字母表

产业链位置

Alphabet / Google 在 AI 产业链里不是单一应用公司，而是“模型 + 云 + 自研加速器 + 数据中心 + 消费/企业入口”的垂直平台。它向上消耗 GPU、TPU、HBM、服务器、网络、电力和数据中心土地，向中游提供 Google Cloud、TPU、AI Hypercomputer、Gemini Enterprise Agent Platform 和 Model Garden，向下把 AI 嵌入 Search、YouTube、Android、Workspace、广告系统和企业开发者流程。公司在 2025 年 10-K 中把 Google Services、Google Cloud 和 Other Bets 作为经营分部，并明确披露 AI 产品和服务需要更高的 technical infrastructure 投入，包括服务器、网络设备、数据中心、能源和网络容量。

在 AI 产业链坐标上，GOOG 更接近 chain-cloud / model-cloud / AI infrastructure + distribution，而不是纯软件应用或纯芯片公司。它既是 AI 算力需求方，也是自研算力供给方；既要采购第三方 GPU 和数据中心设备，也通过 TPU 把部分模型训练、推理和云客户负载拉进自有硬件栈。Google Cloud 文档把 TPU 定义为 Google 设计、用于加速机器学习工作负载的专用 ASIC；Google Cloud 的 TPU 产品页 又把 TPUs 放在训练、推理、强化学习、代码生成、媒体生成、推荐和个性化等负载中。这意味着 GOOG 在 AI 链条里的核心变量不是“有没有 AI 概念”，而是它能否用自研硬件、模型、云平台和分发入口降低单位 token 成本并扩大 AI 使用场景。

物理 AI 和能源维度也不能忽略。大模型训练和推理把数据中心从普通云扩容推向电力、土地、冷却和输电约束。Alphabet 在 10-K 中把 power、water、land、specialized AI chips、servers 和 network equipment 的可得性列为扩张约束；Google 数据中心官网也把目标表述为到 2030 年在每个运营电网实现 24/7 carbon-free energy。因此 GOOG 同时位于 AI 模型云链和 AI 能源/数据中心链：它不是公用事业公司，但它的 AI 竞争力越来越依赖能否先锁定可上电、可联网、可冷却、可持续运营的数据中心容量。

产品与业务

Google 的 AI 相关业务可以分成四层。第一层是消费与广告入口，包括 Search、YouTube、Discover、Maps、Android、Chrome、Play 和广告技术。AI 在这一层的作用不是单独卖模型，而是改善搜索体验、推荐、广告匹配、创意生成、视频理解和用户任务完成。10-K 直接把 Search 从传统网页链接扩展到动态、多模态体验，并提到 AI Overviews 等能力；这说明 Google 的 AI 商业化会先体现在既有入口的用户体验和广告系统，而不是只看 API 收入。

第二层是 Google Cloud。Google Cloud 包括基础设施、平台服务、企业应用和其他服务；Alphabet 投资者 FAQ 也把 Google Cloud 描述为面向企业客户的 infrastructure、platform services、applications 和 other services。Alphabet IR FAQ 在 AI 语境下，Cloud 的角色是把 TPU/GPU 计算、存储、网络、数据库、数据分析、安全、Kubernetes、开发者工具和模型服务打包给企业客户。公司在 2024 Q4 earnings call 中把 GCP 增长与 Core GCP products、AI infrastructure 和 Generative AI Solutions 放在同一叙述里；这里的产业含义是，Cloud 是 Google 把内部 AI 基础设施外部化、商业化的主通道。

第三层是模型与开发者平台。Gemini Enterprise Agent Platform 被 Google Cloud 定位为开发、扩展、治理和优化企业级 agent 的统一平台。Gemini Enterprise Agent Platform Model Garden 则提供 Google 第一方模型、开放模型和第三方模型，覆盖 Gemini、Imagen、Veo、Chirp、Gemma、Llama、Mistral、Claude 等模型入口。Model Garden 这让 GOOG 的模型策略不是“只卖一个闭源模型”，而是把自有模型、伙伴模型、开源模型和企业 MLOps 放进同一云控制面，争夺的是企业开发者工作流和生产部署位置。

第四层是自研基础设施。Google 的 AI Hypercomputer 叙事把 TPU、GPU、CPU、存储、网络、软件编排和可靠性放在一体化架构里，而不是把芯片当作孤立部件。TPU 是这一层最有辨识度的资产：它既支撑 Google 自家 Gemini、Search、Photos、Maps 等 AI 应用，也作为 Cloud TPU 对外提供。对产业链而言，GOOG 的产品不是单颗 TPU，而是“模型需求 - 编译器/框架 - 加速器 - 网络 - 数据中心 - 云平台 - 应用入口”的完整系统。

