---
title: "Google AI 策略：為何分發與推論經濟性比模型競爭更重要"
locale: zh-hant
category: trends
category_name: "趨勢"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/google-ai-strategy-inference-economics-and-monetization
published_at: 2026-08-27T09:46:27+09:00
---

# Google AI 策略：為何分發與推論經濟性比模型競爭更重要

> 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。

## 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。

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。

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**。

## 首先必須釐清的事實與解讀

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。

| 主張 | 必須確認的內容 | 更準確的解讀 |
|---|---|---|
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |

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**。

## 程式設計 AI 效能的重要性與侷限

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。

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。

- 真實企業程式碼儲存庫的複雜權限與相依性
- 安全漏洞與授權問題
- 長時間工作中產生的累積錯誤
- 與電子郵件、文件、搜尋、影片等非程式設計資料的連結
- 回應延遲、可用率、各地區的供應範圍
- 輸入與輸出權杖價格及快取折扣
- 管理功能、稽核紀錄、資料保留政策

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。

## Google 與 AI 專營企業的收益結構比較

Google、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。

| 分類 | Google | OpenAI、Anthropic 等 AI 核心企業 |
|---|---|---|
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |

OpenAI 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。

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**。

## Google 的核心資產不只有模型

### 產品分發管道

Google 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。

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。

### 自有 AI 基礎設施

Google 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。

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。

### 模型組合與路由

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。

這項策略的品質取決於以下三項要素。

1. 是否能準確判斷請求的難度
2. 是否能安全界定可由小型模型處理的工作範圍
3. 失敗時是否能迅速轉交給更強大的模型或人員

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。

## AI 搜尋與廣告如何連結

Google 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。

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」。

- 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。
- 過多廣告可能降低搜尋體驗與信任。
- 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。
- 資訊探索型問題的商業意圖較低，廣告價值可能較小。
- 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。

Alphabet 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」。

## 容易忽略的觀點：不是每次回應營收，而是邊際貢獻

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**。

從概念上來看，邊際貢獻可表示如下。

> 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

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。

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。

## 判斷 Google 策略的核心指標

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。

| 領域 | 應觀察的指標 | 解讀時的注意事項 |
|---|---|---|
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |

## 區分樂觀論與悲觀論的條件

### 策略可能成功的條件

- Gemini 維持與競爭模型在實務上足夠接近的品質。
- Google 產品之間的連結能縮短使用者的實際工作時間。
- 小型模型與自有 TPU 能降低每次回應的成本。
- 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。
- Cloud 與 Workspace 的 AI 功能能轉換為付費合約。

### 策略可能失敗的條件

- 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。
- 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。
- 產品整合引發隱私保護、權限管理與信任問題。
- 修正低成本模型錯誤的成本，大於節省下來的推論費用。
- 研究人才與開發者生態系減弱，導致長期模型競爭力下降。

## 結論

Google 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**。

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。

## FAQ

### Google 放棄爭取 AI 模型效能第一名了嗎？
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。

### OpenAI 與 Anthropic 每次 AI 回答時都會虧損嗎？
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。

### Google 的 AI 回答越長，廣告收益就越高嗎？
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。

### 編碼 AI 支出占比 42% 代表整體市場占有率嗎？
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。

### 可以透過 OpenRouter 排名判斷最優秀的 AI 模型嗎？
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。

### Google 自有 TPU 為何在 AI 競爭中如此重要？
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。

### 判斷 Google AI 策略成敗最重要的數據是什麼？
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

- [Alphabet 2024 年 Form 10-K](https://www.sec.gov/Archives/edgar/data/1652044/000165204425000014/goog-20241231.htm)
- [Alphabet 投資人關係](https://abc.xyz/investor/)
- [Gemini 開發者 API 定價](https://ai.google.dev/gemini-api/docs/pricing)
- [Google Cloud TPU](https://cloud.google.com/tpu)
- [OpenAI API 定價](https://openai.com/api/pricing/)
- [Anthropic Claude 定價](https://docs.anthropic.com/en/docs/about-claude/pricing)
- [OpenRouter 排名](https://openrouter.ai/rankings)
- [Menlo Ventures 2024：企業生成式 AI 現況](https://menlovc.com/2024-the-state-of-generative-ai-in-the-enterprise/)
- [Google Marketing Live 2024](https://blog.google/products/ads-commerce/google-marketing-live-2024/)

## Images

![工程師在資料中心操作伺服器機櫃上的觸控式儀表板](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjAsInB1ciI6ImJsb2JfaWQifX0=--c3585fef83432d19cf74a2e15f0a910865bd4791/ai-38725e98.webp)
![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](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjYsInB1ciI6ImJsb2JfaWQifX0=--5290fcf0f549cd08d0e82e32bcc31d34b7b97d8e/ai-c29a6939.webp)