电子产品世界

具体而言，我们的研究表明，英伟达的GB300及其后续产品 Vera Rubin 将彻底重塑人工智能的经济格局，为英伟达持续赋予竞争优势。此外，英伟达在产量上的领先地位将使其成为相对而言更低成本生产商，并且无论是在大规模人工智能训练还是推理任务中，其平台都将是迄今为止最具经济性的选择。

就谷歌而言，我们认为它正面临创新者的终极困境 —— 其搜索业务与广告收入紧密绑定。若谷歌将广告模式转向类聊天机器人的交互体验，其搜索查询的服务成本将飙升 100 倍；另一种选择是将商业模式转向更一体化的购物体验，但这绝非简单地向用户推送 10 个蓝色链接就能实现。相反，这需要谷歌与用户及广告商建立新的信任契约，而即便 Gemini 近期表现不俗，谷歌目前仍未具备这一条件。尽管 ChatGPT 饱受诟病，但在我们看来，OpenAI 正通过强调可信信息而非强制推送广告，稳步颠覆当今的在线体验。归根结底，人工智能时代的两大早期推动者 —— 英伟达和 OpenAI，目前仍处于稳固地位。尽管未来可能发生诸多变化，但随着 GB300市场采用率的提升，市场对这两家公司的现有观点很可能会发生转变。

本文将阐述为何认为当前市场观点存在偏差，解读市场忽略的关键因素，以及英伟达即将推出的产品线如何重塑叙事格局。本文还将分析搜索、大型语言模型（LLM）和聊天机器人的经济逻辑，并说明为何 OpenAI 尽管面临诸多挑战（竞争压力、承诺履行、市场不确定性等），其处境仍比多数人设想的更为有利；同时探讨为何谷歌虽无疑是人工智能领域的领导者，却仍难以守住这一科技史上最成功的商业版图。

我们认为，TPU 的核心问题并非其芯片本身是否 “优秀”—— 事实上它表现不俗。关键在于，对于人工智能的下一发展阶段，TPU 在架构上缺乏广泛的适配性。当前，前沿规模的工作负载对通信能力和带宽的需求日益增长，且需要能够扩展至超大型集群、同时避免因协调开销过大而崩溃的系统。在我们看来，TPU 诞生于带宽昂贵且难以实现的时代，这一设计初衷在模型规模扩大、工作负载多样化的当下逐渐显现局限性。

TPU 的设计初衷与性能瓶颈

TPU 适用于低带宽需求的人工智能场景，在搜索等生产环境中已被证实有效，能够出色完成特定训练任务，且曾助力实现多个重要的早期里程碑。但随着模型规模扩大和工作负载分布式程度的提升，我们的研究表明，TPU 的设计在扩展能力和架构内可用带宽方面面临实际限制。这也是 TPU 未能成为全行业广泛采用的核心原因。

前沿训练与 TPU 适配型工作负载的本质区别

我们认为，前沿人工智能研发正日益要求一种针对高带宽和可扩展性优化的架构 —— 即能够支撑 “GPU 工厂” 的系统设计，让大量加速器能够高效连接并保持高利用率。

谈及人工智能工厂的核心需求，主要包括以下三点：

1. 近线性对分带宽增长：对分带宽本质上是网络 “中间节点” 的吞吐量，即系统两半部分之间的数据传输能力。随着工作负载日益复杂和分布式化，添加更多设备时，跨架构的带宽需实现平稳增长。

2. 最小化集合通信性能损耗：当系统规模扩大时，集合通信模式可能成为瓶颈。系统必须避免因参与节点增多而导致性能断崖式下降。

3. 持续的实际利用率（约 50%）：目标并非理论峰值性能，而是在生产环境下，让系统在大规模运行时持续高效完成有用工作。

在我们看来，基于高带宽、可扩展互连技术的架构更符合这些需求。

“单一供应商集群” 的局限性

我们的核心观点是，TPU 仍是单一供应商架构，其拓扑结构形成了紧密耦合的 “集群单元”，虽在当时是优雅的设计（类似 IBM Blue Gene、Cray 等历史经典设计），旨在解决 “如何实现全连接” 的问题，但在两方面存在明显局限：

• 无法满足前沿工作负载日益增长的扩展需求；
  

• 难以提供前沿级模型开发所需的海量通信带宽。
  

这并不意味着 TPU 变得无关紧要。在我们看来，TPU 仍极具实用性和吸引力 —— 尤其适用于边界明确的工作负载 —— 但 “有用” 并不等同于成为下一代人工智能工厂的主导基础，更不足以侵蚀英伟达的护城河。

市场陈述的简化误区

我们认为，“某模型基于TPU训练，因此TPU代表未来” 这一流行说法忽略了现实。事实上，部分大型模型确实采用了 TPU 进行训练，但数据显示，对于前沿规模、高通信需求的任务，GPU 类架构的必要性正日益凸显，市场正趋向混合架构模式。

