这两年最热闹的技术叙事大概就是 AI 资本支出了。Google 一边在数据中心、GPU、大模型训练上加紧投入一边却要面对一个尴尬的事实核心搜索业务正在被自己亲手推动的 AI 搜索改变。很多人把这看成一场豪赌认为短期花钱是为了长期占住入口。但我的判断没那么乐观——如果一家公司为了追逐 AI 的未来不断用现有利润奶牛去喂一个高不确定性的下一步那么它可能不只是“投资未来”而是在牺牲最不该牺牲的东西。这种担忧不是空穴来风。搜索广告长期以来就是 Google 的黄金鹅是几乎所有新业务、新实验、新团队扩张的现金来源。但 AI 搜索正在改变用户获取信息的方式当答案直接出现在结果页顶部用户不再需要点进下面的网站链接传统广告位的价值会随之下降。这不是遥远的推演而是过去两年里已经能感受到的变化广告主的效果变差用户习惯开始迁移竞争对手也在用同样的 AI 技术做更轻量、更垂直的入口。所以我想用一个更工程化的视角来拆解这件事。不是单纯评论 Google 是否该投资 AI而是想看看当一个技术浪潮开始吞食核心业务时团队应该怎么判断边界怎么避免把“必要投入”变成“自我掏空”怎么在追逐 AI 基建、AI agent、AI 应用开发这些热门词的时候仍然守住真正创造价值的闭环。1. 为什么说 AI 资本开支正在变成一场“自我掏空”式竞赛1.1 资本开支与利润率之间的隐性冲突资本开支听起来很宏大落到财务报表里就是很现实的三件事买设备、盖数据中心、长期折旧。过去工业公司可以靠大规模固定资产建立壁垒但科技公司的资本开支和传统基建不同它更新快、维护贵、且很难直接算清楚回报周期。Google 的情况更特殊。它的核心利润来自搜索广告这个模式对算力的依赖并不是指数级的。但为了训练和部署大模型它必须持续购买大量 GPU、建设新的数据中心、扩大电力资源。这些投入是刚性的不管市场是否接受新产品每个月都会产生折旧和运营成本。换句话说AI 资本开支一旦启动就会变成一个只能加速、很难减速的飞轮。这个飞轮与广告业务之间存在隐性冲突。传统搜索的一项查询成本远低于 AI 搜索的一次推理成本。如果用户每天使用搜索的次数不变但每次搜索都转成 AI 生成回答那么同等流量下的 GPU 成本会明显上升。上涨的成本不会自动转化为同等的广告收入因为 AI 回答并没有提供同等数量的广告位。于是就会形成一种局面越多的用户使用 AI 搜索公司承担的成本越高而传统广告模式被侵蚀的速度越快。这就是所谓“自我掏空”的第一层含义不是为了高利润的业务去投入而是为了高成本的产品去消耗原本高利润的业务。从长期看如果 AI 搜索的变现能力追不上计算成本那这种资本开支就没有形成正向经济闭环。1.2 谷歌的十字路口增长故事与利润现实的拉扯很多人会把 AI 投资理解为“先花钱再赚钱”。这个逻辑本身没问题但前提是你能清晰回答三件事什么时候赚钱、靠什么赚钱、利润能不能覆盖资本成本。Google 现在的尴尬在于它在 AI 上的增长故事很完整但利润现实却越来越难看清楚。对外它需要向资本市场讲一个新故事我们有最强的大模型我们不仅有搜索入口还有完整的 AI 算力、云服务、开发者生态。对内它仍然要保证现金牛业务的基本盘稳定。这两个目标正在撕裂。观察一家公司是否在战略上失去平衡不能只看发布会要看资源配置。当一家公司的管理层开始用“未来 10 年最重要的事情”来形容资本开支时往往意味着短期效率被默认放在第二位。问题是搜索业务不是普通项目它是整个公司的能源系统。如果能源系统被持续抽走资源去支持一个还没学会自我造血的新业务公司会从内部逐渐失去竞争力。这里的判断不是“Google 不该投入 AI”。