谷歌揭秘了AI竞赛的底牌
在一片AI泡沫论的声浪中，谷歌携Gemini 3.0上演王者归来，全面碾压GPT5.1等竞品，重登AI大模型王座。
从群嘲掉队到逆风翻盘，谷歌以全模态路线宣告：AI之争已从参数军备竞赛转向生态落地鏖战。
长坡厚雪的AI赛道，正赛或许才刚刚开始，而获胜的底牌似乎已被谷歌揭晓。
一、持续创新，保持不下牌桌的能力
DeepMind首席科学家（Gemini项目负责人奥里奥尔·维尼亚尔斯（Oriol Vinyals）透露，谷歌从掉队到翻盘的秘诀，就在于“改进了预训练和后训练”。
专家分析，Gemini 3.0的进步可能源于谷歌的多维度创新，包括数据质量提升、架构微调、训练稳定性增强，以及Tree of Thoughts（思维树）和Context Engineering（语境工程）等一系列前所未有的创新，成就了一个更“懂你”的Gemini 3.0。
大模型训练作为一项复杂系统工程，数据、算力、参数等每一个环节的增益，都能推升模型性能。
在大厂们笃信大力出奇迹的Scaling Law（规模定律），纷纷砸钱堆算力、扩数据、加参数来提升模型性能的路径依赖之外，还有大量调整参数、优化算力配置、打磨数据效率的“苦活累活”。过去，华人工程师因为“只擅长在Scaling Law框架下做优化，却做不出 Transformer 这类架构级创新”的偏见，被戏称为“参数调优工”。
而在Scaling Law瓶颈愈发显现的当下，“榨干Scaling Law”的本领，恰恰成为华人工程师最明显的优势。即便哪天Scaling Law在数据和算力上完全失效，至少在华人工程师规模上还会依然奏效。
事实上，华人工程师的数量和质量，已经成为硅谷风投评估AI初创公司的核心指标之一。
100万，这是黄仁勋在讲话里反复强调的数字。中国拥有100万全职AI开发者，全天候投入AI研发，而放眼整个硅谷，最多只有2万人全职在做基础模型。
虽然中国公司给出的薪酬，尚难与硅谷的竞争对手相匹敌，但正如OpenAI联合创始人兼CEO山姆·奥特曼（Sam Altman）所说，“最后赢的会是‘传教士’，而不是‘雇佣兵’”。
无论AI竞赛的终点是AGI（通用人工智能）还是ASI（超级人工智能），人类迈向AI时代的科技长征依然雄关漫道。大浪淘沙，千帆竞渡，唯有创新，持续创新，才能不被淘汰出局。
曾几何时，谷歌仍是傲视寰球的AI霸主，它亲手缔造了Transformer架构，却为OpenAI等后来者送上嫁衣。
OpenAI以颠覆性的ChatGPT开启了生成式AI新纪元，而DeepSeek又以面壁者的姿态，一举击碎OpenAI精心构筑的商业壁垒。
华山之巅，没有永远的王者。
DeepSeek证明了中国有能力赢。
谷歌证明了比赢更重要的是，保持不下牌桌的能力。
二、应用为王，生态协同路线的降维打击
经历了2023年初Bard的黯然失利，谷歌痛下决心，合并Google Brain和DeepMind两大山头，集中优势兵力All in Gemini，同时要求谷歌所有产品线积极寻求与Gemini整合。这既是为了集中资源打造最强模型，也是基于谷歌商业帝国生态优势作出的战略选择。应用生态正是OpenAI等后起之秀最大的短板。
凭借Gemini 3.0，谷歌终于打通了模型+生态的任督二脉。
原生多模态能力构成了Gemini 3.0的核心优势。特别值得注意的是，在ScreenSpot-Pro测试中，Gemini 3.0的得分达到72.7%，是GPT-5.1（3.6%）的20倍，表明该模型在理解屏幕截图和用户界面方面实现了质的飞跃。正如谷歌CEO Sundar Pichai所言："令人惊叹的是，仅仅两年时间，AI已从单纯处理文本和图像，发展到能够读懂场景。"
Gemini 3.0的发布绝非一次单纯的模型升级，而是整个谷歌生态的“联合作战”。
发布当天即实现与谷歌全系产品的深度整合，通过Gemini App、Google搜索AI模式、AI Studio和Vertex AI等渠道向用户开放，直接触达20亿搜索月活用户、6.5亿Gemini App用户和1300万开发者。构建了覆盖消费级应用、企业服务和开发者工具的全模态AI产品矩阵。
这种“生态预装”的策略，打破了AI模型与应用场景的割裂感，使技术升级第一时间转化为更智能的用户体验，也让谷歌旗下原本各自为战的产品线形成了前所未有的协同效应——从消费端到企业端，从产品层到基础设施层，通过Gemini 3.0，实现“一通百通”。
谷歌这回的打法，是对大力飞砖模式的纠偏，也是AI应用价值的回归。
