企业官网建设流程全解析

“At the altar of AI capex, Google is sacrificing the golden goose”，这句话直译过来是：在 AI 资本开支的祭坛前，谷歌正在牺牲那只下金蛋的鹅。

这里的“金鹅”指的就是谷歌最核心的搜索广告业务。而“祭坛”，则是动辄百亿级别的 AI 基础设施投入。过去一年，Google 在数据中心、TPU 芯片、模型研发上的投入不断加码，市场也在为 Gemini、Cloud AI 的进展欢呼。但很少有人从商业结构的角度去问一个问题：当谷歌把搜索广告赚来的利润，大规模投向一个成本结构完全不同、商业模式还远未跑通的新业务时，这只金鹅还能活多久？

这篇文章我想换个角度来拆解这件事。先说明白三个问题：第一，Google 的 AI 资本开支到底改变了什么，让“钱多”本身变成了风险；第二，AI 搜索对搜索广告这一现金牛的真实冲击在哪里，为什么说问题不是“搜索会不会被颠覆”，而是“广告模式会不会被自己的 AI 搜索蚕食”；第三，站在开发者视角，Google 的这轮战略重压，会如何影响我们选型、接 API、自建模型还是走托管服务。这不是一篇预测股价的文章，而是一篇帮你理解“AI 巨头商业逻辑”和“技术选型环境”的产业观察。

1. 谷歌正在用广告利润喂养 AI 巨兽：风险不在钱多，而在模式切换

1.1 搜索广告是 Google 的“金鹅”而非普通业务

很多人提到 Google，第一反应是“一家做搜索的公司”，或者是“一家做 AI 的公司”。但在商业层面，Google 的本质一直是“一家靠搜索广告赚钱的公司”。搜索业务为 Google 提供了极其稳定、高毛利的现金流，而云、硬件、AI 等业务，在很长一段时间里都处于投入期或微利状态。

传统搜索广告的运转逻辑并不复杂：用户在搜索框输入关键词，搜索引擎在结果页内混排自然结果和广告结果，广告主按点击付费。这个模式的精妙之处在于“免费服务 + 广告收费”的双边网络效应——用户越多，搜索引擎积累的点击和反馈数据就越多，广告定向就越准确，广告主就越愿意出高价。而每一次搜索请求对系统而言，边际成本非常低，因为基于倒排索引的检索、排序、缓存机制非常成熟。成本低，收入高，利润率自然惊人。

也就是说，正因为搜索广告的利润率高到足以覆盖其他所有“创新业务”的亏损，Google 才敢同时在自动驾驶、云计算、硬件、AI 研究上同时下注。这只金鹅养活了整个“创新组合”。

1.2 祭坛上的牺牲：资本开支改变了什么

真正让市场开始警惕的，是资本开支（Capex）的规模和方向。从公开信息可以看到，Google 近几个季度的资本开支重心已经明显转向 AI 基础设施：数据中心扩建、自研 TPU、AI 服务器采购、网络带宽，以及与之配套的电力与冷却系统。

资本开支在财务处理上和当期费用不同，它不是一次性计入利润表，而是形成固定资产后逐年折旧。这意味着，即使资本开支的高峰期已经过去，后续每个季度还要持续承担折旧费用，这会长期压制利润率。更重要的是，资本开支具有极强的“粘性”——你不可能因为某个季度收入不及预期，就立刻停掉已经开建的数据中心或退掉已签约的电力协议。

所以在“AI capex”这轮竞赛里，Google 面临的不是一个简单的“花钱多少”的问题，而是一个“商业模式切换”的问题：它正在用一条现金流成熟、利润率极高的业务线，去供养一个成本结构完全不同、单位经济性仍未跑通的 AI 业务。

2. 拆解金鹅：传统搜索的“低边际成本”与 AI 搜索的“高边际成本”

2.1 传统搜索为什么利润率高：边际成本极低

传统搜索的每一次请求，成本主要由三部分构成：检索（从索引中快速匹配候选集）、排序（用轻量级模型对候选集打分）、渲染（拼接结果页）。这三步都在毫秒级完成，而且大量高频 query 可以被缓存命中。换句话说，用户每多搜一次，Google 增加的成本趋近于零，但广告收入是真实增加的。这是一门典型的“高杠杆”生意。