恰恰相反Google 应该投入否则会错失下一轮技术周期。但投入的方式、节奏和边界需要被管理好。一个科学组合应该是核心业务保持稳定增长新业务在独立预算内试错两者之间有清晰的隔离带而不是让核心业务直接为无限烧钱买单。2. 从“搜索入口”到“答案机器”商业模式的底基正在松动2.1 为什么链接点击率下降会伤害广告收入传统搜索的商业模型可以简化为用户输入关键词Google 展示 10 条蓝色链接和若干广告链接广告主为每次点击付费。这个模型的前提是用户愿意点击这些链接并且点击行为能反映出广告主的投放价值。用户点击越多搜索广告的竞价越有效广告单价也越高。AI 生成摘要出现后用户的注意力发生了转移。过去用户需要在多个链接之间对比信息现在 AI 会把答案压缩成一段摘要直接在搜索结果页顶部给出结论。用户在大多数情况下不需要再点击任何链接尤其是那些事实性、定义性、数据性的问题。这种情况对信息需求方来说是效率提升但对依赖点击的广告系统来说是结构性的打击。广告主也会重新评估投放回报。如果一条广告链接被展示出来但用户因为 AI 摘要的存在根本不往下看那么广告主的效果就会变差。效果变差后广告主会降低出价Google 的单次点击收入下降。更关键的是如果整个搜索结果的点击分布发生变化原来依赖 SEO 和广告的生态也会同步萎缩。这种变化不是某一次算法更新造成的而是信息获取方式本身在迁移。这就是为什么搜索业务会感到疼痛。不是 AI 搜索不好而是它和传统广告模型之间存在天然冲突。只要用户开始习惯“直接得到答案”过去围绕“点击归因”搭建的整个商业体系就会逐渐失效。2.2 AI 生成答案正在重塑用户分配方式Google 的问题并不仅仅在国内市场份额上而在于它亲手推动了用户对“答案”的期待。当用户开始习惯在搜索框里看到一段完整回答他们回不去了。下次遇到问题时他们不会想要浏览 10 个网页而是希望得到一段像“专家”一样的解释。这种变化会重塑用户分配方式。过去 Google 的搜索排序决定了互联网上哪些网站能获得流量被称为“分配器”。但现在AI 是答案的提供者链接只是佐证材料。用户不再被分发给网站而是停留在 Google 自己的页面上所有信息都被聚合进答案里。这一步如果不做好商业化设计就会变成一个成本极高、但收入效率很低的公益服务。短期看这种模式在用户体验上更领先。长期看如果答案完全不开放广告位或广告位与答案之间的边界模糊用户会感受到更大的体验和商业化冲突。一旦用户对搜索结果产生不信任整个搜索产品的护城河都会受损。所以Google 需要在“越来越聪明的答案”和“越来越虚弱的广告模式”之间找到一个真正可持续的平衡点而不是用烧钱买一个无底洞式的“更好体验”。从工程角度看这不只是交互设计问题而是系统级的商业模式重构。答案需要可解释广告需要可度量用户注意力需要被明确分配同时还要保证生态合作伙伴愿意继续参与内容贡献。这是一个远比训练一个大模型更复杂的问题。3. 技术团队如何评估 AI 资本开支的合理边界3.1 评估 AI 投入的四步框架无论 Google 还是小团队都会面对同一个问题AI 投入到底该花多少钱、花在哪里、怎么确定边界。我从工程实践角度整理了一个四步框架适合在做技术选型或年度预算时使用。第一步明确定义要解决的问题。不是“我们要拥抱 AI”而是“我们要用 AI 解决哪一个具体的业务指标”。例如是降低客服响应时间还是提高代码生成效率还是改善推荐准确率。没有具体指标所有投入都只是成本。第二步计算单位经济。把一个 AI 请求从输入到输出的完整成本算清楚包括推理成本、缓存成本、失败重试成本、人工审核成本。