我们的研究还发现一个务实因素：在加速器供应受限的情况下，充分利用现有资源是合理选择。因此，大量使用 TPU 并非表明其是终极解决方案，而是供应约束下的优化举措。

核心结论

我们并非看空 TPU—— 它技术成熟，背后的工程设计令人印象深刻。但我们认为，英伟达通过端到端架构设计，在带宽、可扩展性和持续利用率方面形成了核心优势，而这些正是人工智能工厂从单一系统演示走向大规模生产基础设施的关键要素，这也进一步巩固了英伟达的护城河。

我们认为，近期 TPU 引发的热潮，并非源于市场向非英伟达架构的结构性转变，更多是由于产量受限、需求远超供应，且所有超大规模科技公司都面临资源稀缺的困境。在这种环境下，采购方和建设方会利用任何可用的可靠计算资源 —— 这一动态放大了 TPU 及其他替代方案的可用性和功能关注度。

CoWoS 是关键制约因素

我们的研究指出，当前最大的约束是封装产能。CoWoS（晶圆级芯片封装）是台积电（TSMC）的一项封装技术，它将晶圆上的芯片粒集成到基板上，实现超高速通信连接。在我们看来，这是现代人工智能系统的核心基础，因为这类系统依赖芯片间及复杂多芯片架构间的高速数据传输。关键在于，当 CoWoS 产能紧张时，无论需求多么旺盛，先进人工智能加速器的产量都将受到限制。

CoWoS 消耗趋势图表解读

下表展示了英伟达、博通（Broadcom）、超威半导体（AMD）等厂商的 CoWoS 预计消耗情况 —— 需注意的是，这一数据涵盖所有芯片类型，而非仅针对人工智能芯片。这意味着非英伟达厂商的部分消耗用于其他产品类别和工艺需求，但核心结论不变：人工智能芯片同样受限于这一封装瓶颈。

数据来源：摩根大通股票研究

数据显示，CoWoS 总产能将逐步大幅扩张，而英伟达锁定了超过 60% 的份额：

• 2025 年：652
  

• 2026 年：1150
  

• 2027 年：1550
  

与此同时，随着英伟达从 GB200 向 GB300 及后续 Rubin 推进架构升级，并优化交换技术和整体系统设计，领先平台的计算效率和系统性能将持续提升。我们认为，市场应综合看待这些趋势 —— 即产能增长的同时，单系统性能也在提升，这将为那些既能保障产量又能快速积累经验的厂商强化经济优势。而在这一场景中，英伟达无疑是绝对的领先者。

英伟达的提前采购转化为市场份额与成本优势

我们认为，当前叙事中最被低估的一点是：英伟达已提前采购并锁定了大量 CoWoS 产能。因此，即便整体市场规模扩大，在上述规划周期内，英伟达仍将保持显著的市场份额 —— 预计到 2027 年，其在相关市场的占比仍约为 61%。而仅针对人工智能芯片市场，我们估计英伟达将维持近 80% 的份额。

我们认为，市场份额将由单位经济效益决定。英伟达凭借产量领先地位和对关键瓶颈资源（CoWoS 产能）的掌控，将获得结构性成本优势和飞轮效应。

超大规模科技公司为何采用混合架构？

在供应受限的环境下，超大规模科技公司将采取混合架构策略。以谷歌为例，它会在适配场景中使用 TPU，在必需场景中采用 GPU，以最大限度获取可用的计算资源。我们认为，这正是当前 TPU 热度的主要驱动因素 —— 而非认为 TPU 能广泛取代 GPU，用于前沿规模、高通信需求的工作负载。

我们还认为，大型超大规模科技公司（如谷歌）不太可能向直接竞争对手广泛出售其专有加速器，从而形成真正的外部市场。尽管相关传言不绝于耳，但在我们看来，“TPU 市场化” 叙事的更合理驱动因素是来自合作伙伴（如博通）和元宇宙平台公司（Meta）的生态压力（后者目前正寻求任何可能的竞争优势）。简而言之，这并非谷歌有意成为真正的商用芯片供应商的战略决策。

产量的重要性：复利效应催生成本领先

我们认为，这一部分最核心的结论是以下三大因素的关联性：

1. 产量领先（在半导体及其他规模化市场中始终至关重要）；

2. 经验曲线优势（学习效应、良率提升、供应链杠杆、系统优化）；

3. 对受限资源的掌控（以 CoWoS 产能为典型代表）。

在我们看来，这些因素的结合，使得英伟达凭借 GB300（尤其是后续的 Rubin）等近期平台，有望成为代币生产成本最低的厂商 —— 这并非仅仅源于峰值性能优势，更在于规模效应和锁定的产能将转化为卓越的经济效益。

