{"content_id":"5ns0jr5ogz","slug":"google-ai-strategy-inference-economics-and-monetization","locale":"zh-hant","schema_type":"Report","category":"trends","category_name":"趨勢","title":"Google AI 策略：為何分發與推論經濟性比模型競爭更重要","summary":"很難斷言 Google 已放棄 AI 模型效能競爭。Google 的差異化優勢在於，能將 Gemini 部署至 Search、Workspace、Cloud，並轉化為廣告、訂閱與雲端營收，同時透過自有 TPU 降低推論成本。","sponsorship_disclosure":null,"affiliate_disclosure":null,"commerce_disclosure":null,"author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["程式設計基準測試與特定平台使用量固然重要，但無法單獨決定整體 AI 市場的贏家。","Google、OpenAI、Anthropic 在生成 AI 回應時都須承擔推論成本，並透過付費 API、訂閱等方式取得營收。","Google 的結構性優勢，在於整合 Search、Android、Chrome、Workspace、Cloud 與自有 TPU 的大規模部署能力。","即使 AI Overviews 可以顯示廣告，也沒有證據表明回應越長，廣告營收就會自動增加。","策略成敗應以使用者留存率、任務成功率、每次回應成本及既有搜尋營收的變化來評估，而非最高基準測試分數。"],"content_markdown":"關於 Google 的 AI 業務，經常可以看到「OpenAI 與 Anthropic 每次回答都會產生成本，但 Google 每次回答都能靠廣告賺錢」這種說法。這個表述確實很好地呈現了三家公司起點不同的事實，但不應將其視為會計上的事實。\n\n三家公司在執行模型時都必須負擔運算成本，也都能從 API、訂閱、企業合約等管道取得營收。Google 真正的差異不在於是否有成本，而是**能夠將既有產品通路、廣告業務、Google Cloud、自有 TPU 串聯成單一經濟結構**。\n\n## 首先必須釐清的事實與解讀\n\n所提供的主張混雜了不同時期的模型、動態排名，以及未經證實的人事資訊。若直接採用這些內容，就會把 Google 的策略解讀得比實際情況更為簡單。\n\n| 主張 | 必須確認的內容 | 更準確的解讀 |\n|---|---|---|\n| 在某項調查中，Anthropic 的程式設計支出占比為 42% | 必須確認樣本、調查時間點、「支出」的定義與受訪企業群體 | 某份 VC 問卷或許能呈現企業樣本的採購趨勢，但不代表全球程式設計 AI 市占率 |\n| Gemini 未進入 OpenRouter 前 10 名 | OpenRouter 排名會隨期間、模型、價格、促銷與路由需求持續變動 | 這只是特定時間點的使用量訊號，不代表整體開發者採用率或產品營收排名 |\n| Gemini 1.5 Pro 的推出被無限期延後 | Gemini 1.5 Pro 已於去年 5 月預告，但推出日期遙遙無期 | 若以過去的推出延誤敘述作為目前策略的依據，時間脈絡便不相符 |\n| Gemini 1.5 Flash 是 Google 的最新模型 | 1.5 Flash 是特定世代的產品名稱 | 若將不同世代的模型與最新競爭模型直接比較，結論就會失真 |\n| Noam Shazeer 跳槽至 OpenAI | Shazeer 離開 Google 後跳槽至 OpenAI | 人才流動很重要，但必須準確區分其轉往的公司與時間點 |\n| Jeff Dean 與 John Jumper 的離職證明了策略轉向 | 重大人事主張必須透過公司公告或當事人公開紀錄加以確認 | 不應將未經證實的人事資訊用作組織策略的證據 |\n| 從第 6 代 TPU 開始區分訓練用與推論用 | Trillium 是用於訓練與推論的 TPU，而 Google 隨後發布了以推論為主的 TPU Ironwood | Google 從第 6 代 TPU 開始，明確區分訓練用與推論用的設計 |\n| Gemini Spark 是 Google 的代表性代理 | 必須確認正確的官方產品名稱與推出狀態 | 必須區分官方產品、研究專案與發布前名稱 |\n\n因此，Google 停止為了勉強爭奪效能第一而過度支出，並將重點放在**應為哪種工作配置哪種模型，藉此提高整體服務的獲利能力**。\n\n## 程式設計 AI 效能的重要性與侷限\n\n程式設計是評估 AI 模型實用性的良好領域。這是因為軟體工作同時需要理解需求、產生程式碼、執行測試、修正錯誤、呼叫工具，以及管理長期上下文。這些能力也能部分轉移至瀏覽器操作或文件處理等 AI 代理工作。\n\n然而，「最擅長程式設計的模型也最擅長所有工作」這個命題並不成立。程式設計基準測試可能無法充分反映以下要素。\n\n- 真實企業程式碼儲存庫的複雜權限與相依性\n- 安全漏洞與授權問題\n- 長時間工作中產生的累積錯誤\n- 與電子郵件、文件、搜尋、影片等非程式設計資料的連結\n- 回應延遲、可用率、各地區的供應範圍\n- 輸入與輸出權杖價格及快取折扣\n- 管理功能、稽核紀錄、資料保留政策\n\n評估開發工具市場時，除了基準測試分數之外，還必須一併考量實際工作完成率、開發者的修改時間、故障率、成本與企業合約規模。\n\n## Google 與 AI 專營企業的收益結構比較\n\nGoogle、OpenAI、Anthropic 都必須為模型推論付費。差異在於可回收這些成本的管道數量，以及對既有業務造成的影響。\n\n| 分類 | Google | OpenAI、Anthropic 等 AI 核心企業 |\n|---|---|---|\n| 主要分發管道 | Search、Android、Chrome、Workspace、YouTube、Google Cloud | 自有應用程式、API、企業合約、合作平台 |\n| 主要收入來源 | 搜尋與影片廣告、Cloud 使用費、Workspace 與 AI 訂閱、API | 消費者與企業訂閱、API、企業合約與合作關係 |\n| 基礎設施 | 擁有自有 TPU 與資料中心，同時也利用外部供應鏈 | 對雲端與半導體合作夥伴的依賴度相對較高 |\n| 導入 AI 的機會 | 可提高既有服務的使用頻率與價值 | 可將新的 AI 需求直接轉換為營收 |\n| 核心風險 | AI 回答可能侵蝕既有搜尋點擊與廣告經濟 | 高昂的訓練與推論成本、價格競爭及對分發管道的依賴 |\n\nOpenAI 與 Anthropic 也不是每次產生回答都只會發生成本。API 通常按使用量計費，付費訂閱與企業合約同樣會創造營收。相反地，Google 向免費使用者提供 AI 回應時，也必須負擔推論成本。