，他们宁愿破产，也不愿在 AI 上输掉；但真正的考验只有在推进 Google 的信息使命意味着接受一项永久不如搜索赚钱的业务时才会到来。

• David 认为，尽管开局步履蹒跚，Google 现在可能比任何其他现有企业都更好地走在钢丝上。它统一了相互竞争的实验室，标准化使用一个模型，重新招回关键人才，快速发布产品，并通过选择性整合保护原有业务，而不是冲动地做一次全有或全无的切换。

• 未解的可能性是：搜索的基础正在侵蚀，而财务报表仍然极其出色。收入创纪录可以暂时与用户将最有价值的工作流转移到其他地方并存，尤其是在 Google 自己通过昂贵的推理成本补贴这场迁移时。

• 目前，嘉宾认可 Sundar 做到了“迅速但不鲁莽”。同时维护一项使命和一家上市公司的利润引擎，是极其困难的双重任务；Google 能否兼得，将使这一案例成为商业史上定义平台转型的事件之一。