短缺不会永久持续，但短期内难以缓解

我们认为，当前市场处于 “所有可信人工智能厂商均能售罄其产能” 的阶段，核心原因是供应稀缺。但我们的研究表明，未来几年随着产能逐步跟上，这一局面将发生改变。从历史上看，半导体行业往往在供应不足与过剩之间交替波动 —— 准确预判转折点难度较大，但我们的研究显示，供应紧张仍将持续一段时间，短期内（包括 2026 年）市场仍将处于供应受限状态，而非产能过剩。

综上：TPU 之所以受到关注，核心是市场供应短缺，而 CoWoS 是关键瓶颈。随着行业周期成熟，英伟达锁定产能、积累经验曲线的能力，将进一步巩固其市场份额和成本优势。

近期，投资者加文・贝克（Gavin Baker）在播客中深入探讨了 GPU 与 TPU 的经济逻辑，整段对话极具参考价值。我们摘录了其中一段内容，它简洁地阐述了近期即将发生的经济格局转变。

我们认为，“低成本生产商” 这一定位至关重要，但往往被误解且未被严格践行。在规模化市场中，成为低成本生产商始终是核心优势 —— 关键在于人们所指的是单位成本、交付价格，还是经济利润率结构。从这一视角来看，随着技术栈的转变以及 TPU/ASIC 供应链的经济逻辑日益清晰，谷歌当前作为人工智能芯片低成本生产商的地位正逐渐变得脆弱。

谷歌当前的成本优势真实但难以持续

我们的研究与加文・贝克的观点一致：谷歌在其人工智能技术栈的部分环节享有显著成本优势，并借此积极开拓市场。谷歌能够以低成本产能 “冲击” 人工智能市场，是因为当单位成本降低时，企业可以扩大供应规模，并在价格和可用性上向竞争对手施压。

但我们认为，这一优势高度依赖于底层性能曲线和硬件供应链的经济逻辑 —— 而这两方面均在发生变化。

Blackwell：行业级学习平台

我们认为，英伟达一个未被充分重视的结构性优势是：大规模部署所形成的学习循环。大规模Blackwell架构部署（尤其是 X.ai 所推动的 “极限测试” 式部署），能够暴露系统漏洞、优化性能，并提升可靠性。英伟达从这些实践中汲取经验，并将其推广至整个客户群体，这转化为一种难以复制的上市时间优势 —— 除非英伟达出现运营失误，否则竞争对手很难企及。

我们认为，这种动态将形成复利效应：规模越大，问题暴露越快；解决方案越能广泛普及；随着更多客户在生产环境中使用该平台，其性能将持续优化。

规模定律依然有效：吞吐量与效率成核心溢价

正如贝克所指出的，Gemini 3 的表现证明缩放定律依然有效。我们的研究表明，若规模效应持续显现，市场重心将转向那些能以最低成本、最低能耗、最短时间完成最多训练和推理任务的厂商 —— 且必须具备规模化能力。

这正是英伟达产品线的定位核心：GB300 与 GB200 实现无缝兼容。从霍珀（Hopper）到Blackwell的升级已带来显著提升。我们此前曾报道，由于新的冷却需求、机架密度以及转型复杂性，基于 GB200 的机架可靠性相对较低。但早期反馈显示，新云厂商的 GB300 配置表现极为出色，从 GB200 基础设施升级的阻力极小。这种兼容性加速了部署速度，也提高了客户继续选择英伟达升级路径而非转向其他架构的可能性。

很明显，经济效益将进一步向英伟达倾斜。

TPU 的经济逻辑：博通依赖对利润率的侵蚀

我们认为，TPU/ASIC 技术栈的经济逻辑往往被忽视。一个关键约束是：若大部分价值流向供应商（例如作为谷歌 ASIC 合作伙伴的博通），那么 “低成本生产商” 的说法将变得复杂。加文・贝克估计，规模化运营后，谷歌 TPU 业务 300 亿美元收入中，约 150 亿美元将流向博通，这将占据大部分利润池。贝克用一个简单的比喻解释：谷歌如同建筑师，而博通是施工方 —— 后者负责管理与台积电的合作关系。他正确地指出，苹果之所以掌控从前端设计到后端所有环节（包括管理台积电），正是因为在其规模下，这种垂直整合具有经济合理性。

这种动态将长期影响谷歌的战略决策。即便 TPU 的单位经济效益孤立来看颇具吸引力，但供应商的利润分配结构将削弱其持续压低市场价格的能力 —— 尤其是随着英伟达单系统性能的不断提升。贝克指出，博通整个半导体部门的运营支出为 50 亿美元，因此从长期来看，谷歌向博通支付 150 亿美元的成本可能不再具备吸引力。

