Agent、TPU、生态、安全、开放：Google Cloud 到底在 bet 什么？
AI 产品 硬件 芯片 战略
明浩在拉斯维加斯参加 Google Cloud Next 的第一天，上午听完主 Keynote，下午又挑了四场分论坛。他没有把这场大会理解成一次单点模型发布，而是沿着 Agent、TPU、安全、开放和资本关系，试着辨认 Google Cloud 面向企业 AI 的整套安排。会场的规模、芯片登台时的掌声和技术播客现场录制的长队，构成了这份速记的背景；内容本身则集中在云业务如何把模型能力接进企业。
节目开头，明浩把 Google Cloud 描述为 Google 面向企业的业务出口，模型、TPU、安全和数据服务都要在这里交付。按照他对主 Keynote 的复述，企业讨论的重点已从是否尝试 AI，转向 Agent 如何构建、扩展、治理和优化。Gemini Enterprise 被介绍为面向企业的 Agent 平台，这也为当天随后出现的硬件、安全和生态议题定下了范围。
五层服务把企业 AI 放进同一套产品结构
明浩按演讲的顺序，整理出五层服务。底部是以 TPU 和定制 GPU 为主的 AI Hypercomputer；其上是 Agentic Data Cloud；第三层是 Agentic Defense；第四层才是 Agentic Platform and Models；最上面是 Agentic Task Force。节目并未展开这些层的具体技术调用；明浩从这套排列读到的，是一整套企业 AI 服务，而非孤立的模型接口。
安全的位置尤其醒目。它夹在数据与模型之间，成为独立的一层。明浩反复提到主 Keynote 中安全内容的比重，也注意到 Wiz 的联合创始人兼产品负责人登台讲 AI 安全和 Agent 安全评估。节目没有细述评估方法，不过它保留了一个清楚的产品判断：企业部署 Agent 时，安全是平台组织方式的一部分。
内部使用数据与 TPU 分工
节目还转述了 Google CEO 在现场视频中披露的两组内部数字。第一方 API Token 的调用量，据称从 2024 年第三季度的每分钟 70 亿，增长到上一个季度的每分钟 100 亿，再到当期的每分钟 160 亿。Google 内部新代码中由 AI 生成的比例，则从上季度的 50% 升到当期的 75%。这些都是企业内部披露，节目没有补充 Token 的产品范围、调用方构成或代码生成比例的审核口径；它们在这份现场笔记里的作用，是呈现采用速度。
算力的安排紧接着出现。Amin 在舞台上公布 TPU v5p 与 v5e，明浩记录，前者面向模型训练，后者面向模型推理，两款芯片由不同代工厂商制造。他又援引一个未具名的第三方预测：未来数年，推理需求可能超过总需求的一半。这是他理解 TPU 分工的背景，而不是对两款产品性能的比较。
主 Keynote 给出过一个使用案例：Thinking Machines 称使用 TPU 后，训练效率提升到原来的两倍。节目没有提供任务、集群规模或基准测试，因而不能把这个案例扩展成普遍的性能结论。明浩更在意的是，发布会把训练和推理的需求差异摆到产品命名与硬件展示上，现场也实际展示了搭载 TPU 和 Google GPU 的机柜。
TPU v5p
节目转述其面向模型训练。训练是主播讨论硬件路线时的一端。
TPU v5e
节目转述其面向模型推理。主播把它放进推理需求可能上升的背景中。
开放性体现为具体的连接关系
明浩在超过一个半小时的主 Keynote 里看到了 Apple、Microsoft 365、NVIDIA Blackwell 的标识，也听到 AWS 被提及。他因此把开放性视为当天的一条暗线。节目列举的关系并不相同：他转述 Google Cloud 将为下一代 Apple AI 模型提供能力，并可能出现在新 Siri 中；Gemini Enterprise 支持与 Microsoft 365 对接；Google Cloud Infra 被介绍为较早提供 Blackwell 服务的厂商之一；新的数据库服务则可以对接 AWS 和微软云。
把这些事放在一起，明浩看到的是一个云平台的现实处境。它需要销售自己的模型和基础设施，也需要与办公软件、芯片供应商和其他云服务协作。节目没有把这些合作写成一条统一协议，更没有认为它们消除了竞争；开放在这里指向的是跨产品、跨公司交付企业服务的能力。