\n\n歸根究柢，差異不在於「成本對收益」，而在於**能將已取得的使用者連結至哪些服務與收入來源**。\n\n## Google 的核心資產不只有模型\n\n### 產品分發管道\n\nGoogle 不必只在獨立聊天機器人應用程式中部署 Gemini 功能。它可以將功能加入 Search、Gmail、Docs、Android、Chrome、Google Cloud 等已有使用者的接觸點。這能降低安裝新應用程式及培養使用習慣所需的客戶取得成本。\n\n不過，預設內建並不等同於持續使用。若使用者不信任結果，或認為它比原有工作方式更慢，便可能關閉功能或同時使用競爭服務。\n\n### 自有 AI 基礎設施\n\nGoogle 自行設計 TPU，並同時營運資料中心、網路、模型與雲端服務。這種垂直整合的優點，是能針對特定工作共同最佳化硬體與軟體。\n\n尤其在大規模服務中，相較於模型效能略微提升，降低每次回應的運算量、延遲時間與耗電量，可能對總成本產生更大影響。然而，在綜合考量實際使用率、開發成本、折舊與外部 GPU 價格之前，不能斷定自有晶片一定最便宜。\n\n### 模型組合與路由\n\n對所有問題都使用最大的模型並不符合經濟效益。讓小型模型處理簡單分類或摘要，只將複雜推論或程式設計工作交給更大型的模型，會是更有效率的做法。\n\n這項策略的品質取決於以下三項要素。\n\n1. 是否能準確判斷請求的難度\n2. 是否能安全界定可由小型模型處理的工作範圍\n3. 失敗時是否能迅速轉交給更強大的模型或人員\n\n因此，將小型、高速模型部署在最前端，與其說是放棄開發頂尖模型的證據，不如視為營運大規模流量的模型組合策略。\n\n## AI 搜尋與廣告如何連結\n\nGoogle 可以在 AI Overviews 等生成式搜尋結果中整合廣告。這是因為當系統從使用者問題中偵測到商業意圖，且有合適廣告時，便能利用既有的搜尋廣告系統。\n\n然而，基於以下原因，不能斷言「回答越長，廣告版位越多，收益也越高」。\n\n- 廣告取決於搜尋意圖、廣告主需求、競價與曝光政策，而不是回答長度。\n- 過多廣告可能降低搜尋體驗與信任。\n- 若 AI 一次解決問題，使用者的後續搜尋與網站點擊可能會減少。\n- 資訊探索型問題的商業意圖較低，廣告價值可能較小。\n- 即使產生廣告營收，也必須扣除額外推論成本與流量取得成本。\n\nAlphabet 會公布整體廣告營收與 Cloud 營收，但不會將 AI Overviews 的營收、推論成本與營業利益作為獨立項目詳細公布。因此，外界無法確定「每次 AI 回答的淨利」。\n\n## 容易忽略的觀點：不是每次回應營收，而是邊際貢獻\n\n評估 Google 的 AI 策略時，最有用的單位不是回答數或權杖數本身，而是**每次 AI 互動的邊際貢獻**。\n\n從概念上來看，邊際貢獻可表示如下。\n\n\u003e AI 互動邊際貢獻 = 額外廣告、訂閱、雲端營收 − 推論成本 − 搜尋與工具呼叫成本 − 安全處理成本 − 流量取得成本\n\n除了直接營收外，還必須反映對既有業務的侵蝕。若 AI 回答創造新的搜尋，便會產生正面效果；但如果它取代了原本會發生的廣告點擊，淨效果就可能較小。\n\n此外，讓模型回應變長並不是收益策略。較長的回應會增加輸出權杖成本與延遲時間。以更少的運算準確解決使用者問題，並只在必要時提供商業連結，可能更具經濟效益。\n\n## 判斷 Google 策略的核心指標\n\n企業若要透過公開資料與產品變化追蹤策略成敗，就必須分別檢視以下指標。\n\n| 領域 | 應觀察的指標 | 解讀時的注意事項 |\n|---|---|---|\n| 模型品質 | 工作成功率、程式設計與推論評估、幻覺率 | 不依賴單一基準測試與自行公布的數據 |\n| 使用者採用 | 每月與每日活躍使用者、回訪率、付費轉換率 | 區分預先安裝的使用者與實際重複使用者 |\n| 經濟效益 | 每次請求的推論成本、延遲時間、快取命中率、使用率 | 公開權杖價格不等於內部成本 |\n| 搜尋業務 | 包含 AI 結果的查詢比例、廣告轉換、搜尋頻率 | AI 功能的獨立營收可能不會公開 |\n| Cloud | AI 相關合約、API 使用量、訂單餘額、營業利益 | 區分整體 Cloud 成長與 AI 貢獻部分 |\n| 開發者生態系 | API 使用、框架支援、企業部署案例 | 單一平台的排名不代表整體市場 |\n| 人才與研究 | 核心論文、產品導入速度、研究人員留任 | 不將個別離職擴大解讀為整體研究能力崩潰 |\n\n## 區分樂觀論與悲觀論的條件\n\n### 策略可能成功的條件\n\n- Gemini 維持與競爭模型在實務上足夠接近的品質。\n- Google 產品之間的連結能縮短使用者的實際工作時間。\n- 小型模型與自有 TPU 能降低每次回應的成本。\n- AI 搜尋能在不損害既有廣告營收的情況下創造新的商業查詢。\n- Cloud 與 Workspace 的 AI 功能能轉換為付費合約。\n\n### 策略可能失敗的條件\n\n- 程式設計與代理工作的品質差距擴大，使開發者與企業將其他模型設為預設選擇。\n- AI 回答在減少既有搜尋收益的同時，無法創造足夠的新營收。\n- 產品整合引發隱私保護、權限管理與信任問題。\n- 修正低成本模型錯誤的成本，大於節省下來的推論費用。\n- 研究人才與開發者生態系減弱，導致長期模型競爭力下降。\n\n## 結論\n\nGoogle 已停止為了勉強爭奪最高效能模型第一名而過度支出，並轉向重視性價比。更具說服力的解讀是，Google 在進行模型效能競爭的同時，也正在一併最佳化**大規模部署、模型路由、自有基礎設施、廣告、訂閱與雲端營利**。\n\n此外，「OpenAI 與 Anthropic 回答越多虧得越多，而 Google 回答越多賺得越多」這種對立框架過於簡單。所有業者都必須負擔推論成本，真正的贏家很可能不是產生最長回答的公司，而是在穩定解決使用者工作的同時，仍能維持每次回應的邊際貢獻與長期信任的公司。","content_html":"\u003cp\u003e關於 Google 的 AI 業務，經常可以看到「OpenAI 與 Anthropic 每次回答都會產生成本，但 Google 每次回答都能靠廣告賺錢」這種說法。這個表述確實很好地呈現了三家公司起點不同的事實，但不應將其視為會計上的事實。\u003c/p\u003e\n\u003cp\u003e三家公司在執行模型時都必須負擔運算成本，也都能從 API、訂閱、企業合約等管道取得營收。Google 真正的差異不在於是否有成本，而是\u003cstrong\u003e能夠將既有產品通路、廣告業務、Google Cloud、自有 TPU 串聯成單一經濟結構\u003c/strong\u003e。