Rubin 进一步扩大差距

我们认为，从产品线规划来看，GB300 将重塑成本曲线，而 Rubin 将进一步拉大差距 —— 英伟达与 TPU/ASIC 替代方案的差距将显著扩大。在我们看来，这并非意味着 TPU 变得无用，而是使其应用场景更具局限性。随着英伟达平台成为规模化生产中成本最低的代币生成方案，替代方案将被迫局限于特定场景，或成为 “有什么用什么” 的权宜之计。

历史镜鉴：英伟达 vs 谷歌 / 博通，希捷 vs 昆腾 / MKE

这一场景让人联想到 20 世纪 80 年代的硬盘驱动器行业之争。当时，希捷（Seagate）是硬盘驱动器的领先制造商，采取垂直整合战略，自行生产磁头、介质和驱动器本身。而昆腾（Quantum）当时正深陷制造质量困境，后通过将生产外包给日本顶尖制造商 MKE 重振业务。尽管这需要设计方与制造商之间紧密的工程协作，但成功解决了昆腾的 “后端” 难题。此后，昆腾市场份额迅速增长，股价也随之上涨。

本文作者曾与希捷 CEO、行业传奇人物艾尔・舒加特（Al Shugart）交流，询问这是否是一种具有价值的新商业模式。舒加特简洁地回答：“当你需要付钱让别人生产你的产品时，你的利润就会减少。” 他进一步暗示，从长期来看，当行业整合完成后，希捷将成为最终的幸存者。当时全球约有 80 家硬盘驱动器制造商，如今仅剩 3 家，而希捷是其中市值最高的企业。

硅基芯片与模型之间存在紧密关联。在接下来的部分，我们将聚焦更高层面的竞争，分析近期围绕谷歌、Gemini 和 OpenAI 的市场叙事。

未来趋势：模型趋同，服务差异化

我们的研究表明，竞争焦点正向上游转移。尽管模型能力的快速提升令人瞩目 —— 且我们相信，随着人工智能工厂规模扩大，更大、更完善的模型将持续涌现 —— 但我们的核心战略观点是：仅靠模型质量无法构成持久的竞争优势。在我们看来，市场重心将转向以下三点：

1. 软件生态系统；

2. 围绕模型的服务体系；

3. 可靠且经济地将模型落地应用的能力。

如前所述，即便谷歌当前能宣称在成本方面拥有阶段性优势，但我们认为，随着英伟达在平台学习、无缝升级路径、性能规划方面的持续投入，再加上 TPU 供应链固有的利润率限制，未来两个周期内（甚至更久），“低成本生产商” 的优势将重新回到英伟达手中。

Gemini 用户增长叙事的误区：谷歌的创新者困境

公允地说，Gemini 3 确实对人工智能领域的讨论产生了重大影响，尤其是再次印证了缩放定律的有效性。但我们也认为，部分广泛传播的图表 —— 尤其是那些暗示 ChatGPT 增长 “趋于平缓” 而 Gemini 增长 “爆发式增长” 的图表 —— 若被用作衡量持久竞争优势或经济价值的指标，可能会产生误导。

2025 年全球月活跃用户（MAU）趋势（图表来源：TechCrunch）

为何月活图表会扭曲真相？

我们认为，用户增长图表容易被过度解读，因为它将截然不同的分发机制压缩为一条曲线。一款产品可能因捆绑销售、默认预装、集成入口或展示位置优势，月活用户呈现 “爆发式增长”；而另一款产品可能看似 “增长平缓”，但其使用质量、商业化程度和生态忠诚度仍保持强劲。数据表明，这一现象背后的复杂性远超表面叙事所呈现的那样。

核心背景：谷歌本质上是广告盈利引擎

我们认为，更关键的因素在于：字母表公司（Alphabet）的经济重心仍在广告业务 —— 尤其是搜索及相关广告资产。如下表所示，谷歌从广告业务中获得了巨额运营利润，且利润率极高。

谷歌云业务虽收入绝对值可观且盈利能力持续提升，但与搜索驱动的运营利润规模相比仍相形见绌。即便运营利润率不断提高，云业务的利润贡献仍远不及广告业务带来的数千亿美元运营利润和现金流入。而 “其他业务” 在整体盈利结构中几乎无足轻重。

这构成了典型的创新者困境：谷歌凭借搜索业务拥有全球最优秀的技术交易市场 —— 海量查询量、无与伦比的广告变现模式，以及支撑盈利能力的高效计算基础。这套系统运转良好，且具备规模化优势。

但我们认为，困境在于：谷歌如何在不破坏使其成为行业主导者的盈利引擎的前提下，从当前模式转型为更 “全面” 的形态？数据表明，问题并非谷歌能否打造强大的人工智能模型 —— 它显然具备这一能力 —— 而是能否在转向新交互范式的同时，实现搜索产品和商业模式的演进，并维持原有的经济效益。