为了更直观地理解，我们可以把传统搜索比作“超市收银台”：一个收银台同时服务排队的顾客，顾客自己取货、自己走到收银台，超市只需要在收银台完成结算即可。每多一个顾客，超市多付出的成本只是一次扫码时间。

2.2 AI 搜索为什么贵：每一次 query 都是一次推理

AI 搜索则完全不同。当用户输入一个问题，系统不再只是查一次索引，而是要把问题交给大模型进行推理，生成一个摘要答案。这个过程需要调用 GPU 或 TPU 资源，每个 token 的生成都会消耗算力和电力。哪怕命中缓存，也需要做语义匹配、上下文拼接、生成结果。成本结构从“检索 + 排序”变成了“检索 + 推理 + 生成”，后者比前者的单位成本高出一到两个数量级。

用同样类比，AI 搜索更像“一对一导购”：超市给每个顾客配了一名导购，导购要理解顾客需求、推荐商品、陪顾客逛完整个超市。体验确实更好了，但每多一个顾客，超市就要多付一份导购工资。当用户规模从百万级涨到十亿级时，这种模式的经济压力会被急速放大。

2.3 对比：两种搜索在商业模型上的差异

这个对比揭示了一个尴尬事实：AI 搜索在用户体验上确实可能更好，但它的单位经济性远不如传统搜索。如果 AI 搜索最终显著侵蚀了传统搜索的流量，Google 有可能出现“用户满意度上升、广告收入下降、成本上升”的三重挤压。

3. 资本开支的真实流向：钱到底花到了哪里

3.1 资本开支的核心构成

Google 的 AI 资本开支，不是单一的一笔“研发费用”，而是分散在多个固定资产项目中。从基础设施的角度看，主要包括以下五类：

• 数据中心建设：土地、厂房、机房、供电与冷却系统。
• AI 芯片：自研 TPU 的研发、流片、采购，以及从外部供应商采购 GPU。
• 计算设备：AI 服务器、网络交换机、存储集群。
• 网络带宽：跨区域数据中心之间的高速互联，以及面向全球用户的边缘节点。
• 电力保障：绿电采购协议、备用电源、与电网容量相关的长期协议。

这些投入的特点是需要很长时间才能转化为收入。数据中心从开工到交付，通常以年为单位；芯片从设计到量产，周期更长。每一笔投入都是在押注“未来 AI 需求会持续增长”，但需求增长的兑现路径并不一定和营收增长同步。

3.2 资本开支的复利效应：能力冗余与折旧包袱并存

从正面看，AI 资本开支具有“复利价值”：算力规模越大，能支撑的模型越大，最终产品的能力越强。这也是为什么 Google、Microsoft、Meta 等巨头都在“军备竞赛”式地投入。

但从财务角度看，资本开支同时带来了“折旧包袱”。我们假设 Google 在某个季度集中投入 100 亿美元建设数据中心和采购芯片，这些资产不会瞬间花完，而是在未来几年内以设备折旧的形式逐季计入成本。即便 AI 业务暂时没有产生足够收入，折旧依然会持续压制利润表。这就像买房之后，不管房子是否出租，房贷和物业费都是刚性支出。

更关键的是能力冗余问题。如果 AI 需求增速没有达到预期，已经建好的数据中心和采购的芯片就会闲置，而闲置算力仍然在折旧。资源利用率一旦下降，单位成本就会上涨，这会反过来推高 API 定价或压缩服务利润率。所以资本开支并不只是“花钱”，它背后是对未来需求的强假设。

3.3 为什么说“方向比规模更危险”

资本开支规模大并不可怕，可怕的是方向与核心业务的利益错位。Google 的资本开支正在做两件事：一是建设通用的 AI 算力基础设施，二是支撑 Gemini 模型和 AI 搜索的落地。前者的客户可以是云部门的外部客户，也可能支持内部的搜索产品；后者的目标则是直接用 AI 搜索替代部分传统搜索体验。

问题在于，AI 搜索替代的并非完全是自己不擅长的新市场，而是自己已经统治多年的存量市场。如果 AI 搜索贡献的新收入，不足以补偿传统搜索广告被侵蚀的损失，那么资本开支越激进，对金鹅的伤害就越大。这正是那句“在祭坛前牺牲金鹅”的判断核心：不是资本开支本身错了，而是在金鹅还在正常下蛋时，就提前把它推上了一个成本更高、变现路径更不确定的砧板。

