谷歌点评：Gemini 3.8贯彻成本领先战略
AI播客
谷歌发布Gemini 3.8 Flash，重点提升推理与Agent能力，其核心战略已转向低成本优先。凭借庞大的十亿级用户渠道优势与自研TPU的软硬件协同降本，谷歌正将重心从追求最强模型切换为极致降低推理成本。潜在风险在于，若过度倾斜资源于成本效率，可能削弱其维持前沿模型第一梯队的能力。
谷歌昨天发布了Gemini 3.8，性价比极高
9月2日，谷歌发布 Gemini 3.8 Flash。这是过去六周内第三次发布 Flash 系列模型，重点提升了推理、Coding 和 Agent 能力。值得注意的是，相比之下，旗舰 Pro 系列自2月19日发布 Gemini 3.1 Pro以来，已经约6个半月没有更新。
从模型能力的评测看，3.8 Flash 已经相当接近高端模型。Artificial Analysis 的 Intelligence Index 中，3.8 Flash High 得分 59，相比 3.7 Flash High 的 56 提升3分，与 GPT-5.6 Sol xhigh、Grok 4.6 medium 处于同一水平。谷歌官方测试中，3.8 Flash 的 HLE-Verified 达到 54.9%，在软件工程和 Agent 测试中也明显强于上一代。
价格的冲击力更大。3.8 Flash的API价格为输入0.75美元/百万token、输出3.75美元/百万token。也就是说，在Artificial Analysis综合能力评分相同的情况下，价格只有GPT-5.6 Sol的19%、Claude Opus 5的15%。当然，评分不完全代表能力，但成本优势不容置疑。
我的判断：谷歌的大模型战略是低成本优先，高质量模型已经不是第一优先级
过去几年，大模型竞争最重要的问题是谁能造出最强的模型。
但是，这个竞争逻辑正在发生变化。
原因在于，随着模型能力持续提升，越来越多真实任务已经越过了“模型能不能完成”的门槛。对于高复杂度的科研、Coding和长程 Agent，模型能力仍然具有很高价值；但对于数量更大的低复杂度任务，模型从90分提高到95分，实际价值可能远小于成本从1降到0.3。
结合六周Flash模型的三次更新，与Pro模型的暂时沉寂。这说明，谷歌的大模型战略越来越明显，就是低成本优先。
当然，你可能会发现3.8相比3.7其实贵了一些。两代模型的API单价完全相同，但由于平均输出token增加约30%，Agent任务的调用轮次也有所增加，Artificial Analysis测得的单任务成本从约0.40美元升至0.58美元，增加约45%。我们判断，这是谷歌正在探索低成本路线中，成本和性能的边界，但低成本路线是没有问题的。
另一方面，高管发言也可以印证。今年二季度，谷歌CEO Sundar Pichai 表示 Flash 系列需求很强，因为它处在 performance 和 cost 的 sweet spot。
显然，谷歌正在把第一优先级目标从：
“把最强模型做到多强”
切换成：
“完成任务的成本做到多低”。
这两种路线的差别很大。后一种模式更符合未来大规模 AI 应用的经济性，因为绝大多数计算量最终不会来自极少数最困难的问题，而会来自数量极大的普通请求。
为什么这套战略尤其适合谷歌？
1. 谷歌的渠道优势会带来大量用户，而大量请求本身会放大低成本的价值
谷歌和其他大模型公司的一个根本区别，是谷歌已经拥有用户。
今年二季度，Google Search 的 AI Mode 已经超过10亿月活；8月11日，Gemini App 超过10亿月活。更大的渠道优势来自整个Google产品矩阵：Gemini目前已经进入Google旗下 13个用户规模超过10亿的产品，其中5个超过30亿用户。
