谷歌AI人事动荡：全栈是护城河，也是纷争的起源

本文来自微信公众号： 划重点KeyPoints ，作者：肖圆，编辑：重点君

谷歌的AI叙事又反转了。

Gemini 4研发不及预期，已经连续两次推迟发布。原本被寄予厚望的Gemini 3.5 Pro，也先后错过了6月和7月中旬的发布时间。

与此同时，谷歌在5月和7月接连推出Gemini 3.5 Flash、Gemini 3.6 Flash。但无论哪一版，都没有明显匹敌或超过Anthropic、OpenAI，设置不如Kimi、Qwen、DeepSeek的同期前沿模型。

外界很快意识到，那个一度让OpenAI紧急组建Red Code的谷歌，这次又落后了。

与模型延期同步出现的，是谷歌AI核心层接连发生的人事动荡。DeepMind首席执行官席位空缺；原首席科学家Jeff Dean带领多名顶尖研究者出走创业；Hassabis卸任DeepMind首席执行官；Koray Kavukcuoglu则从首席技术官升任高级副总裁，接手日常运营，并直接向谷歌CEO Pichai汇报。

技术掉队与人事动荡，都指向谷歌长期存在的组织矛盾。

谷歌自身的全栈策略，要求谷歌在芯片、云、框架、模型、应用、硬件等都有布局，并且处于前沿。

本该成为搜索、云等业务“引擎”的DeepMind，与这些部门，尤其是谷歌云，在产品与资源上，始终存在多重竞争。

偏偏DeepMind又是这套体系中最特殊的部门。它是一家被谷歌收购的研究机构，有自己的使命、文化，也长期围绕Hassabis这样的强势科学家运转。谷歌曾经需要这种特殊性，但当Gemini变成整个公司的基础设施，这种特殊性也开始制造越来越多的摩擦。

不可避免的人事动荡

最近DeepMind的一系列人事动荡，正是内部矛盾持续激化的结果。

Jeff Dean带着三位来自谷歌的顶尖研究者离开，成立Discovery Loop。他们给新公司的目标，是用AI自动解决机器学习、科学和工程中的重要问题。

这样的研究，DeepMind有没有能力做？当然有。问题在于，它今天还有多大的空间去做。

在最近发表的CEO公开信里，Pichai表示DeepMind会“高度聚焦于那些仍需改进的领域”。

这里的“聚焦”，指向模型能力的提升，以及模型与产品更紧密的结合。有限的研究人员和算力，需要流向Gemini最急迫的能力短板和谷歌最重要的产品。

Jeff Dean的离开对DeepMind也许是损失，但对于谷歌云或母公司投资部门来说，就不一定了。Alphabet成为Discovery Loop的创始投资者，谷歌云则为它提供计算基础设施。

DeepMind自己的权力结构也在同时变化。

Hassabis不再担任DeepMind CEO，转任DeepMind董事长和Alphabet首席科学家，继续留在伦敦；原首席技术官Koray Kavukcuoglu则升任高级副总裁，负责日常运营，常驻加州，并直接向Pichai汇报。

谷歌保留了Hassabis的科学权威，又收回了他对DeepMind的管理权。

人事动荡，绝对不是Hassabis想看见的。

今年年初接受《财富》采访、回顾Gemini 3的成功时，Hassabis说，他们花了一年到一年半，终于让DeepMind找到了作为整个谷歌“引擎室”的工作方式：DeepMind负责制造引擎，再交给公司其他部门使用。

他当时反复强调三个词：速度、聚焦，以及尽量少的纷争。

半年之后，DeepMind速度慢了下来，纷争却多了起来。

强人们正在离开，但在Pichai眼中，这可能是重塑这个组织所必然付出的代价，一个更可控、更聚焦、更靠近产品的DeepMind，或许比保留原来的DeepMind更重要。