4. 祭坛上的代价：AI 搜索如何动摇原有的广告护城河

4.1 答案取代链接：用户不再点击，广告位自然失效

传统搜索的广告模式，建立在“用户会点击搜索结果”这个前提之上。用户搜索某款产品，Google 不仅在自然结果里展示官网链接，还会在顶部和右侧展示广告链接，用户点击广告，广告主付费。

AI 搜索的终极形态是直接回答用户的问题。比如“性价比高的降噪耳机有哪些”，AI 会直接生成一个推荐列表，甚至在列表内部完成对比。用户不需要再点击外部链接，自然结束了搜索行为。当用户不再点击链接，整个广告竞价系统就失去了载体——广告主的投放目标本来是为了获取点击和转化，现在用户停留在了 AI 生成的答案页面上，自然结果和广告位都被压缩。这是对搜索广告商业模式最直接的冲击。

4.2 首屏空间被压缩与用户行为改变

AI 答案通常占据搜索结果页的首屏位置，这就把传统搜索结果和广告推到更下方，用户的视觉注意力和点击率都会下降。更隐蔽的问题是用户搜索行为的变化：传统搜索依赖精确关键词，广告系统也围绕关键词进行定向；而 AI 搜索以自然语言问句为主，语义复杂、个性化强，传统的关键词匹配广告模式会越来越力不从心。

另外，多轮对话也是 AI 搜索的新特征。用户可能会在同一个会话里不断追问，而不是像传统搜索那样一次一次刷新结果页。这导致广告展示的“插入点”变少——一页结果对应一次广告曝光的机会，一次多轮对话可能只有一次或两次广告曝光机会。

4.3 真正的两难：升级体验是必须，但代价由谁承担

如果 Google 不做 AI 搜索，OpenAI、Perplexity 等产品会继续抢占用户心智，搜索市场份额可能流失。但如果 Google 大力度推广 AI 搜索，它就是在用新的高成本产品，去替代自己低成本、高利润的旧产品。这不是一个“要不要创新”的问题，而是一个“以多大代价创新、谁来承担转型成本”的问题。

从材料里的判断倾向来看，市场更担心的并不是 Google 的 AI 技术能力，而是它的商业模式能不能在 AI 时代继续保持“金鹅”地位。技术上的领先可以靠资本开支买到，但广告模式的修复和重建，却不是单靠砸钱就能解决的。

5. 不只是钱的问题：组织与文化的“战略分心”

5.1 资本开支会把组织注意力带向何处

当一家公司把巨额资源投向 AI 基础设施之后，组织内部的激励结构会发生微妙变化。管理层会优先关注 AI 相关的项目，因为它们是资本开支的回报出口；团队会倾向于把资源投入到与 AI 相关的产品上；搜索团队的业务优先级，可能被 Gemini、Cloud AI 等新业务稀释。

在 Google 这种“一个业务养全家”的结构里，这种分心尤其危险。搜索业务虽然利润率高，但它需要持续的精细化运营：广告系统的相关性、反欺诈、排序算法、索引质量等等，都依赖连续投入。如果组织注意力和人才被抽走，搜索业务现有的体验优势可能被缓慢侵蚀。

5.2 搜索团队与 AI 团队的目标冲突

我们可以合理推测，在 Google 内部，搜索团队的目标是“维持并提升传统搜索的广告收入与用户体验”，而 AI 团队的目标是“让 Gemini 成为最强大的模型，并把它融入所有产品线”。这两个目标并不总是一致。

举个例子，如果 AI 团队认为在搜索结果页顶部加入 AI 摘要能提升用户满意度，那么搜索团队就需要接受 AI 摘要可能挤占广告位置、拉低点击率的事实。反之，如果搜索团队为了保住广告收入而限制 AI 摘要的展示，AI 用户又会觉得体验不够好。这种内部拉扯，短时间内不会体现在财报里，但时间一长，就会表现为产品方向摇摆、上线速度变慢、用户体验不一致。