如果一单业务产生的毛利无法覆盖这个请求成本就不适合大规模上线只能在特定场景小范围使用。第三步跟踪非核心风险。AI 项目通常不只是消耗算力还会影响周边业务。例如搜索场景里引入 AI 摘要后用户点击率是否有变化广告场景里引入 AI 生成图片后审核成本是否上升。这些非核心风险有时比 AI 请求成本本身更可怕。第四步设定止损线。任何新业务都有试错期但如果没有明确的可量化的退出条件团队很容易陷入“为了证明投入正确而持续投入”的陷阱。止损线可以是一段时间内的业务指标阈值也可以是成本收入比的极限值。这个框架的底层逻辑是AI 不是目的而是解决特定问题的手段。如果一个 AI 项目无法归因到某个业务指标它就应该停留在实验室阶段而不是进入生产资源池。3.2 先用排查链路识别核心业务是否受损在实际工作中很多团队会把“成本太高”当作唯一问题但更深层的问题是AI 项目是否已经在不知不觉中侵蚀了核心业务。这时可以用一套排查链路来诊断按这个顺序逐层看先看现象有没有明显的指标变化比如搜索点击率下降、广告收入增速放缓、用户停留时间变短、二次请求率上升。再看输入用户输入的查询类型是否发生了变化是不是更多问题开始被 AI 摘要直接回答导致点击行为减少。再看环境是市场竞争变化、产品改版、还是新增了 AI 功能导致行为迁移。这里要区分外部因素和内部因素。再看参数AI 摘要的长度、展示位置、广告位数量、用户反馈按钮等参数是否调整过有没有做 A/B 实验。最后看工具边界当前 AI 模型是否有能力在不影响点击率的情况下提供答案或者是否必须为了答案而牺牲链接曝光。这套排查链路的核心思路是先确定“是哪一层出了问题”再决定“要修哪里”。很多人一上来就怪模型效果不好但其实问题可能出在广告系统与 AI 输出的衔接设计上也可能出在用户预期被过度拉高之后新产品并没有兑现承诺。3.3 一个简单的投入产出自查清单为了更直观地帮助团队做判断我列了一个可以实际使用的自查清单。它不是严格财务模型但能帮你把模糊的“AI 战略”拉回到可讨论的层面检查项应该问的问题业务目标这个 AI 项目要改善哪一项业务指标成本结构单次调用的推理成本、人工成本、维护成本是多少收入影响它带来的新增收入或留存提升是否可量化核心业务影响它是否会降低原有高毛利业务的使用量退出条件如果 6 个月后没有达到预期我们能不能果断停止团队能力我们有没有足够的工程和产品同学持续迭代而不是只做一次 demo如果这些问题里有任何一条回答不清楚就说明项目还不到生产投入阶段。先跑通一个最小闭环比先买一批昂贵资源更重要。4. 别把“AI 基建狂热”错当成“技术工程实践”4.1 基建、应用与商业价值的分层说到 AI 大模型、AI agent、AI 应用开发很多团队的第一反应是我要不要自己训练一个大模型要不要买几十张 GPU要不要搭建一个完整的 MLOps 平台答案往往是不一定。基建和应用是两件事。养一千张 GPU、跑一个大模型只是基础设施它不自然产生用户价值。用户能感受到的永远是具体场景里的 AI 能力一个能帮你排错的编程助手一个能自动生成营销文案的工具一个能理解业务数据并给出建议的智能体。这些能力的核心不在于模型本身而在于你是否理解用户任务、是否能设计好数据闭环、是否能处理异常。当前行业里有一种错觉认为 AI 基建竞争决定了终局。但从工程实践看最终能在应用层站稳的团队往往是那些把业务问题拆得很清楚、把模型能力用到最适合的位置、并且有完整反馈机制的人。他们在讨论“我的模型准确率多少”之前会先讨论“用户为什么需要这个功能”“如果模型答错了会产生什么后果”“需要怎么兜底”。