关键观察点

我们对谷歌的战略疑问如下：

1. 谷歌能否从当前的 “搜索 + 广告” 模式转型为更全面的人工智能原生体验，同时不侵蚀支撑其竞争优势的利润率和变现机制？

2. 能否在转型过程中，保持使其现有体系高效运转的运营纪律和低成本计算基础？

Gemini 的增长势头令人印象深刻，但我们认为，更核心的问题在于经济结构层面。谷歌在搜索领域的优势，恰恰构成了其引领下一阶段发展必须突破的困境。

参与度而非仅月活：用户时长如何改变人工智能 + 广告的经济逻辑？

数据来源：SimilarWeb

我们认为，此前的月活用户图表未能完整反映真实情况，若据此推断行业领导力或变现能力，可能会产生误导。更具参考价值的是上述参与度数据 ——Specifically，SimilarWeb 的网页用户时长统计，因为用户投入的时间更能反映使用强度、依赖度，以及最终的商业化潜力。

ChatGPT 在用户时长上的领先地位更为显著

尽管 Gemini 增长迅速，但 ChatGPT 在用户时长方面仍保持显著领先。图表还显示，其他参与者（如 DeepSeek 和 Grok）也实现了快速增长，但在我们看来，竞争格局仍高度集中，用户注意力的主要争夺仍集中在 ChatGPT 和 Gemini 之间。

核心指标不仅是 “谁在增长”，更是 “谁在抢占用户时间”。

为何在广告场景中，时长比 “用户数” 更重要？

我们认为，结合谷歌的经济模型来看，这一影响将更为突出。谷歌的盈利引擎建立在与搜索行为绑定的广告变现之上 —— 高流量、低边际成本，以及优化的转化漏斗。这套体系的核心是高效提供海量广告曝光机会。

但如果交互模式转向 ChatGPT 式体验 —— 更丰富的答案、更长的会话时长、更耗计算资源的响应 —— 其成本结构将发生根本性变化。

更丰富答案背后的计算成本难题

我们的研究表明，辅助式模型中的每一次用户交互，其计算资源消耗都远高于传统搜索模型。关键在于，相同的 “用户分钟” 内，辅助式模型需要消耗约 10 倍的计算资源，才能为用户生成更丰富的输出。

在我们看来，这正是将人工智能辅助交互模式与广告资助商业模式结合的核心难点：

• 传统搜索中，广告被嵌入低成本的查询 / 响应流程；
  

• 辅助式体验中，相同的用户注意力需要消耗远超以往的计算资源，这推高了每一次可变现交互的成本。
  

因此，尽管人工智能原生界面可能打造出更具吸引力的产品，但除非变现机制随之演进以抵消成本增长，否则广告交付的经济效益将从高利润率模式转变为高成本模式。

用户时长仍未完全反映真实变化

我们认为，用户时长虽比月活更具参考价值，但仍未能完全捕捉行业的真实转型。时间投入无法直接衡量市场上产生和传递的知识数量与丰富度 —— 而这种丰富度恰恰是计算资源消耗的核心驱动因素。

核心结论是：参与度是正确的衡量指标，但更深层次的问题在于经济逻辑。若市场从低成本搜索交互转向高计算成本的辅助式交互，服务成本（进而变现成本）将大幅上升。这正是谷歌广告主导商业模式面临的核心压力。

我们认为，“谷歌将自我颠覆” 这一普遍观点忽略了一个关键约束：搜索业务的单位经济对谷歌极为有利，而从传统搜索转向辅助式交互模式，将彻底改变单位经济，甚至可能摧毁其盈利引擎。

搜索的成本与收入结构

数据来源：摩根大通、theCUBE 研究

搜索是极致规模化、高度优化的计算业务

我们的研究表明，一次搜索的成本仅为几分之一美分。这一成果源于：

1. 数十年的排名系统优化；

2. 极致的规模化效应；

3. 高度优化的基础设施技术栈。

在我们看来，这可以说是全球成本最低的大规模计算服务之一，也是全球范围内运营最出色的规模化服务之一。

利润率结构是核心护城河 —— 难以轻易放弃

关键在于，每次搜索的收入是其成本的 5-10 倍，这构成了谷歌商业模式的核心 —— 超低单位成本与高价值交互变现的完美结合。

在我们看来，没有人会轻易颠覆这种经济模型 —— 并非缺乏远见，而是替代方案必须跨越极高的经济门槛。

工作负载特性的简洁性 —— 核心优势所在

我们的研究表明，搜索查询的本质支撑了这种经济模型：

• 每日搜索量约 80-90 亿次；
  

• 数十亿活跃用户；
  

• 查询通常极为简短（多为 2-3 个关键词）；
  

• 2/3 的搜索会产生点击；
  

• 每次访问约 1-1.5 次查询。
  

这是一种高流量、低复杂度的工作负载，其优化核心是速度、效率和变现能力 —— 而非生成深度推理型输出。

若不改变变现模式，搜索转辅助将崩溃

我们的核心观点是：若谷歌将这种超低成本交互转变为 OpenAI 式体验 —— 更丰富的响应、更长的会话、更高的单次交互计算成本 —— 其成本结构将急剧上升。若 “搜索” 成本增长一个数量级，而变现机制仍停留在传统广告模式，其经济效益将大幅压缩，商业模式可能彻底崩溃。

