你有没有想过一个定义了互联网搜索、开源了TensorFlow、发表了Transformer论文的巨头在AI浪潮中最大的失误可能不是技术落后而是一种更深层的“路径依赖”当所有人都在谈论OpenAI的ChatGPT如何横空出世、微软如何凭借Copilot重塑生产力时我们很容易把Google的“失误”归结为某个具体产品的迟缓比如Bard的仓促发布。但这只是表象。真正的问题可能藏在更底层一个由“搜索”和“广告”构建的、极其成功的商业模式如何反过来塑造并限制了它对下一代AI范式的想象和行动。这不是说Google没有AI技术。恰恰相反它的技术储备深不见底。问题在于当一项颠覆性技术出现时一个组织的“肌肉记忆”会本能地将其纳入自己最熟悉、最赚钱的轨道里去运行。对于Google这条轨道就是“优化信息检索与分发效率”。所以它的AI早期应用大量集中在提升搜索相关性、广告点击率、YouTube推荐这些“优化现有核心业务”的领域。这当然正确且有效但它也让Google在思考“AI原生应用”时天然带着“搜索思维”的滤镜——AI是更好的答案生成器是更高效的索引工具。然而以ChatGPT为代表的新范式其核心不是“更好地回答问题”而是“成为协作与创造的伙伴”。它开启的是一种全新的交互界面和可能性空间从“问答”转向“对话”从“检索”转向““生成与推理”从“工具”转向“智能体Agent”。当Google还在用AI优化搜索框里的答案时别人已经开始用AI重写代码编辑器、重构办公套件、甚至构建虚拟小镇里自主生活的数字生命了。这种思维范式的错位或许才是Google在AI时代面临的最大挑战。它不缺技术缺的可能是跳出“搜索帝国”的舒适区去真正拥抱一个AI不再只是后台优化工具而是前台核心产品的世界。下面我们就从几个具体维度拆解这种“路径依赖”是如何体现的以及它给所有技术团队带来的启示。1. 从“优化搜索”到“创造新物种”核心范式的认知偏差要理解Google的处境首先要区分两种AI应用范式AI as a FeatureAI作为功能特性将AI能力嵌入现有产品用于增强其核心功能。例如用大模型提升搜索结果的摘要质量用AI优化广告投放算法。它的目标是让现有产品“更好用”。AI as a ProductAI作为原生产品以AI为核心能力从头构建一个新产品或新体验。例如ChatGPT本身、Midjourney、GitHub Copilot、以及各种AI Agent平台。它的目标是创造一个新的价值入口。在很长一段时间里Google的AI战略重心明显偏向第一种范式。这有其深刻的合理性搜索是它的现金牛和护城河任何能巩固这一地位的技术投入都是最高优先级的。因此我们看到PaLM、LaMDA等大模型的研究早期披露的惊人能力演示如LaMDA的对话最终大多都流向了让Google Search和Assistant“更智能”。然而当外部竞争者以第二种范式——打造一个纯粹的、以生成为核心的对话界面——发起冲击时Google的应对就显得有些被动和仓促。Bard的发布被广泛认为是为了应对ChatGPT的“防御性产品”其初期表现和定位的模糊它到底是搜索的补充还是一个独立产品都反映了这种范式切换的不适。更深层的问题在于组织心智。一个以“准确、权威、快速获取信息”为使命的团队在设计AI产品时会本能地优先考虑“事实准确性”减少幻觉、“信息溯源”和“安全性”。这些当然至关重要但在生成式AI的早期探索阶段过度强调这些可能会牺牲掉产品的“创造力”、“流畅性”和“探索乐趣”。用户对ChatGPT的早期狂热部分正来自于它那种天马行空、无所不能的“幻觉”感——这恰恰是严格受控的搜索式AI要极力避免的。所以Google的“失误”首先可能是一种认知框架的惯性它习惯用“搜索”的尺子去丈量“生成”的世界用“优化旧大陆”的思维去开拓“新大陆”。2. 开源与闭源的战略摇摆生态影响力的得与失在AI基础设施层Google有过辉煌的开源贡献。TensorFlow的发布几乎定义了上一轮AI深度学习的开发工具生态Transformer论文更是为今天的大模型奠定了基石。这些举措为Google赢得了巨大的声誉和技术影响力。但在大模型时代Google在“开源”与“闭源”的战略上出现了明显的摇摆和内部张力。一方面它通过DeepMind和Google Research持续推出强大的模型如Gemini系列并部分开源了模型权重如Gemma系列试图延续其生态建设者的角色。另一方面面对OpenAI等公司通过闭源API快速商业化、构建生态的激进策略Google又必须确保自己的核心模型有足够的竞争壁垒和商业化潜力。这种摇摆导致了一个结果它既没有像OpenAI那样通过一个绝对领先的闭源模型GPT-4形成事实上的API标准和高昂的生态溢价也没有像Meta那样彻底拥抱开源Llama系列通过占据开发者心智来构建另一种形态的护城河。Google处在一个中间地带。它的开源模型Gemma很优秀但并非压倒性的领先开发者有Llama等同样优秀甚至社区更活跃的选择。它的闭源模型Gemini Advanced能力很强但在用户心智和生态应用广度上仍落后于ChatGPT/ GPTs形成的体系。这种战略上的不清晰削弱了其在开发者中的号召力。当创业公司和开发者选择技术栈时一个清晰、坚定的平台策略是重要的决策依据。Google的“两手抓”在理论上稳健在实践中却可能让外界感到困惑不清楚其长期承诺究竟在哪里。3. 