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E9%A6%96%E5%85%88%E5%BF%85%E9%A0%88%E9%87%90%E6%B8%85%E7%9A%84%E4%BA%8B%E5%AF%A6%E8%88%87%E8%A7%A3%E8%AE%80\" class=\"anchor\" id=\"首先必須釐清的事實與解讀\"\u003e\u003c/a\u003e首先必須釐清的事實與解讀\u003c/h2\u003e\n\u003cp\u003e所提供的主張混雜了不同時期的模型、動態排名，以及未經證實的人事資訊。若直接採用這些內容，就會把 Google 的策略解讀得比實際情況更為簡單。\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e主張\u003c/th\u003e\n\u003cth\u003e必須確認的內容\u003c/th\u003e\n\u003cth\u003e更準確的解讀\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"主張\"\u003e在某項調查中，Anthropic 的程式設計支出占比為 42%\u003c/td\u003e\n\u003ctd data-label=\"必須確認的內容\"\u003e必須確認樣本、調查時間點、「支出」的定義與受訪企業群體\u003c/td\u003e\n\u003ctd data-label=\"更準確的解讀\"\u003e某份 VC 問卷或許能呈現企業樣本的採購趨勢，但不代表全球程式設計 AI 市占率\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"主張\"\u003eGemini 未進入 OpenRouter 前 10 名\u003c/td\u003e\n\u003ctd data-label=\"必須確認的內容\"\u003eOpenRouter 排名會隨期間、模型、價格、促銷與路由需求持續變動\u003c/td\u003e\n\u003ctd data-label=\"更準確的解讀\"\u003e這只是特定時間點的使用量訊號，不代表整體開發者採用率或產品營收排名\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"主張\"\u003eGemini 1.5 Pro 的推出被無限期延後\u003c/td\u003e\n\u003ctd data-label=\"必須確認的內容\"\u003eGemini 1.5 Pro 已於去年 5 月預告，但推出日期遙遙無期\u003c/td\u003e\n\u003ctd data-label=\"更準確的解讀\"\u003e若以過去的推出延誤敘述作為目前策略的依據，時間脈絡便不相符\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"主張\"\u003eGemini 1.5 Flash 是 Google 的最新模型\u003c/td\u003e\n\u003ctd data-label=\"必須確認的內容\"\u003e1.5 Flash 是特定世代的產品名稱\u003c/td\u003e\n\u003ctd data-label=\"更準確的解讀\"\u003e若將不同世代的模型與最新競爭模型直接比較，結論就會失真\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"主張\"\u003eNoam Shazeer 跳槽至 OpenAI\u003c/td\u003e\n\u003ctd data-label=\"必須確認的內容\"\u003eShazeer 離開 Google 後跳槽至 OpenAI\u003c/td\u003e\n\u003ctd data-label=\"更準確的解讀\"\u003e人才流動很重要，但必須準確區分其轉往的公司與時間點\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"主張\"\u003eJeff Dean 與 John Jumper 的離職證明了策略轉向\u003c/td\u003e\n\u003ctd data-label=\"必須確認的內容\"\u003e重大人事主張必須透過公司公告或當事人公開紀錄加以確認\u003c/td\u003e\n\u003ctd data-label=\"更準確的解讀\"\u003e不應將未經證實的人事資訊用作組織策略的證據\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"主張\"\u003e從第 6 代 TPU 開始區分訓練用與推論用\u003c/td\u003e\n\u003ctd data-label=\"必須確認的內容\"\u003eTrillium 是用於訓練與推論的 TPU，而 Google 隨後發布了以推論為主的 TPU Ironwood\u003c/td\u003e\n\u003ctd data-label=\"更準確的解讀\"\u003eGoogle 從第 6 代 TPU 開始，明確區分訓練用與推論用的設計\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"主張\"\u003eGemini Spark 是 Google 的代表性代理\u003c/td\u003e\n\u003ctd data-label=\"必須確認的內容\"\u003e必須確認正確的官方產品名稱與推出狀態\u003c/td\u003e\n\u003ctd data-label=\"更準確的解讀\"\u003e必須區分官方產品、研究專案與發布前名稱\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003e因此，Google 停止為了勉強爭奪效能第一而過度支出，並將重點放在\u003cstrong\u003e應為哪種工作配置哪種模型，藉此提高整體服務的獲利能力\u003c/strong\u003e。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E7%A8%8B%E5%BC%8F%E8%A8%AD%E8%A8%88-ai-%E6%95%88%E8%83%BD%E7%9A%84%E9%87%8D%E8%A6%81%E6%80%A7%E8%88%87%E4%BE%B7%E9%99%90\" class=\"anchor\" id=\"程式設計-ai-效能的重要性與侷限\"\u003e\u003c/a\u003e程式設計 AI 效能的重要性與侷限\u003c/h2\u003e\n\u003cp\u003e程式設計是評估 AI 模型實用性的良好領域。這是因為軟體工作同時需要理解需求、產生程式碼、執行測試、修正錯誤、呼叫工具，以及管理長期上下文。這些能力也能部分轉移至瀏覽器操作或文件處理等 AI 代理工作。\u003c/p\u003e\n\u003cp\u003e然而，「最擅長程式設計的模型也最擅長所有工作」這個命題並不成立。程式設計基準測試可能無法充分反映以下要素。