这里很容易出现一个误区AI agent 看似能自动化完成许多任务但它真正能落地的前提是任务边界清晰、环境约束明确、失败可以被检测和恢复。如果你只是把几个模型调用串起来就认为它实现了“agent 开发”那你很可能只做了一个不会自动恢复的演示脚本。4.2 为什么小场景验证比大规模部署更可靠我经常看到团队做技术规划的时候喜欢先定大目标我们要做一个全能的 AI 助手支持多模态、支持长上下文、支持各种插件。这种方向听上去很好但在工程上很难落地。因为一旦覆盖范围过大就会遇到性能、成本、安全、体验等多重约束交织的问题。更可靠的方式是找一个足够窄、但真实存在的场景先跑通端到端流程。比如先用 AI coding 助手帮工程师生成单元测试而不是一开始就做自动编程。先做一个营销视频一键成片的工具只支持几种模板而不是先做一个通用视频生成平台。先用 AI 处理工单分类而不是直接替换客服系统。这个方法论的核心在于小场景的反馈点更清晰出了问题更容易定位。当你把一条样本、一个界面、一次调用完整跑通后再扩展到批量任务才能在每一层积累到真实经验。如果一开始就想把所有能力堆到生产环境最后只能被海量异常和不可控的成本淹没。所以AI 应用的落地路径通常不是“从大变小”而是“从小到大”。先证明单点价值再谈基础设施复用。这也意味着对大多数团队来说一开始不必急着买一大堆 GPU 或搭一个庞大的平台。你需要的是一个明确的问题、一套可用的模型 API、一个反馈收集管道以及一个能处理失败的工程系统。5. 对普通开发者和产品团队的三点现实建议5.1 从业务指标出发而不是从模型出发很多技术讨论一开始就绕到模型参数、上下文窗口、推理速度上但产品价值从来不是由模型参数直接决定的。你真正应该先问的是当前业务里哪一个环节最痛是用户等待时间长还是内容重复率高还是信息检索不准如果你能确认一个痛点接下来再问AI 能不能改善它如果能继续问改善后是否能被量化成业务指标比如降低 30% 的检索时间、提升 15% 的转化率或者减少 20% 的重复人工操作。没有这些数字项目很难判断成功与否。从模型出发容易犯的错是先选了一个“很强”的模型然后到处找场景去套。结果往往是模型很贵但业务收益很小。从业务指标出发你在选择模型时就会更回归理性这个任务需要多强的能力小模型是否更够用是否有更便宜的替代方案5.2 先跑通一个最小闭环再谈规模化所谓最小闭环是指一次完整的用户任务链路输入、处理、输出、验证。例如你做一个人工智能客服最小闭环不是只回复一条消息而是能够回答用户的真实问题并且让用户判断是否满意、是否顺利解决了问题。如果这个闭环都还没有跑通讨论并发、缓存、分布式都是浪费。我见过不少团队demo 做得非常炫但一上线就失败。原因是 demo 只展示了理想输入下的效果没有考虑用户会输入奇怪内容、会有超长文本、会有网络中断、会有上下文丢失。最小闭环设计得好应该包含异常路径至少能回答“模型答错了怎么办”。这也是为什么建议先做小范围灰度而不是全量开放。当只有几十个真实用户的时候你能从日志里看到足够多的细节可以用人工 review 的方式快速修正。这个阶段不需要昂贵的监控和审计系统但需要你真正去读日志、看用户反馈。5.3 建立“成本-收益-边界”复盘机制AI 项目上线不是终点真正的工程化工作才开始。第一次上线后你需要定期维护三个维度成本、收益、边界。成本包括推理成本、人工审核成本、异常重试成本、模型迭代成本。收益包括业务指标变化、效率提升、用户满意度提升。边界包括哪些输入模型能处理、哪些不能处理、哪些场景必须人工兜底、哪些功能需要回退到传统方案。