产品矩阵的“内耗”与整合难题力量无法集中于一点Google拥有世界上最顶尖的AI研究团队分布在Google Research、DeepMind、Google Brain已与DeepMind合并等机构。这带来了丰富的研究成果但也带来了内部整合的挑战。在ChatGPT一鸣惊人之后Google的应对被报道存在内部混乱不同团队有不同的模型和产品方案在资源分配和产品路线上存在竞争。最终我们看到的是多个AI产品线并行Bard / Gemini App对标ChatGPT的对话式AI。Gemini in Workspace将AI集成到Gmail、Docs等办公套件对标Microsoft Copilot。Search Generative Experience (SGE)在传统搜索中集成生成式AI摘要。还有众多实验性的AI工具分散在各个产品中。多线作战本身不是问题问题在于这些产品之间有时感觉是“缝合”而非“融合”。用户可能会困惑我该用BardGemini来写邮件还是直接用Gmail里的“帮我写”搜索中的AI摘要和直接问Bard体验和答案有何不同这种体验上的割裂反映了底层技术栈、产品逻辑和用户体验设计可能尚未完全统一。相比之下OpenAI早期聚焦于ChatGPT这一个核心产品将其体验做到极致再通过API和GPTs将能力辐射出去微软则明确以Copilot为品牌将AI能力深度、一致地嵌入到Windows、Office、Github等全线产品中形成了清晰的“Copilot everywhere”叙事。Google需要将分散的AI力量整合成一个对外清晰、对内协同的“尖刀”产品叙事而不是让用户在不同入口间感到困惑。4. 对“AI智能体Agent”浪潮的反应迟缓从工具到行动的差距如果说大语言模型LLM是大脑那么“智能体Agent”就是赋予这个大脑手、脚和感知能力使其能自主规划、使用工具、执行任务并完成复杂目标的框架。这是当前AI应用最前沿、也最具潜力的方向之一。观察最新的技术热点和开源项目如项目正文中提到的my_ai_town这类AI智能体小镇模拟你会发现一个活跃的开发者生态正在围绕“多智能体协作”、“自主智能体”等概念进行创新。这些项目探索的是AI如何从被动的问答工具转变为能主动管理任务、长期运行、甚至进行社会性交互的“数字存在”。在这个领域Google虽然也有相关研究比如SIMA专注于游戏环境的智能体但在为外部开发者提供强大、易用的智能体构建框架和平台方面声量似乎不如一些更灵活的初创公司或开源社区。Spring AI等项目正在试图简化Java生态中AI应用的开发但Google似乎还没有推出一个能类比其当年TensorFlow地位、用于定义AI智能体开发范式的旗舰级开源框架或云服务。这或许又回到了最初的“路径依赖”Google的AI基础设施如Vertex AI非常强大但它的设计初衷可能更服务于大规模模型训练和部署而非轻量、敏捷、面向复杂逻辑编排的智能体开发生态。当竞争焦点从“谁的模型更大”转向“谁能用模型做出更聪明、更自主的应用”时生态的活力变得至关重要。Google需要证明它不仅能提供最好的模型还能提供最好的“模型应用开发体验”特别是对于代表未来的智能体范式。5. 给技术团队与开发者的启示如何避免自己的“AI失误”Google的案例对于任何一家拥有成功历史产品的技术团队都具有深刻的警示意义。我们可以从中提炼出几条避免陷入类似困境的行动原则1. 定期进行“范式审计”不要只满足于用新技术优化现有流程。要定期追问这项新技术如生成式AI是否有可能完全重构我们解决问题的范式它催生的是“更好的功能”还是“全新的产品”鼓励团队进行一些“蓝天”项目暂时抛开现有业务的KPI探索技术最原生的可能性。2. 区分“优化型项目”与“颠覆型项目”的考核标准用优化广告点击率的指标如准确性、ROI去考核一个旨在探索人机对话新体验的项目后者很可能夭折。对于颠覆型项目早期应该更关注用户参与度、互动深度、新颖用例的发现容忍更高的不确定性和“幻觉”。3. 建立与外部生态的“感知触角”大公司的内部视野容易固化。必须主动地、系统地关注开源社区、初创公司和独立开发者在用你的技术或竞争对手的技术做什么。那些最狂野、最不像“正经产品”的开源项目比如AI小镇往往预示着未来的方向。参与进去甚至资助和整合它们。4. 战略选择要清晰执行要坚决在开源与闭源、分散与聚焦之间做出符合自身长期利益的选择。一旦选择就要投入足够的资源和决心去打造生态。摇摆不定是生态建设的大忌。5. 将“开发者体验”置于与“模型性能”同等重要的地位对于平台型公司赢得开发者的心比赢得一次基准测试的分数更重要。提供清晰的文档、易用的SDK、稳定的API、有吸引力的定价和成功的用例让开发者能轻松地将你的AI能力转化为创新应用特别是智能体这类复杂应用。回到最初的问题Google在AI上最大的失误是什么或许可以这样总结它在一个由自己奠定基础的技术革命中一度被自己过往的成功所定义在从“优化信息的AI”转向“创造体验与行动的AI”这一关键范式跃迁中显得不够决绝和专注。它拥有几乎所有的拼图但需要以更大的魄力将它们重新排列拼出一幅属于AI原生时代的新蓝图。这远非定局。Google的技术底蕴和资源依然深厚Gemini系列模型展示了强大的实力其多模态、长上下文等特性仍是业界标杆。真正的考验在于它能否完成一次深刻的“自我颠覆”将AI从巩固旧王座的利器真正变为开辟新大陆的引擎。对于所有技术人而言这个故事的核心启示在于最大的风险从来不是技术的落后而是思维方式的固化。无论是对巨头还是对我们每一个人。