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：7012 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，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。
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。
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。
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 "。
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，我们简单说一下。
AI 模型里的大量核心计算，是围绕数字进行乘法、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。
芯片为什么重要？
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。
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。
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。
谷歌同时拥有模型、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。
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：
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
好文阅读推荐：
