为什么谷歌的计算优势无法买来AI领导力

全球四分之一的算力，无处可去

截至 2025 年底，Google 掌控着全球约 25% 的 AI 算力容量。它是地球上最大的单一算力持有者——TPU 实例更多、GPU 集群更大、专为机器学习建设的数据中心面积比任何公司都多。然而，其最新旗舰模型 Gemini 4 Argon 在 Artificial Analysis 基准测试中仅与 OpenAI 的 GPT-6 Astra 并列，都得分为 53 分，同时落后于 Anthropic 的 Claude Opus 5.5 整整五分。在这条赛道上，五分是永恒的距离。当市场向最快推出最强模型的公司集中时，这五分决定了第一名与无关紧要之间的差别。

这一悖论如今已足够清晰，以至于即使是 Google 最同情的分析师也已不再将其视为训练问题。这不是芯片数量不够的问题，而是当你拥有的芯片在抵达你的最佳模型之前，就被重新分配之后会发生什么。

一场无人宣布的内部战争

SemiAnalysis 创始人兼 CEO Dylan Patel 在 10 月 9 日的 Big Technology Podcast 中将这一局面阐述得最为直白。Google 的总算力每年都在增长，但 DeepMind 所占的份额却没有。在过去六个月里，Google 用于训练和运行自身模型的算力比例，实际上相比两三年前已经收缩。绝对数字依然惊人——DeepMind 使用数十万块 TPU 进行训练——但趋势比绝对值更重要。

Patel 将这种动态描述为两位激励方向截然相反的高管之间的拔河。一边是 Google Cloud 负责人 Thomas Kurian，他的工作是向任何付得起钱的人出租算力。他的部门去年创造了 320 亿美元的年收入，且仍在加速增长。另一边曾是 DeepMind 联合创始人 Demis Hassabis，他于 8 月退居运营领导岗位以专注于研究战略。据 Patel 称，Kurian 正在获胜。Cloud 部门在公司董事会层面的影响力随着盈利能力的增长而扩大，而 DeepMind 的运营话语权则同时被削弱。

预测结果毫不乐观：如果当前的分配模式持续下去，到 2026 年底，DeepMind 的人均算力将低于 OpenAI 或 Anthropic。到 2027 年，这一差距可能进一步拉大。Patel 预计 OpenAI 和 Anthropic 每年各自新增五到十吉瓦的新增容量，而 Google 为自身内部使用可能仅新增几吉瓦。其余部分——绝大多数——将流向付费的 Cloud 客户。

换句话说，Google 的算力盈余正在被设计成他人的竞争优势。每一纸对外签署的合同，都是内部一次被取消的模型训练任务。

向你的敌人出售弹药

这种分配背后的商业逻辑并不隐蔽。Google Cloud 是 Alphabet 帝国中最盈利的业务板块之一。向外部客户（包括终有一天可能挑战 Google 自身模型 AI 初创公司）出租 TPU 和 GPU 容量，能够产生即时收入和明确利润率。将同样的容量部署于内部，则产生需要更长时间兑现的战略押注，回报不确定，且没有保证由此产生的模型能缩小基准分差。

当财报电话会议的提问到来时，Cloud 部门的增长指标是直接回答。DeepMind 的基准分数不是。Kurian 的数字出现在利润表上，而 Hassabis 的数字则出现在几乎无法推动股价的研究论文中。

讽刺意味近乎文学化。OpenAI 和 Anthropic 在这里并非 Google 的合作伙伴。它们是其未来的竞争对手。而 Google 正在为其算力扩张提供资金，同时限制自身的扩张。每一吉瓦售出给客户，就有一吉瓦无法用于 Gemini。每一笔在东京或法兰克福签署的企业合同，都是对加州山景城的一次训练任务的剥夺。