\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e真實企業程式碼儲存庫的複雜權限與相依性\u003c/li\u003e\n\u003cli\u003e安全漏洞與授權問題\u003c/li\u003e\n\u003cli\u003e長時間工作中產生的累積錯誤\u003c/li\u003e\n\u003cli\u003e與電子郵件、文件、搜尋、影片等非程式設計資料的連結\u003c/li\u003e\n\u003cli\u003e回應延遲、可用率、各地區的供應範圍\u003c/li\u003e\n\u003cli\u003e輸入與輸出權杖價格及快取折扣\u003c/li\u003e\n\u003cli\u003e管理功能、稽核紀錄、資料保留政策\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003e評估開發工具市場時，除了基準測試分數之外，還必須一併考量實際工作完成率、開發者的修改時間、故障率、成本與企業合約規模。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#google-%E8%88%87-ai-%E5%B0%88%E7%87%9F%E4%BC%81%E6%A5%AD%E7%9A%84%E6%94%B6%E7%9B%8A%E7%B5%90%E6%A7%8B%E6%AF%94%E8%BC%83\" class=\"anchor\" id=\"google-與-ai-專營企業的收益結構比較\"\u003e\u003c/a\u003eGoogle 與 AI 專營企業的收益結構比較\u003c/h2\u003e\n\u003cp\u003eGoogle、OpenAI、Anthropic 都必須為模型推論付費。差異在於可回收這些成本的管道數量，以及對既有業務造成的影響。\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e分類\u003c/th\u003e\n\u003cth\u003eGoogle\u003c/th\u003e\n\u003cth\u003eOpenAI、Anthropic 等 AI 核心企業\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"分類\"\u003e主要分發管道\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eSearch、Android、Chrome、Workspace、YouTube、Google Cloud\u003c/td\u003e\n\u003ctd data-label=\"OpenAI、Anthropic 等 AI 核心企業\"\u003e自有應用程式、API、企業合約、合作平台\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"分類\"\u003e主要收入來源\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003e搜尋與影片廣告、Cloud 使用費、Workspace 與 AI 訂閱、API\u003c/td\u003e\n\u003ctd data-label=\"OpenAI、Anthropic 等 AI 核心企業\"\u003e消費者與企業訂閱、API、企業合約與合作關係\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"分類\"\u003e基礎設施\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003e擁有自有 TPU 與資料中心，同時也利用外部供應鏈\u003c/td\u003e\n\u003ctd data-label=\"OpenAI、Anthropic 等 AI 核心企業\"\u003e對雲端與半導體合作夥伴的依賴度相對較高\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"分類\"\u003e導入 AI 的機會\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003e可提高既有服務的使用頻率與價值\u003c/td\u003e\n\u003ctd data-label=\"OpenAI、Anthropic 等 AI 核心企業\"\u003e可將新的 AI 需求直接轉換為營收\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"分類\"\u003e核心風險\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eAI 回答可能侵蝕既有搜尋點擊與廣告經濟\u003c/td\u003e\n\u003ctd data-label=\"OpenAI、Anthropic 等 AI 核心企業\"\u003e高昂的訓練與推論成本、價格競爭及對分發管道的依賴\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eOpenAI 與 Anthropic 也不是每次產生回答都只會發生成本。API 通常按使用量計費，付費訂閱與企業合約同樣會創造營收。相反地，Google 向免費使用者提供 AI 回應時，也必須負擔推論成本。\u003c/p\u003e\n\u003cp\u003e歸根究柢，差異不在於「成本對收益」，而在於\u003cstrong\u003e能將已取得的使用者連結至哪些服務與收入來源\u003c/strong\u003e。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#google-%E7%9A%84%E6%A0%B8%E5%BF%83%E8%B3%87%E7%94%A2%E4%B8%8D%E5%8F%AA%E6%9C%89%E6%A8%A1%E5%9E%8B\" class=\"anchor\" id=\"google-的核心資產不只有模型\"\u003e\u003c/a\u003eGoogle 的核心資產不只有模型\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E7%94%A2%E5%93%81%E5%88%86%E7%99%BC%E7%AE%A1%E9%81%93\" class=\"anchor\" id=\"產品分發管道\"\u003e\u003c/a\u003e產品分發管道\u003c/h3\u003e\n\u003cp\u003eGoogle 不必只在獨立聊天機器人應用程式中部署 Gemini 功能。它可以將功能加入 Search、Gmail、Docs、Android、Chrome、Google Cloud 等已有使用者的接觸點。這能降低安裝新應用程式及培養使用習慣所需的客戶取得成本。