Gemini 帝國：谷歌如何重組三萬億AI機器
背景與起點
1、Gemini 不是一個突然出現的單一模型項目，而是 Google 把長期分散在 DeepMind、Google Brain、Google Research、Cloud TPU、Search、Android、Workspace 等體系內的研究、算力、產品和分發能力，壓縮成同一條主線後的產物。2023 年 4 月，Google 正式把 DeepMind 與 Google Research 裏的 Brain 團隊合併爲 Google DeepMind；Sundar Pichai 當時明確說，這個新單位的目標是更快、更安全地構建“更有能力的通用 AI 系統”，並點名 Jeff Dean 參與領導首批“強大的多模態模型”項目。這實際上就是 Gemini 的組織起點。
2、Google 自己對 Gemini 的定義也很清楚。2023 年 12 月發佈 Gemini 1.0 時，Pichai 與 Demis Hassabis都把它描述成“Gemini 時代的第一批模型”，並稱其是 Google DeepMind 成立後那套願景的第一次落地；Google 還把它稱爲公司做過的最大規模科學與工程努力之一。也就是說，Gemini 並不是 Bard 的一次升級命名，而是 Google 在“模型層”上的一次重新立項。
3、對外敘事裏，Google 強調的是“加速通用 AI、並更負責地開發”。但從產業背景看，這次重組也明顯帶有競爭驅動：Reuters 在 2024 年報道 Google 持續整合 Research 與 DeepMind 的模型團隊時指出，這些動作與 Google 在 AI 競賽中加速對抗 OpenAI / Microsoft 密切相關。更直接地說，Gemini 的建立既是技術路線選擇，也是組織與市場壓力下的戰略再集中。
4、公開資料裏，Google 講得最詳細的是：組織重組、模型分層、訓練基礎設施、能力評測、安全流程與產品接入。但 Gemini 各代核心模型的完整參數規模、每代訓練 token 總量、不同模態數據佔比、單次訓練成本、Ultra 系列完整架構細節，公開資料有限 / 暫無法確認。 這不是因爲完全沒人討論，而是因爲 Google 官方技術報告有意披露了很多能力與工程信息，卻沒有把這些最敏感的規模數字全部公開。
組織、人才與決策機制
1、Gemini 的組織核心是 Demis Hassabis + Jeff Dean 這個雙軸結構。Hassabis 在 2023 年合併後出任 Google DeepMind CEO，負責最有能力、也最“通用”的 AI 系統方向；Jeff Dean 轉任 Google 首席科學家，同時服務 Google Research 與 Google DeepMind，Pichai 還特別說 Dean 的首個關鍵項目之一就是多模態模型系列。換句話說，Gemini 不是單純的 DeepMind 模型，也不是純 Google Research 模型，而是 Google 把兩套最強 AI 系統合併後的第一代“總項目”。
2、從 Google DeepMind 對員工的說明看，這個項目一開始就不是研究孤島模式。Hassabis 在內部說明中提到，新組織會和各 Google Product Areas 緊密協作，目標不是隻做研究論文，而是把研究直接變成“跨 Google 和 Alphabet 的下一代 AI 突破與產品”。這也解釋了爲什麼 Gemini 一出生就同時走三條路徑：研究報告、雲 API、Google 自有產品接入。
3、管理鏈條後來還繼續收攏。2024 年 4 月，Reuters 報道 Google 把負責安全 AI 開發的 Responsible AI 團隊從 Research 遷到 DeepMind，讓安全評估更靠近“模型真正被建造和擴展”的地方。這說明 Gemini 不是“先做模型、再補治理”，而是 Google 在組織層面把治理、評測、上線門檻往模型中心挪。
4、從公開署名也能看到項目的技術領導面越來越清晰。早期發佈主要由 Pichai、Hassabis 出面；到 2.0、2.5、3.5 階段，Koray Kavukcuoglu、Jeff Dean、Oriol Vinyals、Noam Shazeer 等人開始直接出現在模型發佈署名裏。這說明 Gemini 從“高層戰略項目”逐步變成一條有穩定技術班底的模型產品線。
技術底座與工程基礎
1、Gemini 的技術前史，不是一條線，而是幾條研究河流並流。Google 在 2021 年提出 Pathways，目標是讓一個系統處理大量任務、跨模態學習，而不是爲每個任務訓練一堆彼此割裂的模型；2022 年的 PaLM 證明了 Google 可以用 Pathways 在 6144 片 TPU v4 上訓練 540B 的大型語言模型；DeepMind 的 Chinchilla 給出了“算力最優訓練”思路；Flamingo 證明“圖像/視頻/文本交錯提示”可以做強 few-shot 多模態；Gato 則把多任務、多模態統一爲 token 序列處理。這些不是 Gemini 的簡單前身，但它們一起構成了 Gemini 的方法論底盤。