5.3 组织分心对开发者的启示

作为一个外部开发者，我们无法干预 Google 的内部决策，但可以观察到一些信号。比如某个 Google 产品如果长期没有功能更新，或者 API 定价出现不稳定调整，可能就与组织资源再分配有关。选择长期依赖 Google 某个边缘产品，存在战略风险。

对开发者来说，最稳的策略不是押注某一家公司的某个产品，而是建立“能力抽象层”：接 Gemini API 的同时，保留切换其他模型供应商的余地；依赖 Google Cloud 服务时，尽量使用标准协议（比如支持 OpenAI 兼容格式），减少硬绑定。

6. 开发者视角：AI 资本开支如何影响我们的技术选型

6.1 API 定价与模型供应的后续变化

Google 的资本开支最终要靠 AI 产品来“回收”。对开发者来说，最直接的影响就是 API 定价、模型迭代速度、免费额度政策。当资本开支压力较大时，平台会倾向于提高商业化程度，比如调整免费额度、提高高规格 API 的单价，或者更积极地向企业客户推销定制方案。

所以，如果我们要在项目里接 Google 的 AI 服务，不应该只看当前的价格和模型质量，还要评估未来价格上涨和策略变化的风险。一个相对稳妥的做法是：预先设计好模型抽象层，把 AI 供应商切换的成本控制在可控范围内。

6.2 一个成本估算模型：传统 API 与 AI 推理的成本对比

下面用 Python 写一个简单的成本估算演示，帮助理解“AI 搜索的算力成本远高于传统检索”这一结论。核心逻辑是：按 token 用量估算单次 AI 请求的推理成本，再与传统搜索/单次 API 调用的固定成本做个对比。参数只是演示，实际单价请以官方计费文档为准。

# 文件路径：estimate_ai_cost.py def estimate_ai_inference_cost( prompt_tokens: int, completion_tokens: int, price_per_million_input_tokens: float, price_per_million_output_tokens: float, cache_hit_rate: float = 0.0, ) -> float: """估算单次 AI 模型推理的 token 成本（单位：美元）""" input_cost = (prompt_tokens / 1_000_000) * price_per_million_input_tokens output_cost = (completion_tokens / 1_000_000) * price_per_million_output_tokens total_cost = input_cost + output_cost if cache_hit_rate > 0: total_cost *= (1 - cache_hit_rate) return total_cost def estimate_traditional_search_cost( cost_per_query: float, total_queries: int, ) -> float: """估算传统检索场景的总成本，cost_per_query 可理解为单次接口调用成本""" return cost_per_query * total_queries if __name__ == "__main__": # 演示参数，实际请按最新价格表替换 price_per_million_input = 2.5 # 输入 token 单价（美元/百万 token） price_per_million_output = 15.0 # 输出 token 单价（美元/百万 token） prompt_tokens = 500 # 用户提问 + 检索结果作为上下文 completion_tokens = 300 # 生成的回答长度 ai_cost = estimate_ai_inference_cost( prompt_tokens=prompt_tokens, completion_tokens=completion_tokens, price_per_million_input_tokens=price_per_million_input, price_per_million_output_tokens=price_per_million_output, cache_hit_rate=0.2, ) # 传统检索/接口调用：假设单次成本非常低 traditional_cost_per_query = 0.00005 traditional_cost = estimate_traditional_search_cost( cost_per_query=traditional_cost_per_query, total_queries=1, ) print(f"单次 AI 推理估算成本: ${ai_cost:.6f}") print(f"单次传统检索估算成本: ${traditional_cost:.6f}") print(f"成本倍数: {ai_cost / traditional_cost:.1f}x")

在这个演示模型下，AI 推理的单次成本可能比传统检索高出几十到上百倍。当然，这里没有计算 AI 搜索可能带来的更高转化率或用户满意度，只是把成本结构摆到桌面上。现实项目中，我们应该把收益指标也量化进去，才能判断“贵得值不值”。

6.3 接 Google 模型 API 的最小示例

如果我们想在工程里接入 Gemini 模型，可以先从官方的生成内容 API 开始。下面是一个通用的 curl 示例，演示如何调用文本生成接口。注意：API 地址和参数会随版本更新，实际开发请以官网最新文档为准。

curl -X POST "https://generativelanguage.googleapis.com/v1beta/models/gemini-pro:generateContent?key=YOUR_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "contents": [{ "parts": [{"text": "用一句话解释什么是大模型的推理成本"}] }] }'