归根结底，谷歌完全有能力进行创新，但数据表明，自我颠覆相当于一次经济 “大手术”。现有搜索体系围绕 “简洁性” 和 “高利润率” 优化，若在缺乏新变现模式的情况下转向高计算成本的辅助式交互，可能会摧毁支撑转型的盈利引擎。

注：产品 / 商业搜索仅占谷歌搜索查询量的 10-20%，却贡献了 60-70% 的搜索收入。核心逻辑：低成本广告模式 vs 高成本信息 + 信任模式 —— 从 “付费曝光” 到 “付费精准呈现”。数据来源：摩根大通、theCUBE 研究

当我们聚焦会话成本而非表面用户数量时，谷歌能否自我颠覆的问题将变得更加清晰。如上表所示，传统谷歌搜索的单位经济围绕 “超低交互成本” 和 “高利润率变现” 构建，而辅助式会话则完全颠覆了这一逻辑。

谷歌搜索：每会话仅需数美分，按查询广告变现

我们的研究表明，谷歌搜索的单次交互成本约为 0.002-0.005 美元（如表格所示），且由于每次会话的查询次数较少，最终每会话成本仍 “不到 1 美分”。其变现模式与这一结构紧密绑定：按查询投放广告，低成本与高广告收益的结合造就了超高利润率。

在我们看来，这正是谷歌搜索商业模式极具韧性的核心原因 —— 它是一种高度优化的低成本服务，并通过规模化实现高效变现。

ChatGPT 式会话：单位经济结构完全不同

ChatGPT 的单次交互成本显著更高，且会话模式也截然不同 —— 每次会话包含 5-10 次查询，而非传统搜索的简短轻量交互。两者结合，使得每会话成本大幅上升 —— 我们估计约为谷歌搜索的 100 倍。

关键在于，这并非意味着 ChatGPT 效率低下。事实上，ChatGPT 已处于行业效率领先水平 —— 但即便如此，其底层交互范式的每会话计算成本仍远高于传统搜索。

我们认为，这正是谷歌无法简单将搜索转型为 ChatGPT 式模式的核心原因 —— 这将严重破坏其利润率。

“10-20% 查询贡献 60-70% 收入” 的难题：收入集中化带来生存风险

我们的研究表明，搜索业务中最具经济价值的部分是产品和商业搜索 —— 仅占查询量的 10-20%，却贡献了 60-70% 的搜索收入。在我们看来，这种集中化正是转型的核心难点：

• 这一部分是谷歌最需要保护的利润核心；
  

• 同时，随着人工智能辅助工具向上游渗透到高意图工作流，这一部分也最容易受到冲击。
  

变现逻辑的深刻转变：从 “付费曝光” 到 “付费精准呈现”

我们认为，这是本研究报告中最核心的观点之一：市场正从 “低成本广告 + 蓝色链接” 模式，转向 “高价值、高成本的信息经济”—— 信任与精准呈现成为核心产品。

在我们看来，这将带来两大直接影响：

1. 品牌将更关注信息质量，而非链接排名；

2. 变现模式将从 “付费获取曝光” 转向 “付费获取验证、可信、高保真呈现”—— 这是一种全新的商业逻辑和经济模型。

谷歌 “混合模式” 的未来走向？

谷歌当前的策略 —— 提供混合路径，允许用户深入人工智能模式 —— 既巧妙又实用。理想情况下，谷歌希望缓慢推出辅助式体验，将其作为独立业务隔离，并收取溢价。

但现实限制了这一战略：谷歌必须保护商业搜索的核心数据。尽管谷歌希望在现有基础上叠加高价值服务，并向广告商收取更高费用，但挑战者更容易推出 “高成本、高信任度” 的服务 —— 因为它们无需维护传统利润率结构。我们认为，这正是 OpenAI 的核心优势。

这种张力使得混合模式更像是一种过渡策略，而非稳定的最终状态 —— 它最终必须在两种经济模型中做出选择。

竞争格局框架

在我们看来，市场正分化为两大核心战场：

1. 英伟达 vs TPU/ASIC 替代方案：除非出现执行失误，否则局势对英伟达相对清晰；

2. 谷歌 vs OpenAI（及其他厂商）：局势更为复杂，因为这不仅是模型质量的竞争，更是界面、经济逻辑和信任的博弈。

核心结论是：每会话成本是这场新博弈的经济驱动因素。它解释了为何自我颠覆如此困难，为何高价值商业搜索领域如此脆弱，以及为何市场可能从低成本广告库存转向高成本、基于信任的呈现模式。这将是未来十年的核心战场。