开发者端同样已经形成巨大规模。每个月超过 900万开发者使用Google的模型，其第一方模型API目前每分钟处理约 220亿token，一个季度前还是160亿。
所以谷歌面对的经济问题和一个从零获取用户的AI公司并不相同。
它真正需要解决的是：
如何以足够低的成本，把AI提供给已经存在的数十亿用户。
这时候，识别任务复杂度就非常重要。
高复杂度任务首先购买的是能力。一个科研或者复杂Agent任务，如果更强的模型能明显提高成功率，那么一次任务多花几美元完全可以接受。
但谷歌每天面对的更多是低复杂度、高频率的请求。
例如普通问答和简单的agent，只要两个模型都能正确解决问题，那么模型能力再提高几个百分点，对用户的边际价值已经很低；但如果一次推理从0.5美元降低到0.2美元，乘以十亿级用户和持续增长的调用频率，就会对大模型公司产生巨大的成本差异。
因此，渠道优势和低成本优势实际上存在乘数效应。
谷歌的用户越多，每一次推理降本产生的价值越大；成本越低，谷歌又越能够把AI进一步嵌入Search、Android、Workspace、YouTube等已有产品，从而继续扩大调用规模。
这也是为什么低成本模型对Google的战略价值可能比对其他大模型公司更高。
2. TPU的低成本优势，会在低复杂度场景成为核心决定因素
对于高复杂度任务，成本差异通常不是决定因素。
如果一个模型能够完成另一个模型无法完成的科研、Coding或者复杂Agent任务，用户首先购买的是结果，模型贵一些并不会改变选择。
但低复杂度任务的选择规律完全不同。
一旦一个任务能被各个模型稳定完成，模型能力继续提升带来的边际收益迅速下降，而完成成本就会成为核心竞争因素。
这正是TPU（谷歌自研芯片）能够发挥最大价值的地方。
谷歌可以同时控制芯片、模型和推理基础设施。最新的 TPU 8i 本身就是针对推理负载设计，谷歌公布的数据是相较上一代 TPU，推理 performance per dollar 提升80%。
而在真实产品端，这种降本已经开始体现。Alphabet二季度披露，即使AI Mode不断加入更先进的模型和能力，经过软硬件共同优化以后，单次AI Mode回答成本仍然下降到了产品推出以来的最低水平。
TPU让Google具备了一种能力：
在模型能力大竞赛中，持续保持成本优势的能力。
在最高端场景里，这个优势可能只影响一点利润率，而不能获取份额；但在低复杂度、十亿级用户、高调用频率的场景里，成本本身会决定哪些AI功能能够大规模提供，以及最终谁能承受最大规模的调用量。
最大的风险：模型同质化以后，谷歌必须是留下来的玩家之一
谷歌这套战略真正成立，需要两个条件同时出现：
前沿模型逐渐同质化，同时Google本身始终留在前沿模型集团。
我认为未来两三年，这两个条件同时出现的可能性正在上升。
第一个条件概率极大。过去几年的模型竞争已经表现出一个明显特征：任何一家公司的领先都越来越难长期维持。新的训练方法、推理方法和模型架构扩散速度很快，一家公司出现明显领先后，其他头部公司通常会在随后几轮模型更新中追上。
所以最终更可能形成的格局，就是少数几家公司长期处于同质化能力区间。
但在低成本战略下，Google能否始终留在这个集团的概率是否下降，恰恰是这套战略最大的风险。 过去六周，Google连续更新了三次Flash系列；相比之下，Pro系列已经6个半月没有更新。如果研发资源和产品目标持续向成本效率倾斜，Google可能会牺牲一部分前沿能力，以换取更低的推理成本。
这就形成了一个内在矛盾：Google的低成本战略只有在自身模型仍处于第一梯队时才能发挥最大价值，但低成本优先又可能削弱它留在第一梯队的能力。
目前，我们对这个问题暂且观望，因为历史反复告诉我们，在没有先发优势的行业里面，紧追不舍，或许还不如等待行业进入瓶颈再快马赶上，这可能是谷歌真正的图谋。