这不仅限于 Google。几乎所有主要云服务商都面临租金收入与内部研发之间的同一张力。Amazon AWS 谨慎应对。Microsoft Azure 通过与 OpenAI 的伙伴关系来管理这一冲突。但 Google 的处境独特，因为它是自己市场中的房东同时也是租户。这种冲突是内部驱动的而非市场驱动的，这使其更难察觉、更难量化，也通过常规公司治理更难解决。

次生影响已经显现。几家作为 Google Cloud 客户起步的中阶 AI 初创公司已经悄然将部分基础设施转移到竞争对手平台——这表明即使 Google 的客户也意识到，依赖一家在 AI 模型开发上与自身竞争的公司，本身就是一个战略悖论。

搜索业务的恐惧因素

Patel 没有充分强调的，是问题的第二个层面——但接近 Google 产品团队的内部人士曾私下提及。Google 在搜索领域的模型幻觉问题上变得 visibly 谨慎——这是其品牌最为脆弱的领域。当 Google 自身搜索产品给出自信但错误的答案时， backlash 会立即且全球化地爆发。这种情况多年来一直如此。2024 年底推出的 AI Overviews 因多处广为报道的事实错误，触发了国会审查和一波持续至今的用户不信任浪潮。

这种恐惧似乎在塑造 Google 训练模型的激进程度。保守的护栏、对模型能力的探索范围收窄，以及对可靠性而非纯推理性能的优先倾向，即便在底层算力充足的情况下，也会压低基准分数。OpenAI 和 Anthropic 运行在一个不依赖每日准确度声誉的搜索产品之外，可以做出不同的取舍。它们可以在推理上更激进，在能力上承担更大风险，并接受更高的幻觉率以换取评估任务上的更优表现。

被取消的 Gemini 3.5 Pro 发布——最初由 Sundar Pichai 于 6 月预览，随后被悄悄撤回——表明这种谨慎可能已经走得太远。一个准备发布却因性能原因被撤回的模型，对于一个曾以自信发布著称的公司来说，是不寻常的信号。内部消息人士将此次取消描述为罕见的自我修正时刻，但也表明 Google 对公开发布风险评估的大门已经收紧许多。

人才涟漪效应

算力紧缩的第三个后果更难衡量，但长期来看可能更具破坏性。当 DeepMind 的研究人员知道他们的项目将与 Cloud 的收入承诺竞争算力分配时，他们会调整自己的行为。一些人转向拥有更明确商业时间表的定向工作。另一些人选择离开。DeepMind 的高级员工流失率在 2024 和 2025 年持续加速，离职员工将战略方向不明和资源不确定性列为主要原因。

人才流失会加剧算力问题。经验丰富的研究人员携带着关于训练方法、基础设施优化和模型架构的组织知识，这是任何数量的新硬件都无法复制的。每位离职者都让剩余团队效率降低，这意味着即便那些到达 DeepMind 的算力，其产出也会比一年前少。

未来何在

这一结构性问题不会通过工程手段自行解决。在 Google 管理层将 Cloud 营收模式与其 AI 雄心 reconcile 之前，DeepMind 将继续以比竞争对手更少的资源竞争，无论 Alphabet 建造多少数据中心。问题不在于 Google 能否建造足够的算力——它能，并且正在建造——而在于它是否会在正确的时间将足够的算力分配到正确的问题上。

Patel 对 2027 年的预测值得密切关注。如果 OpenAI 和 Anthropic 各自新增五到十吉瓦，而 Google 仅为自身内部新增极少部分，算力差距将比任何基准测试所能解释的速度更快地扩大。Argon 的 53 分并非努力的失败。它是优先级的反映。

Alphabet 董事会面临一个越拖延越简单的抉择。它可以保护 DeepMind 的算力分配免受 Cloud 营收压力的影响——将基础模型开发视为战略垄断而非成本中心——或者接受 Google 将在生成式 AI 领域成为一家强大但次级的参与者，而其 Cloud 部门则从与之竞争的公司的盈利中获利。没有干净的第三种选择。现状已经是一个决定，而其后果正在不断累积。