全栈是护城河，也是纷争的起源

谷歌引以为傲的护城河，是全栈。从芯片、数据中心、云，到模型、开发框架、应用和硬件，谷歌覆盖了AI技术栈的每一层。

但这些业务共享算力、模型和客户，又有各自的收入、产品和竞争目标。全栈因此也成了纷争的起源。

在Alphabet二季度财报电话会上，分析师问Pichai：在新的模型战争中，谷歌的护城河是什么？即便拥有同样的模型能力，支撑持续增长的优势又在哪里？

Pichai给出的答案是全栈。“全栈路线的价值之一就在这里：客户来找我们，买的通常是完整的解决方案，”Pichai补充，“模型只是解决方案的一部分。”

他随后强调了云业务的全栈能力与强劲需求：“当然，拥有自己的模型，可以让我们更深入地优化这些解决方案，提供更加一体化的产品。但与此同时，我们也会在这些解决方案中提供其他公司的模型，也会把基础设施能力整合进去。”

Gemini的领先固然重要，但谷歌的商业胜利，并不完全以Gemini始终领先为前提。

DeepMind和谷歌云的利益在算力分配上正面相撞。

据The Information报道，去年12月，谷歌成立了新的算力分配委员会：云、DeepMind、搜索与广告的负责人，以及CFO坐到一起，共同决定有限算力究竟应该优先分给谁。

算力分配本来就是大厂的老问题，但AI把它推向了空前严峻的程度。谷歌目前明显算力不足。今年计划投入910亿至930亿美元资本开支，接近2024年的两倍；但数据中心建设和芯片制造都需要时间，今天能用的算力，很大程度取决于几年前的投入。现在多花的钱，只能缓解未来，解决不了当下。

从市场趋势看，推理负载的增长正在超过训练负载。也就是说，当模型真正进入产品、被大量用户调用后，消耗的算力可能比研发模型本身更多。谷歌既拥有搜索、YouTube、Gmail等数十亿用户产品，又是大型云厂商，恰好承接了这种结构性变化。

与此同时，谷歌云还是其他AI模型公司的基础设施供应商。Anthropic就深度使用谷歌云和TPU。对谷歌云而言，把算力分给这些客户意味着明确的合同、收入与增长预期：如果一个大客户愿意签下多年合同，即便谷歌需要先承担几个月的高成本，这笔账也很容易算清。

DeepMind的账则没这么好算。训练下一代Gemini当然重要，但前沿研究的投入与产出之间并不存在稳定关系。

这种竞争会一路传导到普通研究者。The Information报道称，DeepMind要求研究者把大部分时间集中在一个主项目上，再由组织为该项目配置算力；项目用完额度后，研究者可能需要向其他团队“借”算力，并以未来的人情、调试支持或其他资源偿还。

而云与DeepMind的竞争，远不止争夺算力这么简单。

谷歌云同时也是Gemini模型最重要的商业出口。开发者可以在Google AI Studio购买API额度，这部分产品由DeepMind负责，但模型运行依然建立在谷歌的云基础设施之上。到了企业市场，Gemini的套餐、定价、合规与销售体系，则更直接掌握在谷歌云手里。

于是，一种不对等关系出现了：谷歌云可以与Gemini抢算力，并把抢来的算力卖给Gemini的竞争对手；DeepMind却无法绕过Cloud，在竞争对手的云上自由销售Gemini。

北美大型云厂商中，只有Oracle成功与谷歌云达成合作，原生支持Gemini系列模型；即便亚马逊和微软并不自研模型，Amazon bedrock和Microsoft Foundry也没有对Gemini的原生支持。

并且，这种不对等在未来未必会缓和。按谷歌最新任命，DeepMind的掌权者Koray负责Gemini模型研发、前沿AI研究，以及Gemini app与开发者团队；而与模型相关的企业业务仍归属谷歌云。