2、Gemini 1.0 的關鍵技術轉向，是 從一開始就按多模態來訓練。Google 在 1.0 官方發佈與技術報告裏反覆強調：過去很多多模態系統是把不同模態組件“拼接”起來，而 Gemini 是從預訓練起就把文本、代碼、圖像、音頻、視頻放在同一體系裏學；它支持交錯的文本、圖像、音頻、視頻輸入，還能輸出交錯的圖像與文本。這一點很重要，因爲 Gemini 的建立邏輯不是“LLM 再外掛視覺”，而是“統一 token 化的原生多模態模型”。
3、工程上，Gemini 建在 Google 自研 TPU 與跨數據中心網絡之上。Gemini 1.0 技術報告寫明，模型訓練依賴 TPU v5e 與 TPU v4；Ultra 訓練使用橫跨多個數據中心的大規模 TPU v4 集羣。Google 在 2023 年同日宣佈 Cloud TPU v5p，並直接說 Gemini 是在 TPUs 上訓練和服務的。到 Gemini 2.0，Google 進一步公開表示：Gemini 2.0 的訓練與推理 100% 運行在 Trillium 這代 TPU 上。 這意味着 Gemini 的建立，不只是算法問題，本質上還是 Google “模型—芯片—數據中心—產品”一體化能力的產物。
4、數據層面，Google 公佈了框架，沒有公佈精確配比。Gemini 1.5 技術報告寫得非常明確：預訓練數據來自多種領域，包括 web documents、code，以及 image、audio、video；隨後再做 instruction tuning，並結合 human preference data 做進一步調優。但這些數據各自佔多少、過濾規則到什麼粒度、授權與合成數據比例如何，公開資料有限 / 暫無法確認。
從 Gemini 1.0 到後續世代的構建過程
1、Gemini 1.0 在 2023 年 12 月正式定型爲三檔：Ultra、Pro、Nano。Google 把它定位成“最大、最通用”的模型家族。1.0 的核心成果有三層：一是能力層，官方技術報告稱 Ultra 在 32 個基準中刷新 30 個，且在 MMLU 上首次超過 90%；二是產品層，Pro 當年先進入 Bard，Nano 先進入 Pixel 8 Pro 端側；三是平臺層，Google 同步把 Gemini 接到 AI Studio 與 Vertex AI，說明它從發佈第一天起就是“內部產品 + 外部平臺”雙用途模型。
2、Gemini 1.5 是 Gemini 真正從“強多模態模型”轉向“高效長上下文模型”的關鍵節點。Google 在 2024 年 2 月明確說，1.5 是它在基礎模型開發和基礎設施上幾乎所有部分都做了研究與工程創新後的結果，其中最關鍵的是新的 Mixture-of-Experts 架構。Google 當時給出的核心敘事有三點：第一，1.5 Pro 用更少計算量達到了接近 1.0 Ultra 的質量；第二，標準上下文 128k，但很快把 1M token 帶入私有預覽；第三，Google 還在研究中把它測試到 10M token 級別。後續 1.5 技術報告進一步說，1.5 Pro / Flash 在長文檔、長視頻、長音頻和長代碼庫檢索與問答上表現出近乎完美的召回，並且整體上匹配或超過 1.0 Ultra 的多個能力。
3、Gemini 2.0 的方向變化，不再只是“更強”，而是“更能行動”。Google 在 2024 年 12 月把 2.0 定義爲“agentic era”的模型，強調兩件新能力：原生圖像/音頻輸出，以及原生工具調用。2.0 Flash 不只接受多模態輸入，還能調用 Google Search、代碼執行和第三方函數；Google 同時用它來推動 Project Astra、Project Mariner、Jules 和 Deep Research。這說明 Gemini 的構建目標在 2.0 之後發生了根本變化：從“回答問題的多模態模型”，變成“能推理、能調用工具、能執行多步任務的代理模型”。
4、Gemini 2.5 與 3.x 則是在這個方向上繼續加深。Google 在 2025 年 3 月把 2.5 明確定義爲 “thinking model”，並說未來要把這類思考能力直接做進全部模型裏；2.5 Pro 保留 1M 上下文，並把 reasoning 做成主賣點。到 2026 年 2 月與 5 月，3.1 Pro 和 3.5 Flash 又進一步把定位推進到“複雜問題求解”“長時程 agentic workflows”“多代理執行”。因此，如果問 Gemini 是如何建立的，答案不是“做出一個模型就結束了”，而是 Google 連續幾代都在把它從 原生多模態 → 高效長上下文 → 原生工具調用 → 思考模型 → 可執行代理工作流引擎 這條軌道上推進。
商業化、分發與資本邏輯