上下游分析

GOOG 上游首先是半导体和系统供应链：先进制程代工、HBM/DRAM、封装、基板、服务器 ODM/OEM、光模块、交换机、存储、散热、电源、机柜和测试设备。虽然 Google 自研 TPU，但它仍依赖外部供应链把芯片变成可部署集群。10-K 提醒，technical infrastructure 的若干组件来自少数或有限供应商，specialized AI chips、服务器和网络设备的制造与供应可能限制数据中心和网络扩张。这一点说明，Google 的自研 ASIC 并不等于完全垂直闭环；它仍深度嵌入台积电、封装、内存、网络、光互连、电力设备和数据中心工程生态。

第二个上游是能源与地产。AI 集群扩张的约束越来越从“买芯片”延伸到“能不能上电”。Google 数据中心官网强调 24/7 CFE 目标，同时也承认实现路径受本地到全球多个层面因素影响，需要灵活应对。Operating sustainably 对 GOOG 来说，能源不是 ESG 附属叙事，而是 AI 基础设施可交付能力的一部分：电力采购、输电接入、冷却水、土地、许可和社区关系，都会影响 TPU/GPU 集群上线节奏。

下游分两类。第一类是 Google 自有产品用户和广告主。Search、YouTube、Android、Chrome、Maps、Gmail、Workspace 等入口提供巨大的 AI 分发面，广告主则通过搜索广告、YouTube 广告和广告技术体系为注意力和转化付费。第二类是 Google Cloud 客户，包括企业、AI startup、开发者、科研机构和使用 TPU/GPU 训练推理的模型公司。Model Garden 支持第一方、开放和第三方模型，说明下游不必只押 Gemini；Google 更希望成为企业选择、定制、部署和治理模型的云平台。

上下游的关键张力在于，GOOG 既是许多供应商的大客户，也是许多 AI 公司和企业开发者的基础设施提供方。它采购 GPU、内存、服务器、网络和电力，同时用 TPU/Cloud 与 NVIDIA GPU 云、AWS、Azure、Oracle、CoreWeave 等竞争。对供应链研究而言，GOOG 的资本开支不是单纯费用项，而是向芯片、网络、光互连、数据中心和电力链条传导需求的源头；但对 GOOG 自身研究而言，必须追问这些投入最终是否转化为更低推理成本、更强模型能力、更好广告 ROI 和更高 Cloud 客户粘性。

同业竞争格局

GOOG 的竞争对手跨越多个层面。搜索与消费 AI 层面，它面对 OpenAI、Microsoft Copilot/Bing、Perplexity、Meta AI、TikTok、Amazon 和各类垂直搜索/推荐入口。企业 AI 云层面，它面对 Microsoft Azure/OpenAI、AWS/Bedrock/Trainium、Oracle OCI、CoreWeave、Nebius、Lambda 和其他 GPU 云。模型层面，它面对 OpenAI、Anthropic、Meta、xAI、Mistral、DeepSeek 等。硬件层面，TPU 的比较对象不是单一芯片，而是 NVIDIA GPU + CUDA + 网络 + 系统软件生态、AWS Trainium/Inferentia、Microsoft Maia、Meta MTIA 以及 Broadcom/Marvell 等定制 ASIC 生态。

Google 的相对优势是“全栈 + 分发”。Microsoft 强在企业软件入口与 OpenAI 绑定，AWS 强在云基础设施规模与企业关系，Meta 强在社交广告和开源模型扩散，NVIDIA 强在 GPU 通用性、CUDA 生态和系统级平台。GOOG 的差异化在于同时拥有 Search/YouTube/Android/Workspace 的分发、Gemini/DeepMind 的模型研发、Google Cloud 的企业通道、TPU 的自研算力、以及长期运营全球数据中心的经验。Google 的 AI Principles 也把 AI 发展放在“organize the world’s information”的公司使命下，这解释了为什么 AI 对 Google 是核心产品层迁移，而不是外部新业务试水。

但同业竞争的难点也在这里：GOOG 必须在多个战场同时领先或至少保持可替代性。模型能力如果落后，会削弱 Gemini 和 Cloud AI 心智；Cloud 生态如果弱于 Azure/AWS，会影响企业采用；TPU 如果软件生态和外部可用性不足，就难以挑战 NVIDIA 的通用 GPU 网络效应；Search 如果被 AI agent 改变用户入口，广告利润池会面临重新分配。10-K 把竞争描述为快速变化、需要持续投入 technical infrastructure、研发和人才的环境，并提示 AI 技术部署受第三方设备、网络容量、能源和设备成本影响。这比“Google 是否被 AI 颠覆”更准确：它是在多层平台竞争中重新分配成本、流量和开发者控制面。