搜索的未来：收入模型错配与高价值领域的风险

我们认为，“搜索的未来” 核心问题并非模型质量，而是收入模型错配。传统搜索是广告资助的机器，优化目标是 “低成本发现”—— 本质上是向用户推送 “10 个蓝色链接”，其变现与排名和点击绑定，而非信息本身的质量和可信度。

搜索的未来趋势：四大核心变化

随着搜索转向 “答案中心型” 和 “信任中心型”，我们的研究表明，谷歌的大部分利润池将面临暴露风险。

小部分查询贡献大部分收入 —— 信任流失可能导致核心利润受损

本研究希望强调一个核心收入逻辑，我们认为这是关键所在：

• 10-15% 的查询具有商业 / 产品意图；
  

• 这部分查询贡献了 65-75% 的搜索收入。
  

在我们看来，这正是最易受信任侵蚀影响的业务部分。若用户开始认为答案是为广告商优化而非为买家着想，其价值主张将迅速贬值 —— 而这一小部分查询恰恰是买家最关注质量、排名公正性和可信度的场景。

风险在于：谷歌可能保住大部分搜索流量，却失去经济上最关键的部分 ——“90% 的搜索量”，但并非支付账单的核心部分。

生成式人工智能答案成本高出数量级 —— 规模化放大风险

我们的研究表明，生成式人工智能生成答案的成本，至少是传统高度优化搜索查询的一个数量级 —— 根据体验设计不同，甚至可能达到两到三个数量级。以谷歌的规模，即便是适度转向人工智能密集型会话，也会对利润率产生巨大影响。

我们认为，这既是时间问题，也是战略问题。换句话说，随着使用模式的转变，转型将开始侵蚀利润率，公司必须在两大相互矛盾的力量之间寻求微妙平衡：

1. 保护当前利润率；

2. 防止高信任、高价值查询流向其他平台。

对消费者而言，这带来了积极变化：用户可以在低成本传统搜索和高质量、高信任度答案引擎之间自由选择。但这种选择权也加剧了市场竞争压力。

信任与权威成为新的转换成本

由于谷歌的搜索份额已处于极高水平，未来只能面临下滑 —— 因为竞争轴心已发生转变。在传统搜索中，若结果不佳，用户只需优化查询词即可继续使用；而在辅助式搜索中，当用户对某个引擎产生依赖（因其持续返回高质量结果、具备记忆功能），信任将成为核心护城河。赢得信任的平台将抢占绝大部分高价值会话份额。

关键在于：即便谷歌的模型质量强劲，其商业模式的激励机制也与 OpenAI 截然不同。

这是全新的商业模式，而非仅是更优的用户界面

在我们看来，未来并非 “更智能的广告”，而是全新的价值链 —— 品牌需要被精准呈现、合理对比，并基于适配度而非付费排名获得曝光。

本研究的核心观点在于捕捉这种差异：一个复杂的高意图请求，通过排名选项和行动计划，可在一分钟内得到满足；而传统搜索则需要更长、更反复的查询过程。我们的研究表明，这种 “高质量商业搜索” 体验正是市场份额可能转移的核心领域 —— 而这正是经济价值最高的部分。

OpenAI 的结构性优势：通过订阅制和 API 实现激励对齐

我们认为，OpenAI 的结构性优势源于其收入模型：

• 用户付费（通常通过订阅制）是因为重视体验质量；
  

• 开发者和企业通过 API 直接为使用付费。
  

这种激励机制与广告资助型搜索截然不同 —— 在广告模式中，付费方并非用户，品牌为排名付费。在我们看来，这为辅助式平台建立了更直接的 “质量 - 收入” 关联。

在品牌端，我们的研究表明，新兴趋势是 “面向买家的 API”—— 基于可信信息构建，旨在在答案引擎中获得高分。这与传统的搜索引擎优化（SEO）和付费链接是完全不同的营销和分发模式。

SEO 并未消亡，但正逐步衰退

我们认为，正确的表述是：SEO 并未消亡，但重要性将逐渐下降。随着答案引擎通过信任和结构化供应商信息介导发现和排名过程，传统 SEO 机制的重要性将不断降低。

可能的结果：良性分化

我们的观点是，市场将以 “谷歌绝对规模仍可观，但战略上被颠覆” 的方式实现分化：

• 谷歌将保留大部分通用搜索流量；
  

• OpenAI（及其他厂商）将在高价值、高信任度的商业意图搜索中抢占份额。
  

谷歌将为这一高价值领域展开激烈争夺，但我们的研究表明，这需要在模型层面之外进行大量投入：API 开发、软件能力建设、界面设计，以及支持供应商和用户从平台获取实际价值的周边服务体系。