\u003c/p\u003e\n\u003cp\u003e不過，預設內建並不等同於持續使用。若使用者不信任結果，或認為它比原有工作方式更慢，便可能關閉功能或同時使用競爭服務。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E8%87%AA%E6%9C%89-ai-%E5%9F%BA%E7%A4%8E%E8%A8%AD%E6%96%BD\" class=\"anchor\" id=\"自有-ai-基礎設施\"\u003e\u003c/a\u003e自有 AI 基礎設施\u003c/h3\u003e\n\u003cp\u003eGoogle 自行設計 TPU，並同時營運資料中心、網路、模型與雲端服務。這種垂直整合的優點，是能針對特定工作共同最佳化硬體與軟體。\u003c/p\u003e\n\u003cp\u003e尤其在大規模服務中，相較於模型效能略微提升，降低每次回應的運算量、延遲時間與耗電量，可能對總成本產生更大影響。然而，在綜合考量實際使用率、開發成本、折舊與外部 GPU 價格之前，不能斷定自有晶片一定最便宜。\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E6%A8%A1%E5%9E%8B%E7%B5%84%E5%90%88%E8%88%87%E8%B7%AF%E7%94%B1\" class=\"anchor\" id=\"模型組合與路由\"\u003e\u003c/a\u003e模型組合與路由\u003c/h3\u003e\n\u003cp\u003e對所有問題都使用最大的模型並不符合經濟效益。讓小型模型處理簡單分類或摘要，只將複雜推論或程式設計工作交給更大型的模型，會是更有效率的做法。\u003c/p\u003e\n\u003cp\u003e這項策略的品質取決於以下三項要素。\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003e是否能準確判斷請求的難度\u003c/li\u003e\n\u003cli\u003e是否能安全界定可由小型模型處理的工作範圍\u003c/li\u003e\n\u003cli\u003e失敗時是否能迅速轉交給更強大的模型或人員\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003e因此，將小型、高速模型部署在最前端，與其說是放棄開發頂尖模型的證據，不如視為營運大規模流量的模型組合策略。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#ai-%E6%90%9C%E5%B0%8B%E8%88%87%E5%BB%A3%E5%91%8A%E5%A6%82%E4%BD%95%E9%80%A3%E7%B5%90\" class=\"anchor\" id=\"ai-搜尋與廣告如何連結\"\u003e\u003c/a\u003eAI 搜尋與廣告如何連結\u003c/h2\u003e\n\u003cp\u003eGoogle 可以在 AI Overviews 等生成式搜尋結果中整合廣告。這是因為當系統從使用者問題中偵測到商業意圖，且有合適廣告時，便能利用既有的搜尋廣告系統。\u003c/p\u003e\n\u003cp\u003e然而，基於以下原因，不能斷言「回答越長，廣告版位越多，收益也越高」。\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e廣告取決於搜尋意圖、廣告主需求、競價與曝光政策，而不是回答長度。\u003c/li\u003e\n\u003cli\u003e過多廣告可能降低搜尋體驗與信任。\u003c/li\u003e\n\u003cli\u003e若 AI 一次解決問題，使用者的後續搜尋與網站點擊可能會減少。\u003c/li\u003e\n\u003cli\u003e資訊探索型問題的商業意圖較低，廣告價值可能較小。\u003c/li\u003e\n\u003cli\u003e即使產生廣告營收，也必須扣除額外推論成本與流量取得成本。\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eAlphabet 會公布整體廣告營收與 Cloud 營收，但不會將 AI Overviews 的營收、推論成本與營業利益作為獨立項目詳細公布。因此，外界無法確定「每次 AI 回答的淨利」。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%AE%B9%E6%98%93%E5%BF%BD%E7%95%A5%E7%9A%84%E8%A7%80%E9%BB%9E%E4%B8%8D%E6%98%AF%E6%AF%8F%E6%AC%A1%E5%9B%9E%E6%87%89%E7%87%9F%E6%94%B6%E8%80%8C%E6%98%AF%E9%82%8A%E9%9A%9B%E8%B2%A2%E7%8D%BB\" class=\"anchor\" id=\"容易忽略的觀點不是每次回應營收而是邊際貢獻\"\u003e\u003c/a\u003e容易忽略的觀點：不是每次回應營收，而是邊際貢獻\u003c/h2\u003e\n\u003cp\u003e評估 Google 的 AI 策略時，最有用的單位不是回答數或權杖數本身，而是\u003cstrong\u003e每次 AI 互動的邊際貢獻\u003c/strong\u003e。\u003c/p\u003e\n\u003cp\u003e從概念上來看，邊際貢獻可表示如下。\u003c/p\u003e\n\u003cblockquote\u003e\n\u003cp\u003eAI 互動邊際貢獻 = 額外廣告、訂閱、雲端營收 − 推論成本 − 搜尋與工具呼叫成本 − 安全處理成本 − 流量取得成本\u003c/p\u003e\n\u003c/blockquote\u003e\n\u003cp\u003e除了直接營收外，還必須反映對既有業務的侵蝕。若 AI 回答創造新的搜尋，便會產生正面效果；但如果它取代了原本會發生的廣告點擊，淨效果就可能較小。\u003c/p\u003e\n\u003cp\u003e此外，讓模型回應變長並不是收益策略。較長的回應會增加輸出權杖成本與延遲時間。以更少的運算準確解決使用者問題，並只在必要時提供商業連結，可能更具經濟效益。\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%88%A4%E6%96%B7-google-%E7%AD%96%E7%95%A5%E7%9A%84%E6%A0%B8%E5%BF%83%E6%8C%87%E6%A8%99\" class=\"anchor\" id=\"判斷-google-策略的核心指標\"\u003e\u003c/a\u003e判斷 Google 策略的核心指標\u003c/h2\u003e\n\u003cp\u003e企業若要透過公開資料與產品變化追蹤策略成敗，就必須分別檢視以下指標。