护城河

GOOG 的第一层护城河是分发与数据闭环。Search、YouTube、Android、Chrome、Gmail、Maps 和 Workspace 让 AI 功能可以直接进入高频场景，并把用户意图、内容理解、广告反馈和产品改进形成闭环。与只通过 API 获客的模型公司相比，Google 可以把模型嵌入已有产品；与只做云基础设施的公司相比，Google 可以在自有产品中高频验证模型、推理成本和用户体验。

第二层护城河是基础设施经验。Google 长期运行全球数据中心、分布式系统、搜索索引、视频分发和广告实时竞价系统，这些能力迁移到 AI 时代后，体现为模型训练、推理调度、数据管道、网络拓扑、可靠性工程和成本优化。AI Hypercomputer 与 TPU 的产业价值在于系统集成：单颗芯片性能重要，但真正影响单位 token 成本的是芯片、内存、互连、编译器、框架、调度、存储、冷却和电力的共同效率。

第三层护城河是自研 TPU 与多模型平台。TPU 让 Google 在内部大规模负载上拥有硬件路线选择权，在 Cloud 上又形成差异化算力供给。Model Garden 和 Agent Platform 则把护城河从“我有 Gemini”扩展到“企业可以在 Google Cloud 上发现、定制、部署和治理多类模型”。这种开放控制面的价值在于降低客户把 Google Cloud 视作单模型布局的顾虑，同时让 Google 在模型选择、数据治理、推理部署和 agent 编排中占据工作流位置。

第四层护城河是资本与组织耐力。AI 基础设施竞争需要多年数据中心、能源、芯片、模型和软件投入。GOOG 的优势在于它能用成熟广告和云业务支持长期研发与基础设施扩张；劣势在于资本开支、监管、搜索商业模式迁移和组织复杂度会同时上升。护城河因此不是静态城墙，而是“分发 + 数据 + 模型 + TPU + 云 + 数据中心运营”的动态组合，必须持续转化为用户体验、客户采用和单位经济性。

误读纠偏

误读一：GOOG 只是搜索广告公司，AI 会单向侵蚀它。纠偏：Search 是核心利润池之一，但 Google 也拥有 Gemini/DeepMind、Google Cloud、TPU、YouTube、Android、Workspace 和全球数据中心。AI 对它既是入口风险，也是产品升级、云服务、企业 agent 和自研算力商业化机会。正确看法是“搜索入口重构 + 全栈 AI 平台再定价”，而不是单线性颠覆。

误读二：TPU 等于马上替代 NVIDIA。纠偏：TPU 是 Google 自研 AI ASIC 和云差异化资产，但 NVIDIA 的 CUDA、GPU 通用性、系统软件和供应生态仍是行业标准之一。Google Cloud 也并非只提供 TPU，而是把 TPU/GPU/CPU、网络、存储和软件编排放在 AI Hypercomputer 中。TPU 更像 Google 降低内部成本、增强 Cloud 差异化和争夺特定大规模 AI 工作负载的武器，而不是简单“一颗芯片打败 GPU”。

误读三：AI capex 越高越好。纠偏：对供应链来说，GOOG capex 是需求源；对 Alphabet 股东逻辑来说，capex 必须换来更低 token 成本、更强模型、更高 Cloud 客户粘性、更好的广告 ROI 或更高产品使用率。10-K 已提示 technical infrastructure 成本、能源、网络容量和设备成本会随 AI 产品上升。不能把数据中心扩张本身当作终点。

误读四：Google Cloud 只是 AWS/Azure 的跟随者。纠偏：GCP 的规模和企业渠道确实需要与 AWS/Azure 比较，但 Google Cloud 的差异化来自 TPU、AI Hypercomputer、Gemini/Agent Platform、Model Garden、数据分析和 AI 原生开发者工具。它不是只卖通用算力，而是把 Google 自家模型与基础设施经验产品化。

误读五：能源和数据中心是外部成本，不影响 AI 护城河。纠偏：AI 时代的云竞争越来越物理化。电力、土地、冷却、输电、网络设备和光互连决定集群上线速度和单位成本。Google 的 24/7 CFE 目标与 10-K 中对 power、water、land 的风险披露说明，能源能力已经从后台运营问题变成 AI 产业链核心变量。

误读六：只看模型榜单即可判断 GOOG。纠偏：模型能力重要，但商业结果还取决于分发、推理成本、开发者体验、企业治理、广告转化和产品嵌入。GOOG 的研究重点应是模型能力、TPU/数据中心效率、Cloud 客户采用、Search/YouTube/Workspace 产品化和能源可交付性的组合验证。本文只做产业逻辑拆解，不构成目标价、评级或买卖建议。