明浩的观察：Apple、Microsoft、NVIDIA 与 AWS 在主 Keynote 中出现的场景各不相同，但共同让他注意到 Google Cloud 同时经营合作和竞争关系。
垂直 Agent 仍要处理模型之外的工作
明浩在 Agents in Action 分论坛听到三家垂直 Agent 公司讲自己的交付。Harvey 服务法律场景，Rogo 面向金融分析师，第三家公司则帮助银行、政府等大型机构改造难以上云的遗留大型机系统。节目还提到，三家公司都获得过 Google Ventures 投资。它们面对的并非同一行业，但给出的理由有相当多重合。
第一层理由是模型选择。分论坛嘉宾认为，复杂行业任务往往难由一家模型厂商完全满足，因此垂直公司在中间管理模型选择与路由仍有价值。第二层理由是治理。金融、法律、银行和保险客户对数据安全、权限、隐私和流程都有严格要求，模型能否回答问题，只是交付的一部分。节目没有比较三家公司的效果，却把这两类工作保留下来，说明垂直 Agent 的角色并不止于调用模型。
收费方式也没有走到理想化的按结果付费。三位嘉宾的共同判断是，这种方式目前还难大规模实现；更常见的组合是基础订阅、扩展包，以及少量与结果挂钩的尝试。另一个共同的难题是人：既理解垂直业务，又知道 AI 能力边界的人很少。分论坛把这类人放在 Agent、后训练和强化学习环境建设的交汇处，需求因而更集中。
Anthropic 把企业机会与软件工作重新拆开
After Software 分论坛由 Anthropic 的一位技术负责人讲述下一代企业软件。演讲将企业收益分为三类：让员工更聪明，例如搜索内部信息、自动化研究、分析数据并创建文件；让流程更快，例如加速开发、提高软件质量、自动化部分流程；以及构建以 AI 为中心的新产品，借此解决客户问题并带来新增收入。这三类并非时间顺序，而是企业采用 AI 的不同落点。
演讲者还给出一个内部估计：AI 能力大约每七个月翻一倍。他将这个判断归因于三项变化，分别是问题变得更复杂、单次运行时间变长，以及 Agent 框架更复杂。节目没有提供统一评测或外部模型对照，因此这个速度只能理解为 Anthropic 演讲者的内部观察。
更深的一层是对软件工作的判断。演讲者认为，过去的工作量大量集中在实施、验证、部署和维护；AI 编程能力提高后，识别问题、界定问题、设定目标以及决定是否解决它，会占据更大的位置。他用 Claude Code 说明一种软件形态：模型在流程中调用工具，围绕目标反复调整。演讲把焦点放在企业会投入更多精力选择正确的问题，没有给出实施与维护将减少到何种程度的数字。
过去的工作量
实施、验证、部署和维护被视为较重的部分。
演讲者的预期
问题定义、目标设定和取舍判断的重要性会提高。
TPU 的长期路线与生态里的资本关系
Acquired 的现场录制把镜头拉回 TPU 的长期路径。Amin、DeepMind 的首席科学家 Jeff 和两位播客主播谈到十多年的发展、其中的失败以及持续投入的原因。讨论没有停在芯片指标上，还推演了进一步扩张会遇到的物理约束：电力、数据中心建设、先进封装和代工。明浩听完后更关心组织层面的条件，他认为 Google 的文化与战略选择帮助 TPU 路线穿过了早期困难。
资本关系是他在会场看到的另一条线。节目提到 DeepMind 的收购、Wiz 对云安全产品线的补充、Google 对 Anthropic 的早期资金联系，以及 Google Ventures 所投的几家垂直 Agent 公司。明浩把这些关系归为生态线索：收购和投资既可能补足产品与研究能力，也让 Google Cloud 更早接触模型训练、垂直行业和企业客户。节目没有量化这些关系各自的财务回报，重点在于它们如何与产品路线同时出现。
一场没有单一大招的大会
明浩在会前期待看到新的大招，结束后却认为大会没有给出一项可以单独改变判断的发布。他也解释了这个落差：大型会议的内容往往要提前数月确定，很难完全跟随以月为节奏的模型竞争。这个判断没有削弱他的兴趣，反而让他把注意力从一项发布转向整套能力如何协作。
在这份速记里，TPU 和数据中心提供基础，安全和任务平台承接企业部署，互操作把服务接进现有软件与云环境，投资和伙伴关系把路线延伸到模型公司和垂直场景。明浩对 Google Cloud 的回答因此没有落在单一产品上：他看到的是一场围绕基础设施、交付和生态的较量。