Google Cloud生成式AI的真实路线：从内部狗粮到企业规模化

这期 No Priors 播客中，Google Cloud CTO办公室生成式AI负责人 Kawal Gandhi 罕见地系统讲述了 Google 内部如何使用生成式AI、再将其产品化并推向企业市场的全过程。从 Workspace 的“狗粮实验”，到企业采用大模型的真实路径，再到成本、信任与多模态的未来，这是一份来自一线的冷静判断。

从搜索广告到生成式AI：一条被“客户需求”推着走的路径

为什么 Google 会在云和生成式 AI 上走到今天这一步？Gandhi 的答案并不宏大，反而非常务实。他最早在 Google 从事搜索和广告工作，直接面对的是购物、旅游等高度商业化的查询场景。这些广告主的核心诉求并不是“AI”，而是更好的效果——更低延迟、更强算力、更大规模的数据处理能力。

正是这些需求，把团队一步步推向了 Cloud。当广告主开始需要复杂的存储、计算和机器学习流水线来优化广告表现时，Google 发现自己不得不把“内部用得很成熟的东西”变成对外的云能力。Gandhi 回忆说，一开始客户更看重的是“数据 + AI”能否成为差异化能力，而不是单点功能。

这也解释了为什么 Google Cloud 的 AI 路线从一开始就高度强调数据、安全、隐私和低延迟，而不是单纯的模型参数规模。他直言：Google 内部早就有工具和框架，但真正困难的是，把这些技术改造成“既能服务高度监管行业，也能覆盖普通企业”的平台能力。这条路走得慢，但决定了今天 Google Cloud 在生成式 AI 上的底色。

Workspace里的“狗粮实验”：生成式AI如何先改变Google自己

当被问到哪些生成式 AI 用例真正推动了产品对外发布时，Gandhi 的回答很明确：Workspace。无论是文档、邮件还是表格，Google 内部率先把生成式 AI 当成“效率工具”来用，而不是炫技产品。

最早的场景非常具体：总结文档、改写邮件、提供个性化建议。这些功能在内部被反复试验、反复推翻，Google 把这个过程称为“dogfooding（吃自己的狗粮）”。Gandhi 说，只要内部效率和生产力出现了明确提升，团队才会考虑对外发布。

他提到的几个高频“aha moment”尤其有代表性：在 Docs 中生成和总结内容，在 Slides 中根据提示自动生成图片，以及 Gmail 的邮件生成与翻译功能。他分享了一个非常生活化的例子：他母亲只使用印地语，Gmail 的自动翻译让跨语言沟通几乎变成了“无感体验”。

在他看来，生成式 AI 真正的价值不是“写得多像人”，而是“弥合原本存在的沟通和效率鸿沟”。这也是 Duet AI（后来的 Workspace AI）能够快速被企业接受的原因。

企业采用大模型的真实顺序：不是微调，而是先证明有用

在企业如何采用大模型这个问题上，Gandhi 给出了一个非常清醒的观察：几乎所有组织都会经历一个“先兴奋、后冷静”的过程。他说，大家通常先通过 API 快速做原型，“证明这是可能的”，然后才意识到，真正难的是部署、监控、运维和安全。

他特别强调，这种兴奋不是“纯炒作”。作为工程师，他非常理解那种“先把工具抓到手里”的冲动。但当模型需要进入生产环境，企业才会开始认真思考模型链路、评估、监控、模型漂移（model drift）以及幻觉问题。

在是否要训练或微调自有模型的问题上，Gandhi 给出的建议并不是技术导向，而是组织导向。他反复提到“成熟度”：团队是否理解模型如何被构建、调优和长期维护？是否意识到这是一项持续投入，而不是一次性项目？

他总结客户的主要落地路径时，用了一个非常清晰的顺序：先是效率，其次是生产力，最后才是创造力。“信任”是贯穿其中的隐含变量——只有当模型在关键 KPI 上表现稳定，企业才愿意把更重要的决策交给它。

模型、成本与多模态：真正的拐点才刚刚开始

在技术层面，Gandhi 对 Google Cloud 的定位也非常明确：不是只提供自家模型，而是一个“模型花园（Model Garden）”。从 Google 的基础模型、行业模型（如医疗相关的 Med-PaLM），到用户自训练模型，再到 Llama、Stable Diffusion 等开源模型，核心目标是让模型训练、微调和部署变得可控且安全。

一个反直觉但重要的判断是：最贵的部分正在变得便宜。无论是模型本身，还是算力和平台使用成本，都在快速下降。他提到一个具体数字：仅在一年内，全球已有超过 1 万人通过了 GCP 生成式 AI 相关认证，这在他看来是“从未见过的学习速度”。

真正尚未完全解决的，是多模态带来的新挑战。虽然文本仍然是主战场，但语音、图像、音频正在逐步进入企业系统。他特别提醒，多模态意味着新的风险：身份伪造、深度伪造、语音滥用，以及更高的数据存储和检索成本。

在他看来，未来的关键不是“模型多强”，而是能否在规模化使用中持续建立信任，并让这些系统真正释放人类的创造力。

总结

这次对话最大的价值，不在于某个模型或参数，而在于一条清晰而克制的路线图：生成式 AI 必须先在真实工作流中证明价值，再被谨慎地推向更高风险、更高回报的场景。Gandhi 反复强调的“效率—生产力—创造力”顺序，以及对信任和安全的执着，揭示了大企业与生成式 AI 共存的现实路径。对所有正在考虑落地 AI 的组织来说，这是一份难得的、来自一线的经验总结。

关键词： Google Cloud， 生成式AI， 大语言模型， 企业AI落地， Workspace AI

事实核查备注： 人物：Kawal Gandhi（Google Cloud CTO办公室，生成式AI负责人）；公司：Google、Microsoft；产品与模型：Duet AI / Workspace AI、Med-PaLM、Llama、Stable Diffusion、GPT-4、Bard；关键概念：dogfooding（内部试用）、模型漂移（model drift）、多模态、微调；数据：超过1万人通过GCP生成式AI相关认证（一年内）。