核心结论是：搜索的未来是激励机制和经济逻辑的重构。在市场最具价值的部分，那些能够对齐信任、呈现质量和变现模式的平台将获得最终优势。

7 重审先发优势之争：为何 OpenAI 的领先地位看似稳固？企业市场才是真正战场

我们认为，有必要结合此前一个合理场景进行收尾：谷歌本有可能颠覆 OpenAI 的先发优势。这一场景并非毫无根据 —— 它基于谷歌深厚的技术储备、广泛的分发渠道，以及 “将模型优势转化为产品和平台领导力” 的假设。

OpenAI 有望保持领先地位

但如上图所示，“OpenAI 有望保持领先地位” 这一结论，反映了我们当前的研究发现 —— 支撑 OpenAI 领先地位的条件正不断强化，而非削弱。

顶尖模型将趋于收敛 —— 勿过度聚焦 “最佳模型”

我们认为，市场过度关注模型间的直接对比。现实是，领先实验室都将推出高质量的大型语言模型：谷歌的模型表现强劲；Anthropic 的 Claude 聚焦编码领域；Gemini 在多项任务中展现出竞争力；Grok 发展迅速。关键并非某一款模型 “表现不佳”。

我们认为，持久的差异化将从原始模型质量转向以下方面：

1. 周边软件生态；

2. 应用程序接口（API）和开发者生态；

3. 应用场景和工作流；

4. 成为企业级应用默认平台的能力。

OpenAI 的结构性优势：平台、API 与（可能的）计算资源优先级

我们的研究表明，OpenAI 在多个领域保持领先：

• 最优质的 API；
  

• 最丰富的应用场景；
  

• 用户规模领先，且企业级市场 momentum 逐渐显现。
  

我们还认为，OpenAI 与英伟达的密切关系至关重要。我们的核心观点是：若英伟达仍是前沿计算的关键供应商，且 OpenAI 与该生态系统深度绑定，那么与那些 “叙事依赖英伟达被取代” 的竞争对手相比，OpenAI 将获得计算资源的优先分配权。在我们看来，这种资源分配动态将进一步强化其能力落地和上市时间优势。

企业市场占比正在转变

在我们看来，这一部分最关键的数据是消费级与企业级用户占比的变化：从去年的约 70/30（消费级 / 企业级），预计到今年年底将转变为 60/40。

我们认为，这是一个重要信号 —— 企业级市场的增长往往比消费级市场的新鲜感更具粘性，也更能定义平台价值。我们的研究表明，随着企业逐步掌握以下能力，企业级采用率将持续提升：

1. 数据整理与质量提升；

2. 使数据可被人工智能系统发现和使用；

3. 落地能够可靠呈现可信信息的工作流。

在我们看来，企业的 “数据就绪度” 进程，是人工智能模型从 “工具” 转变为 “企业级系统” 的关键 —— 而这正是平台优势形成复利效应的核心。

谷歌具备优势，但软件与企业定位仍是疑问

我们认为，谷歌拥有诸多优势，仍将是极具竞争力的对手。但我们的核心观点是：在企业级人工智能领域，OpenAI 更有可能成为高质量软件和平台提供商 —— 而谷歌尽管技术实力强劲，却并未被广泛视为企业级人工智能软件的领导者。

我们认为，这一点至关重要，因为下一阶段的竞争并非 “谁的模型演示更出色”，而是 “谁能掌控工作流和集成架构”。

领先地位并非绝对，但当前优势显著

我们的研究表明，OpenAI 目前在平台 momentum 方面 “遥遥领先”。这并不意味着其领先地位不可撼动 ——OpenAI 可能出现战略失误，或竞争对手找到更优解决方案。但就目前而言，我们认为最可能的结果是 OpenAI 持续保持领先，因为那些最关键的因素 —— 平台生态、开发者采用率、企业级市场占比提升，以及稀缺计算资源的获取 —— 目前均向 OpenAI 倾斜。

最后我们总结一下两大核心结论：

1. 英伟达的护城河通过产量规模、经验曲线效应和多年的端到端系统建设得到进一步巩固；

2. OpenAI 的领先地位通过平台执行能力和企业级市场需求得到强化 —— 在这一竞争格局中，模型质量已成为基础门槛，真正的战场在于围绕模型构建的软件和服务生态。

核心结论是：早期 “谷歌颠覆 OpenAI” 的场景虽有合理性，但数据和平台动态表明，OpenAI 的先发优势正演变为更持久的竞争力 —— 尤其是随着企业级市场成为重心。OpenAI 与英伟达的关系意义重大。尽管英伟达会像当年的英特尔一样，努力维持市场竞争平衡，但目前来看，它将继续支持 OpenAI 等新兴平台，以及新云厂商等竞争力较弱的参与者。

关键词： 英伟达 Gemini OpenAI 谷歌