这种“模型团队”和“模型产品”的分离，还可能引发更多问题。

DeepMind早已不只是模型研发部门：基础模型、Gemini App，以及对标Claude Code的Antigravity等开发者工具，都由DeepMind负责；Gemini衍生出的NotebookLM、Google Flow等应用则位于Google Labs；企业端的Gemini Enterprise Agent Platform（原VertexAI）与Gemini Enterprise，又属于谷歌云。

这意味着，Gemini的基础模型、个人产品、开发者产品与企业应用，并没有完全收拢在同一个部门，甚至同一个人手里。

相比之下，Anthropic与OpenAI的产品收口更集中。Claude App、Claude Code与企业产品围绕Claude模型演进，产品反馈能更直接回流到模型与工具团队。

这些断裂，可能也是谷歌在Coding与Agentic能力上落后的原因之一。

要提升Claude Code这类Coding Agent的体验，需要持续获得企业开发者的一线反馈，例如他们如何操作代码库、在哪些环节失败、怎样把Agent接入真实工作流。而这些企业客户与数据多掌握在谷歌云，负责模型与开发者产品的DeepMind却难以及时获取。

DeepMind正在失去研究自主权

当DeepMind与其他部门的矛盾无法靠增加算力、加强协作来化解时，谷歌只能从组织上改造它。

谷歌需要DeepMind更聚焦、更贴近产品，更服从全公司的资源分配与发布节奏，并更直接地纳入Pichai的管理线之下。近期的人才流失，也发生在这场改造过程中。

而谷歌最初需要的DeepMind，恰恰是一个“不太像谷歌”的组织。

在双方最初的甜蜜期里，DeepMind提供了一种谷歌内部团队难以复制的能力：一个围绕AGI使命组织、由强势科学家创始人领导，能够持续把高风险研究做成标志性突破的“研究机构”。

这也是为什么Google自2014年收购DeepMind之后，长期容忍其相对自治。Demis Hassabis能用关于AGI、科学突破与长期主义的叙事吸引全球顶尖研究者，并让他们在短期回报并不明确的项目上协同工作。

当时的谷歌需要一个内部无法复制的AGI实验室，因此可以容忍它的自治、使命感，以及Hassabis极强的个人权威。

但Gemini越成功，DeepMind原有的气质与工作方式就越难维持。

当Gemini仍是研究项目时，谷歌可以让研究者决定探索方向；但当Gemini成为搜索、云等业务的共同基础设施后，模型何时发布、获得多少算力、优先提升哪些能力，就不可能再只由研究团队决定。它必须适应搜索产品的更新节奏，满足云的企业客户，也要在竞争对手发布新模型时迅速给出答案。

在题为The next chapter of our AI momentum的公开信中，Pichai强调DeepMind要保持在前沿，同时又要“高度聚焦于那些仍需改进的领域。”

模型竞争窗口越来越短，谷歌必须把有限的研究人员和算力集中到最关键的方向。

但这里还需要指出一点：Pichai对模型团队“更聚焦”的新预期，可能会让Gemini离前沿模型越来越远。

在Q2财报会议上，Pichai说：“加快节奏、以接近每月一次的频率发布模型，已经成为Gemini 4路线图的一部分。”

这当然能让公司保持更新速度，也符合模型生命周期不断缩短的现实，但它很可能是个伪目标。

新模型的能力提升有benchmark可追。做过研究和产品的人都知道，把Coding、推理或长上下文的分数再抬高一点，就足以构成一次发布。

但引领行业的模型研究需要灵光一现，需要无法计量成本的探索，也需要研究者在一段时间里做一些看起来没有直接产出的事情。

随着谷歌对DeepMind的要求越来越“聚焦”，这种探索空间正在缩小。

谷歌也许能得到更稳定的发布节奏、更易管理的研发流程，以及更快进入产品的模型；但也可能失去DeepMind原本最珍贵的那部分能力——允许一些人偏离主线，并最终找到一条所有人都未曾预料的路。