引子
75%。
谷歌今天说了一个数字：它新写的代码里，四分之三来自 AI。
不是 30%，不是 50%，是 75%。
这意味着谷歌的工程师现在的主要工作不是"写代码"，而是"检查 AI 写的代码"。
与此同时，谷歌发布了第八代 TPU。这是它自研的 AI 算力芯片，直接对标 NVIDIA 的 GPU。
两条消息放在一天发，这不是巧合。
一、75% 的代码来自 AI，意味着什么
先理解这个数字的语境。
75% 不是说谷歌的程序员被裁了 75%。而是说，在一个典型的开发流程里，AI 先生成初稿，人类再做审查、修改、集成。
这其实是一个比"AI 取代程序员"更激进的事情。
因为如果 AI 能完成 75% 的编码工作量，那就意味着——一个程序员的生产力可以被放大 3 到 4 倍。原来需要 10 个人的项目，现在 3 个人就能搞定。
谷歌有几万名工程师。如果每个人的生产力都翻 3 倍，那意味着什么？
意味着谷歌可以用更少的人做更多的事。这意味着它的软件迭代速度会指数级加快。这也意味着它在 AI 辅助开发这件事上已经走过了"实验阶段"，进入了"规模化应用阶段"。
Cursor 帮 SpaceX 写代码的时候，还被当作一个新鲜案例。但谷歌是把这个模式推广到了全公司。
二、第八代 TPU 的真正对手
TPU 不是什么新东西。谷歌从 2015 年就开始自研 TPU，到现在已经迭代了八代。
但前七代 TPU 都有一个共同特点：只供谷歌自己用。谷歌的搜索、翻译、YouTube 推荐，跑的都是 TPU。但外面的公司想用 TPU？不行，只能用 NVIDIA GPU。
第八代 TPU 的不同之处在于——谷歌开始把它作为云服务对外出售了。
Google Cloud 上已经可以租用 TPU 算力。而且，第八代的性能据传在训练大模型时比 NVIDIA H100 更高效。
这就是"老黄该急了"这句话的来源。
NVIDIA 的 GPU 占据了 AI 算力市场 80% 以上的份额。黄仁勋是全球 AI 基础设施的"卖水人"——不管谁做大模型，都得买 NVIDIA 的芯片。
但如果谷歌的 TPU 能在性能和价格上证明自己不输 H100，那 NVIDIA 的护城河就开始裂了。
三、谷歌的"全栈 AI"战略
把 75% AI 写代码和第八代 TPU 放在一起看，谷歌的图景就很清晰了。
它不是在做一个 AI 功能，也不是在卖一颗芯片。它是在构建一条完整的 AI 链条：
底层：自研 TPU 提供算力。中层：自研 Gemini 模型提供 AI 能力。上层：自研 AI 编程工具提升开发效率。
这是一条从芯片到模型到应用的垂直整合链条。
在 AI 行业里，能做到"全栈自研"的公司不多。苹果算一个——从 M 系列芯片到 iOS 到 AI 功能。谷歌现在是第二个。
OpenAI 不行——它用的是微软的 Azure 和 NVIDIA 的 GPU。Anthropic 也不行——它用的是 AWS 和 Google Cloud 的算力。
谷歌的独特优势在于：它不需要依赖任何人。
这既是一种能力，也是一种隐忧——因为它意味着谷歌的 AI 发展是封闭的，不是开放的。
四、但谷歌的问题从来不是技术
谷歌的技术一直很强。强到离谱。
搜索引擎是它发明的。Android 是全球最大的移动操作系统。TPU 是第一代 AI 专用芯片。Transformer 架构是所有大模型的基础——对，GPT 里的 T 就是 Transformer，是谷歌 2017 年发表的论文。
但谷歌的问题从来不是技术不够好，而是产品化能力太差。
Android 的 AI 功能永远比不过 iPhone。Google Assistant 被 Alexa 超越。Gemini 发布时被批评为"功能清单，不是产品体验"。
75% 的代码来自 AI，听起来很厉害。但谷歌的软件产品体验真的因此变好了吗？
第八代 TPU 性能很强。但 Google Cloud 的市场份额真的因此超过 AWS 和 Azure 了吗？
技术是谷歌的长板，产品是谷歌的短板。这个矛盾从拉里·佩奇时代就存在，到今天依然没有解决。
结语
谷歌今天同时亮了两张牌：AI 编程能力和 TPU 算力。
这两张牌在技术上都足够硬核。75% 的代码来自 AI，第八代 TPU 对标 H100。
但"硬核"从来不是谷歌的问题。谷歌的问题是——再硬核的技术，到了用户手里，体验到底有没有变好？
老黄会不会急，不取决于谷歌发了什么芯片。而取决于——有多少公司愿意从 NVIDIA 切换到谷歌。
这需要的不只是技术参数，而是生态、信任和产品体验。
这些，恰恰是谷歌最缺的。
参考链接