\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003e領域\u003c/th\u003e\n\u003cth\u003e應觀察的指標\u003c/th\u003e\n\u003cth\u003e解讀時的注意事項\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"領域\"\u003e模型品質\u003c/td\u003e\n\u003ctd data-label=\"應觀察的指標\"\u003e工作成功率、程式設計與推論評估、幻覺率\u003c/td\u003e\n\u003ctd data-label=\"解讀時的注意事項\"\u003e不依賴單一基準測試與自行公布的數據\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"領域\"\u003e使用者採用\u003c/td\u003e\n\u003ctd data-label=\"應觀察的指標\"\u003e每月與每日活躍使用者、回訪率、付費轉換率\u003c/td\u003e\n\u003ctd data-label=\"解讀時的注意事項\"\u003e區分預先安裝的使用者與實際重複使用者\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"領域\"\u003e經濟效益\u003c/td\u003e\n\u003ctd data-label=\"應觀察的指標\"\u003e每次請求的推論成本、延遲時間、快取命中率、使用率\u003c/td\u003e\n\u003ctd data-label=\"解讀時的注意事項\"\u003e公開權杖價格不等於內部成本\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"領域\"\u003e搜尋業務\u003c/td\u003e\n\u003ctd data-label=\"應觀察的指標\"\u003e包含 AI 結果的查詢比例、廣告轉換、搜尋頻率\u003c/td\u003e\n\u003ctd data-label=\"解讀時的注意事項\"\u003eAI 功能的獨立營收可能不會公開\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"領域\"\u003eCloud\u003c/td\u003e\n\u003ctd data-label=\"應觀察的指標\"\u003eAI 相關合約、API 使用量、訂單餘額、營業利益\u003c/td\u003e\n\u003ctd data-label=\"解讀時的注意事項\"\u003e區分整體 Cloud 成長與 AI 貢獻部分\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"領域\"\u003e開發者生態系\u003c/td\u003e\n\u003ctd data-label=\"應觀察的指標\"\u003eAPI 使用、框架支援、企業部署案例\u003c/td\u003e\n\u003ctd data-label=\"解讀時的注意事項\"\u003e單一平台的排名不代表整體市場\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"領域\"\u003e人才與研究\u003c/td\u003e\n\u003ctd data-label=\"應觀察的指標\"\u003e核心論文、產品導入速度、研究人員留任\u003c/td\u003e\n\u003ctd data-label=\"解讀時的注意事項\"\u003e不將個別離職擴大解讀為整體研究能力崩潰\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E5%8D%80%E5%88%86%E6%A8%82%E8%A7%80%E8%AB%96%E8%88%87%E6%82%B2%E8%A7%80%E8%AB%96%E7%9A%84%E6%A2%9D%E4%BB%B6\" class=\"anchor\" id=\"區分樂觀論與悲觀論的條件\"\u003e\u003c/a\u003e區分樂觀論與悲觀論的條件\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E7%AD%96%E7%95%A5%E5%8F%AF%E8%83%BD%E6%88%90%E5%8A%9F%E7%9A%84%E6%A2%9D%E4%BB%B6\" class=\"anchor\" id=\"策略可能成功的條件\"\u003e\u003c/a\u003e策略可能成功的條件\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eGemini 維持與競爭模型在實務上足夠接近的品質。\u003c/li\u003e\n\u003cli\u003eGoogle 產品之間的連結能縮短使用者的實際工作時間。\u003c/li\u003e\n\u003cli\u003e小型模型與自有 TPU 能降低每次回應的成本。\u003c/li\u003e\n\u003cli\u003eAI 搜尋能在不損害既有廣告營收的情況下創造新的商業查詢。\u003c/li\u003e\n\u003cli\u003eCloud 與 Workspace 的 AI 功能能轉換為付費合約。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#%E7%AD%96%E7%95%A5%E5%8F%AF%E8%83%BD%E5%A4%B1%E6%95%97%E7%9A%84%E6%A2%9D%E4%BB%B6\" class=\"anchor\" id=\"策略可能失敗的條件\"\u003e\u003c/a\u003e策略可能失敗的條件\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003e程式設計與代理工作的品質差距擴大，使開發者與企業將其他模型設為預設選擇。\u003c/li\u003e\n\u003cli\u003eAI 回答在減少既有搜尋收益的同時，無法創造足夠的新營收。\u003c/li\u003e\n\u003cli\u003e產品整合引發隱私保護、權限管理與信任問題。\u003c/li\u003e\n\u003cli\u003e修正低成本模型錯誤的成本，大於節省下來的推論費用。\u003c/li\u003e\n\u003cli\u003e研究人才與開發者生態系減弱，導致長期模型競爭力下降。\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#%E7%B5%90%E8%AB%96\" class=\"anchor\" id=\"結論\"\u003e\u003c/a\u003e結論\u003c/h2\u003e\n\u003cp\u003eGoogle 已停止為了勉強爭奪最高效能模型第一名而過度支出，並轉向重視性價比。