我建议用一张表格来追踪这些数据每周复盘一次。刚开始可能会觉得没必要但当你运行一个月后会发现很多意想不到的问题某些用户的输入模式与训练数据差异很大某些高频问题的成本远高于其他问题某些触发人工兜底的场景其实可以通过前置规则减少。这种复盘机制的价值不仅在于省钱更在于让你逐渐理解 AI 系统的真实能力区间。你没有必要让一个模型在所有问题上都表现得一样好你只需要在最关键的问题上稳定可靠并且清楚地知道它的边界在哪里。6. 回到谷歌这盘棋黄金鹅与月亮之间缺的是工程纪律6.1 大公司战略的惰性为了追风口而追风口大公司经常犯一个错误因为竞争对手在做某件事所以自己必须做否则就会在资本市场失去叙事。这种压力导致了大量的“防御性投资”。AI 资本开支就是典型。Google 不可能在微软、Meta 都加大投入的时候完全无视也不可能在自己已经有强大云计算基础设施的情况下放弃 AI 转型。但问题是防御性投资很容易变成战略性失焦。如果一家公司的资源是无限的那“每个方向都投一点”没问题。可现实是资源永远有限投入 AI 基建的钱越多留给核心搜索用户体验优化、广告系统重构、生态关系维护的钱就越少。当核心业务开始失血新业务又无法造血整个公司的抗风险能力会下降。技术人看战略不能只看发布会上的宏大叙事。更值得关心的是这家公司有没有在核心业务上设置明确的底线有没有为新业务建立独立的成本核算有没有在继续经营黄金鹅的同时给月亮设计一条可到达的航线这些才是决定长期竞争力的关键。6.2 真正的护城河不是算力而是用户价值闭环算力可以买到模型开源也可以替代但用户价值闭环很难复制。所谓用户价值闭环是指用户带着需求进来产品能稳定地高质量地满足需求并且在这个过程中产生可持续的商业回报。Google 过去最强大的护城河不是排序算法本身而是整个搜索生态海量网页、SEO 体系、广告主网络、用户习惯。AI 时代这种闭环需要重新构建。如果 Google 只是把 AI 摘要堆到搜索结果顶部却没有设计好广告、内容、引用、信任体系之间的平衡那它本质上是在破坏旧闭环但还没有建立起新闭环。这种情况下资本开支再大也只是在给一个半成品续命。从工程角度重建闭环比训练模型更难。它需要一次次实验去验证用户会接受哪种类型的答案会在什么位置点击广告会信任哪些来源会在什么时候主动贡献内容。这个过程要花钱但花的是“产品探索”的钱而不是“基建军备”的钱。两者需要分开核算。6.3 收束AI 时代的公司要学会“资产配置”一家公司最核心的能力不是在某一次技术浪潮里跑得最快而是能在新旧业务之间做好资源分配。黄金鹅不是绝对不能动但每一次从它身上取血之前都应该先算清这笔投入什么时候能还回来如果还不上会不会伤及整个组织的造血能力在 AI 资本开支这件事上Google 真正需要的不是停止投入而是建立一套更严格的工程纪律。比如给每个 AI 项目设置独立的 ROI 指标不让它无限度吃掉核心业务利润比如在搜索产品中谨慎设计 AI 摘要的展示密度避免对广告收入造成不可逆冲击比如不能只把眼光放在训练更强的大模型上而是要同步投入基于真实用户反馈的产品迭代。对普通开发者和技术团队来说这也是一份可迁移的提醒不要为了追赶某个热词就轻易把自己最赚钱、最稳定、最擅长的事情放在次优先位置。AI 是工具是技术周期是一场需要认真参与的竞赛。但你不应该为了向“AI 的圣坛”献祭而亲手牺牲那只为你持续下蛋的金鹅。如果你也在做 AI 相关的技术规划先把文章里那个【四步框架】拿出来过一遍。然后问自己一个问题我们投入的每一块钱是让核心价值变得更坚实还是在不知不觉地消耗它回答好这个问题比追任何一种 AI 风口都重要。