由AI先驅到跌落神壇　Google憑Gemini 3絕地反擊｜封面故事

在AI研發賽道上，Google絕非「初哥」。早於2016年，旗下DeepMind的AlphaGo擊敗圍棋冠軍李世石，震撼全球。
可惜「成也蕭何，敗也蕭何」，坐擁龐大搜尋帝國反而令Google陷入「創新者窘境」，擔憂AI蠶食廣告收入而畏首畏尾。
結果OpenAI冷手執個熱煎堆，ChatGPT橫空出世搶盡風頭；反觀Google倉促推出的Chatbot「Bard」，初登場即答錯問題淪為笑柄，市值一夜蒸發千億美元。
其後微軟Copilot挾GPT-4之勢，迅速植入Office、Windows、搜尋器Bing等自家產品，步步進逼，甚至連中國亦研發出DeepSeek，令Google由「領頭羊」慘變「追落後」。

當時Google面臨兩大痛點：一是架構混亂，內部的Google Brain與DeepMind兩大頂級AI實驗室各自為政；二是產品發展過於保守。
面對危局，Alphabet行政總裁Sundar Pichai於2023年痛定思痛，發布「紅色警報」，並將內鬥多年的Google Brain與DeepMind合併，由DeepMind創辦人Demis Hassabis統一領軍，全公司資源要向AI傾斜。
經過Gemini 1的試水溫與1.5 Pro的長文本突破，Google隨後推出的Gemini 2重點解決了「速度」與「互動」的痛點，實現毫秒級的即時語音對話，為AI助理賦予了「眼睛」與「耳朵」。

Nano Banana引爆網絡

真正的「殺手鐧」出現在去年11月推出的Gemini 3。它集結了前幾代的優勢，在生成質量與創意上大躍進（見另文），迅速成為AI界熱話。
其中Google的圖像生成AI Nano Banana大獲好評，輸入文字便可在短時間內製成圖片。
早前網上掀起一股「微縮公仔照」熱潮，就是由Nano Banana生成，可以將自己或寵物的照片，生成具質感及像真度極高的手辦模型公仔。
這些作品在社交媒體「洗版」，吸引大量用戶跟風試玩，熱潮直逼由ChatGPT引發的「吉卜力照片風」。目前Nano Banana已經整合在Gemini 3介面，方面用戶使用。

Google還有另一個AI圖像生成器Imagen，能生成更細緻、光影質感更佳，更高品質的照片，適合廣告業、市場推廣等專業人士使用。
影片生成方面，Google的VEO更直接向 OpenAI的Sora「挑機」。VEO深諳電影語言，用戶只需輸入「航拍推鏡」或「賽博龐克風」等指令，即能生成4K電影級短片。
市場憧憬VEO未來能與YouTube Shorts無縫接軌，開啟內容創作新時代。

用戶紅利爆發 免費引路企業「課金」

Google坐擁全球最龐大的用戶生態，Gmail、Docs、Drive全部超過10億名用戶，有利Gemini 3推廣。先向免費用戶開放基礎版，培養使用習慣，再無縫引導用戶升級。

現時，凡是Google Workspace的企業客戶，只需支付額外月費，即可在Docs直接用Gemini寫文案、在Slides一鍵生成配圖PowerPoint。
對於企業而言，與其重新學習一套新軟件，不如直接在現有系統「升級」。這種「原有生態+
AI」的綑綁銷售模式，能刺激用戶「課金」，將龐大的免費用戶群，轉化為實質的營收增長動力。
針對AI恐「殺死」搜尋引擎的擔憂，Google亦有拆解良方。
全新的「AI概覽」巧妙地將答案與廣告混合，例如當你問「推介好用的跑鞋」，AI除分析腳型和避震功能外，下方或側面會即時出現相關品牌的購物連結與優惠廣告，AI帶來的精準度反而提高了廣告的轉化率，守住「金蛋」業務。

自研TPU慳成本

此外，當其他競爭對手要「硬食」Nvidia高昂晶片時，Google早在10年前已布局自研TPU（Tensor Processing Unit）。
Gemini 3完全在TPU v5p上運作，這意味著，Google每處理一次AI查詢的成本，遠低於依賴外部晶片的競爭對手。隨著AI使用量幾何級數上升，這種成本控制能力將直接反映在毛利率上。
再加上Google擁有YouTube的影片數據、
Maps的地理數據等，這些獨家且海量的「數據石油」，是訓練Gemini變得更聰明的最佳燃料。
總括而言，經歷短暫迷失，Google憑Gemini 3證明王者歸來。相比其他巨頭仍在摸索，Google已成功找到將AI落地並變現的出路，是這場AI淘汰賽中，底氣最足的長跑贏家。

原生多模態 聽得明人話

Gemini 3最核心的突破在於「聽得明人話」。過往的Chatbot經常「遊花園」或答非所問，但Gemini 3在處理複雜指令時表現精準。
Gemini 3與競爭對手最大的分野，在於其「原生多模態」（Native Multimodal）架構。市面上早期的多模態模型，大多是用一個視覺模型處理圖片，轉成文字後再丟給語言模型處理。這種「外掛式」設計導致訊息在轉換過程中大量流失，難以捕捉細微的語氣或圖片中的隱喻。
Gemini 3則從訓練之初就同時「閱讀」文字、「觀看」影片、「聆聽」音頻，能展現出近乎人類的直覺。再加上可處理大量數據，例如分析師可以將一家公司過去10年的所有年報、電話會議錄音、法務文件一次過「餵」給Gemini 3，不需一分鐘便能挖掘出隱藏的關聯交易風險或營收趨勢，因而深受大眾歡迎。