区别于美国算力优先的发展路径，中国一直坚持应用为王的发展模式，上海一年一度的世界人工智能大会（WAIC），就是一面很好的镜子，从大模型到具身智能、从产业实例到生活场景，AI应用百花齐放、目不暇接。新一轮规划实施的“人工智能+”行动，又持续力推AI在科研、经济、民生、治理等重点领域里的应用落地。
构建繁荣的应用生态有两个关键条件，一是足够大的市场规模（用户量），二是足够开放的发展环境。
恰好中国拥有庞大的市场规模，并坚定支持AI开源的政策立场，使AI应用能够迅速从概念实现商业化、普惠化，通过“应用—数据—技术”循环，使AI真正成为经济社会发展新引擎，而非纸面繁荣的烧钱黑洞。
美国显然意识到AI算力投入与应用回报严重失衡的问题，最近特朗普正式签署“创世纪计划”，被称为AI版“曼哈顿计划”，核心目标是：利用AI推动核聚变、芯片、生物技术等领域科研突破。
三、算力平权，英伟达帝国的第一道裂缝
在此之前，英伟达凭借“唯一卖铲人”的地位，几乎垄断了AI算力市场，以80%毛利率坐收“GPU税”，全世界的AI公司再嫌贵，也得咬牙买单。
但Gemini 3.0完全依托谷歌自研的第七代TPU（Ironwood）训练得来，成本仅仅是英伟达路线的一半。
这是算力平权的标志性转折。
换句话说，对比深度绑定英伟达路线的OpenAI和Anthropic等AI公司，在同样的预算下，谷歌可以干成双倍的事情。如此悬殊的成本差距，只会造成两个结果，要么英伟达降价，要么更多芯片开始分食英伟达的市场。
meta就在第一时间宣布起义投诚，准备下单数十亿美元采购谷歌TPU，无论是否真心，都在说明一个不争的事实，天下苦英伟达久矣。
尽管英伟达自诩领先行业整整一代——相较于定制化芯片，英伟达能提供更卓越的性能、更强的通用性与可替代性。
但Gemini 3.0证明了模型架构和定制化芯片的深度协同，可以带来非线性的能力突破。
市场已经逐渐接受这一共识：不用英伟达的芯片也能训练出最顶级的AI模型。
目光转到中国，这一幕似曾相识，自主可控，殊途同归。
黄仁勋预测，“到2027年，中国将拥有比全世界其他国家加起来还多的AI算力。”
得益于相对廉价的算力，中国公司能够用更多的资源去投入AI应用研发。算力从“奢侈品”向“基础设施”的回归，也是AI产业真正走向普惠的前提。
四、架构级创新，条条大路通罗马
Gemini 3.0的卓越性能证明了Scaling Law至少目前依然有效，但活跃在AI前沿的研究者已经把目光投向了更远的地方。
OpenAI创始人之一Ilya认为，“预训练+Scaling”路线已经明显遇到瓶颈。与其盲目上大规模，不如把注意力放回到“研究范式本身”的重构上。
这与图灵奖得主、meta前首席AI科学家Yann LeCun（杨立昆）坚定呼吁“LLM已死”的观点高度一致。
那么，在LLM之外，AI的下一站何去何从？
World Model（世界模型）是一个公认的选项。
李飞飞在《世界模型宣言》中旗帜鲜明地指出：LLM 已触及天花板，空间智能才是AI的下一个十年。她为世界模型定义了三大核心能力：生成性，创造符合物理定律、空间一致的3D世界；多模态，处理图像、视频、文本、动作等多种输入；交互性，基于动作预测下一个世界状态。这种范式转换，使AI从“能说会道”到“能看会做”，从“描述世界”到“创造和互动世界”。
类脑研究或许也值得期待，因为越高级的智能，越善于小样本学习。
Aizip联合创始人陈羽北提出一个观点：大模型未必大在数据，而是大在架构。人脑拥有极高的数据效率，十几岁小孩接触的语料总共不到100亿Token，但人类的大脑结构却非常复杂，包含860亿个神经元。类脑研究的进展，极有可能推动AI从“暴力计算+海量数据”的低效范式，转向“生物结构+高效计算”的新架构。
Ilya宣称：AI正从“规模时代”，重新走向“科研时代”。
对于深度依赖Scaling Law红利的OpenAI来说，不一定是好事。但对谷歌这样的研究型公司，一定是机会。
相比在Transformer架构下进行极致调优，中国也早已启动AI的架构级创新计划：
一是多路并进，加强人工智能基础理论研究，支持多路径技术探索和模型基础架构创新。
二是高效训推，加快研究更加高效的模型训练和推理方法，推动理论创新、技术创新、工程创新协同发展。
三是扩充模态，探索模型应用新形态，提升复杂任务处理能力，优化交互体验。
四是迭代提升，建立模型能力评估体系，以科学评估促进模型能力持续迭代提升。
Gemini 3.0之后，谷歌把AI竞赛打成了明牌，“老牌AI帝国”的护城河深不可测。但假以时日，中国AI的护城河可能更深更广。科技竞争，唯创新者胜。
（作者陶鹤山为数字经济工作者，从事数字化领域政策规划）
陶鹤山