在写业务代码时，建议不要把 API Key 直接写进代码或命令行。可以使用环境变量管理密钥，例如在.env文件或部署平台的 Secret 配置中保存密钥。下面是一个简单的环境变量示例：

# 文件路径：.env.example GEMINI_API_KEY=your_api_key_here MODEL_NAME=gemini-pro

然后在 Python 里读取环境变量：

# 文件路径：config.py import os GEMINI_API_KEY = os.getenv("GEMINI_API_KEY") MODEL_NAME = os.getenv("MODEL_NAME", "gemini-pro") if not GEMINI_API_KEY: raise ValueError("请先配置 GEMINI_API_KEY 环境变量")

这些示例不是为了完整实现一个 AI 搜索应用，而是想说明：当我们在工程里依赖某个 AI 厂商时，密钥管理、成本监控、接口抽象这几件事必须提前做好。厂商的商业策略可能会调整，但我们的工程架构要保持稳定。

7. 值得长期跟踪的指标与信号

对于希望独立判断“金鹅是否安全”的开发者或技术管理者，可以通过下面几个公开可观察的信号来跟踪：

7.1 资本开支指引与广告收入增速的差距

关注每个季度财报中“资本开支”与“广告收入”的增速对比。如果资本开支增速持续显著高于广告收入增速，说明新业务对资金的消耗在加速，而存量金鹅的造血能力相对减弱。这不是某个季度的单一指标，而是要看连续多个季度的趋势。

7.2 单次 AI 查询成本是否在下降

AI 推理成本下降主要来自芯片迭代、模型蒸馏、量化压缩和推理优化。如果 Google 能持续把单次查询的推理成本降下来，AI 搜索的商业化压力就会缓解；反之，如果成本下降速度跟不上用户规模增长，利润率会被持续挤压。

7.3 搜索广告的 CPC 趋势与点击率变化

如果 AI 摘要大规模上线后，搜索广告的点击率（CTR）或单次点击成本（CPC）出现明显下滑，说明 AI 搜索确实在侵蚀广告位。这类数据在官方财报中不会直接披露，但可以通过第三方广告监测平台、行业报告和 SEM 从业者的反馈间接观察。

7.4 Google Cloud 与搜索业务的利润率结构变化

关注财报中云业务和搜索业务的运营利润率对比。如果云业务的亏损收窄，同时搜索业务的利润率增速放缓，说明公司的收入结构正在从“单一现金牛”向“多元但普遍微利”过渡。结构变化本身不一定是坏事，但它决定了股价和产品稳定性的逻辑。

7.5 Gemini API 定价与免费额度的调整

API 定价调整往往是平台商业化压力最直接的信号。可以每季度检查一次 Gemini API 的定价页和免费额度说明。如果免费额度缩减、高规格模型单独计价，说明平台正在回收成本；如果反之，说明平台还在通过低价抢市场。

8. 结语：别只盯着 AI 军备竞赛，也要盯着金鹅

谷歌在 AI 资本开支上押下重注，这不是“要不要投”的问题，而是“投完之后谁来养、怎么回收”的问题。从商业结构看，真正的风险不是 AI 技术比不过别人，而是 AI 搜索在体验上赢了用户，却在单位经济性上输给了传统搜索；更危险的是，同一家公司要同时承担“破坏旧业务”和“建设新业务”的双重成本。

对技术开发者来说，我们不必替 Google 操心怎么平衡财报，但可以从它的商业压力里读出一个有用的提示：不要把自己的技术栈建立在一个供应商的一厢情愿上。AI 产品迭代很快，厂商的商业策略也会变，我们至少应该做到三件事：

第一，给模型调用加一层抽象，保留切换供应商的余地；第二，用量化指标监控成本，无论是 token 消耗还是单次请求成本，都要可观测、可预警；第三，保持对财报和产品动态的敏感，把“商业风险”纳入技术选型的考量范围。

说到底，“金鹅与祭坛”的故事并不只是 Google 的，它也可能发生在我们项目的技术选型里。唯一能做的，是在高增长叙事的狂欢中，保留一点对单位经济性的冷静判断。