更具說服力的解讀是，Google 在進行模型效能競爭的同時，也正在一併最佳化\u003cstrong\u003e大規模部署、模型路由、自有基礎設施、廣告、訂閱與雲端營利\u003c/strong\u003e。\u003c/p\u003e\n\u003cp\u003e此外，「OpenAI 與 Anthropic 回答越多虧得越多，而 Google 回答越多賺得越多」這種對立框架過於簡單。所有業者都必須負擔推論成本，真正的贏家很可能不是產生最長回答的公司，而是在穩定解決使用者工作的同時，仍能維持每次回應的邊際貢獻與長期信任的公司。\u003c/p\u003e\n","tags":["AI","半導體","生成式 AI","AI 資料中心","AI 代理人","技術策略"],"faqs":[{"question":"Google 放棄爭取 AI 模型效能第一名了嗎？","answer":"僅憑已公開的產品組合，很難斷定 Google 已經放棄。Google 在開發大型模型的同時，也運用小型模型、模型路由、自有 TPU 及產品整合，同時最佳化品質與成本。"},{"question":"OpenAI 與 Anthropic 每次 AI 回答時都會虧損嗎？","answer":"每次回應都會產生推論成本，但付費 API 也會依用量創造營收。由於還有訂閱與企業合約，因此聲稱每次回答必然造成虧損並不準確；實際獲利能力取決於價格、成本、用量及合約結構。"},{"question":"Google 的 AI 回答越長，廣告收益就越高嗎？","answer":"不能如此斷定。廣告曝光與其說取決於回答長度，不如說受到使用者的商業意圖、廣告主需求、競價及產品政策左右；較長的回答也可能增加輸出 token 成本與延遲時間。"},{"question":"編碼 AI 支出占比 42% 代表整體市場占有率嗎？","answer":"不是。特定創投調查得出的數據，代表參與該調查的企業及其所定義的支出範圍。不應將其解讀為涵蓋消費者使用、免費工具、所有 API 流量及各地區市場的全球市場占有率。"},{"question":"可以透過 OpenRouter 排名判斷最優秀的 AI 模型嗎？","answer":"OpenRouter 排名是顯示該平台使用量或選擇趨勢的有用指標。然而，由於它會反映價格、促銷、模型是否提供及使用者組成，因此不等同於整體開發者市場或客觀的效能排名。"},{"question":"Google 自有 TPU 為何在 AI 競爭中如此重要？","answer":"Google 可以共同最佳化模型、硬體、網路與資料中心。在大規模請求下，即使只是略微減少每次回應的運算量與延遲時間，也可能造成巨大的成本差異；但實際成本優勢仍須確認使用率及開發、營運成本後才能判斷。"},{"question":"判斷 Google AI 策略成敗最重要的數據是什麼？","answer":"比起單一基準測試，更應綜合考量實際任務成功率、重複使用率、付費轉換率、每次請求的推論成本、Cloud 成長，以及 AI 搜尋對既有廣告收益的影響。除非 Alphabet 單獨公布各項 AI 功能的獲利，否則外部評估存在僅為估算的侷限。"}],"sources":[{"url":"https://www.sec.gov/Archives/edgar/data/1652044/000165204425000014/goog-20241231.htm","title":"Alphabet 2024 年 Form 10-K","type":"source"},{"url":"https://abc.xyz/investor/","title":"Alphabet 投資人關係","type":"source"},{"url":"https://ai.google.dev/gemini-api/docs/pricing","title":"Gemini 開發者 API 定價","type":"data_point"},{"url":"https://cloud.google.com/tpu","title":"Google Cloud TPU","type":"source"},{"url":"https://openai.com/api/pricing/","title":"OpenAI API 定價","type":"data_point"},{"url":"https://docs.anthropic.com/en/docs/about-claude/pricing","title":"Anthropic Claude 定價","type":"data_point"},{"url":"https://openrouter.ai/rankings","title":"OpenRouter 排名","type":"data_point"},{"url":"https://menlovc.com/2024-the-state-of-generative-ai-in-the-enterprise/","title":"Menlo Ventures 2024：企業生成式 AI 現況","type":"data_point"},{"url":"https://blog.google/products/ads-commerce/google-marketing-live-2024/","title":"Google Marketing Live 2024","type":"source"}],"images":[{"id":914,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjAsInB1ciI6ImJsb2JfaWQifX0=--c3585fef83432d19cf74a2e15f0a910865bd4791/ai-38725e98.webp","is_representative":true,"generation_method":"ai_photo","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"데이터센터에서 서버 랙의 터치스크린 대시보드를 조작하는 엔지니어","caption":"엔지니어가 서버 연결과 성능 지표를 확인하며 AI 인프라를 관리하고 있다.","description":null},"en":{"alt":"Engineer operating a touchscreen dashboard on a server rack in a data center","caption":"An engineer monitors server connections and performance metrics for AI infrastructure.","description":null},"ja":{"alt":"データセンターでサーバーラックのタッチ画面を操作するエンジニア","caption":"エンジニアが接続状況と性能指標を確認しながらAIインフラを管理している。","description":null},"es":{"alt":"Ingeniero usando un panel táctil en un rack de servidores de un centro de datos","caption":"Un ingeniero supervisa las conexiones y el rendimiento de la infraestructura de IA.","description":null},"id":{"alt":"Teknisi mengoperasikan dasbor layar sentuh pada rak server di pusat data","caption":"Seorang teknisi memantau koneksi dan kinerja server untuk infrastruktur AI.","description":null},"pt":{"alt":"Engenheiro operando painel touchscreen em rack de servidores de um data center","caption":"Um engenheiro monitora conexões e métricas de desempenho da infraestrutura de IA.","description":null},"zh-hant":{"alt":"工程師在資料中心操作伺服器機櫃上的觸控式儀表板","caption":"工程師查看伺服器連線與效能指標，以管理 AI 基礎設施。","description":null},"de":{"alt":"Techniker bedient ein Touchscreen-Dashboard an einem Serverschrank im Rechenzentrum","caption":"Ein Techniker überwacht Verbindungen und Leistungsdaten der KI-Infrastruktur.","description":null}}},{"id":915,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjYsInB1ciI6ImJsb2JfaWQifX0=--5290fcf0f549cd08d0e82e32bcc31d34b7b97d8e/ai-c29a6939.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"중앙 AI 모델이 웹·모바일 서비스와 서버, 반도체, 비용 분석 대시보드에 연결된 인포그래픽","caption":"AI 유통망과 추론 인프라, 비용 효율의 관계를 시각화한 도표다.","description":null},"en":{"alt":"Infographic linking a central AI model to apps, chips, servers, services, and cost dashboards","caption":"The graphic visualizes how AI distribution, inference infrastructure, and cost efficiency connect.","description":null},"ja":{"alt":"中央のAIモデルとアプリ、半導体、サーバー、各種サービス、コスト指標を結ぶ図","caption":"AIの流通網、推論基盤、コスト効率の関係を可視化している。","description":null},"es":{"alt":"Infografía que conecta un modelo de IA con aplicaciones, chips, servidores, servicios y métricas de costes","caption":"El gráfico muestra la relación entre distribución de IA, infraestructura de inferencia y eficiencia de costes.","description":null},"id":{"alt":"Infografik yang menghubungkan model AI pusat dengan aplikasi, cip, server, layanan, dan metrik biaya","caption":"Grafik ini memvisualkan hubungan distribusi AI, infrastruktur inferensi, dan efisiensi biaya.","description":null},"pt":{"alt":"Infográfico ligando um modelo central de IA a aplicativos, chips, servidores, serviços e métricas de custos","caption":"O gráfico mostra a relação entre distribuição de IA, infraestrutura de inferência e eficiência de custos.","description":null},"zh-hant":{"alt":"中央 AI 模型連接應用程式、晶片、伺服器、各類服務與成本分析儀表板的資訊圖","caption":"圖表呈現 AI 分發、推論基礎設施與成本效益之間的關係。","description":null},"de":{"alt":"Infografik zur Verbindung eines zentralen KI-Modells mit Apps, Chips, Servern, Diensten und Kostenkennzahlen","caption":"Die Grafik veranschaulicht das Zusammenspiel von KI-Vertrieb, Inferenzinfrastruktur und Kosteneffizienz.","description":null}}}],"published_at":"2026-08-27T09:46:27+09:00","updated_at":"2026-08-27T09:46:27+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/google-ai-strategy-inference-economics-and-monetization"}