1、Gemini 的商業化不是單點收費，而是多端展開。消費者側，Google 在 2024 年 2 月把 Bard 正式改名 Gemini，同時推出 Gemini Advanced，並通過 Google One AI Premium 訂閱把 Ultra 1.0 賣給用戶，起步價 19.99 美元 / 月。這個動作的意義很大：它把原本偏實驗性質的對話產品，變成了一個有品牌、有 app、有付費層級的消費者 AI 產品線。到 2026 年，Google 已把這條訂閱線延展爲 Google AI Pro / Ultra 等層級。
2、開發者與企業側，Gemini 從一開始就通過 Google AI Studio、Gemini API、Vertex AI、Gemini Enterprise 進入收費體系。Google 的開發者文檔顯示，Gemini API 已經是典型的 token 計費產品，並且對不同模型、上下文緩存、搜索 grounding 等能力分項收費。也就是說，Gemini 在商業結構裏既是“Google 自己用的底模”，也是“Google Cloud 的計量收費服務”。
3、分發上，Gemini 最大的優勢不是 app 本身，而是 可以被嵌進 Google 的所有高流量入口。Search 在 2024 年 5 月明確說 AI Overviews 由“定製版 Gemini 模型”驅動，把 Gemini 的多步推理、規劃和多模態能力與 Search 系統結合；Workspace 在同年 5 月說側邊欄與多應用聯動開始使用 1.5 Pro；手機端則通過 Android、Pixel、Samsung 擴散，三星 Galaxy S24 成爲首個通過 Google Cloud 把 Gemini Pro / Nano / Ultra 相關能力帶到全球手機用戶的合作伙伴。Gemini 的建立，最終不是靠一個聊天框，而是靠 Google 已有流量入口把模型變成基礎設施。
4、資本與資源層面，Gemini 的護城河來自 Alphabet 的基礎設施支出。Alphabet 2025 年 Q1 財報電話會披露：當季 CapEx 爲 172 億美元，主要投向技術基礎設施，其中最大項是服務器，其次是數據中心，以支持 Google Services、Google Cloud 與 Google DeepMind；公司同時維持 2025 年約 750 億美元全年 CapEx 預期。簡而言之，Gemini 能成立，不只是因爲模型論文做得對，更因爲 Google 願意以數據中心、TPU、網絡、Cloud 與產品線同時押注。
5、在收入邏輯上，Gemini 還承擔着“守住並擴大 Google 現有業務”的任務。Alphabet 在 2025 Q1 電話會上說，AI Overviews 已是 Search 使用增長的重要驅動，而其中廣告變現大致保持在與傳統搜索相近的水平。也就是說，Gemini 不只是要賣 API 和訂閱，它還要提升 Search、Cloud、Workspace 這些成熟業務的黏性與單用戶價值。
爭議、限制與現實位置
1、Gemini 最早的大爭議之一，不是模型本身，而是 演示方式。2023 年 12 月發佈後，The Verge 指出 Google 的一段 Gemini demo 視頻經過剪輯，實際並不是用口語實時對話完成；到 2024 年 9 月，Google 在美國廣告行業自律機構 NAD 介入後，取消了這段宣傳視頻的推廣。這個事件傷害的不是 benchmark，而是外界對 Google 演示可信度的判斷。
2、第二個更大的爭議來自人物圖像生成。2024 年 2 月，Google 官方承認 Gemini app 中基於 Imagen 2 的人物生成功能“搞錯了”，一些結果不準確甚至具有冒犯性，因此暫停了人物圖像生成。Google 自己的覆盤是：一方面，多樣性調優過度擴張到了不該多樣化的歷史與文化場景；另一方面，系統又變得過度保守，誤把普通請求當成敏感請求。Reuters 也記錄了當時 Google 因歷史人物和歷史場景生成失真而暫停功能。這個事件暴露出：Gemini 的多模態能力很強，但產品層安全與表現層校準並不天然等於模型能力本身。
3、第三個現實問題是：Google 一直強調安全評測，但也承認 Gemini 不是“已經解決風險”的系統。Google 在 1.0 發佈時稱其做了當時最全面的安全評估之一；隨後 DeepMind 的危險能力評測論文又指出，在說服欺騙、網絡安全、自我複製、自我修改、生物與核風險等維度，對 Gemini 的測試沒有發現“強危險能力”，但已經看到早期預警信號。換句話說，Google 的立場不是“Gemini 已經安全”，而是“我們需要更系統地量化它何時變得危險”。
4、今天看，Gemini 已經不再是一個“挑戰 ChatGPT 的新模型”，而是 Google 的 AI 總底座。Sundar Pichai 在 2026 年 I/O 上給出的公開數字是：Google 現在每月跨各表面處理超過 3.2 quadrillion tokens，有 850 萬開發者 每月在用其模型構建應用；AI Overviews 已有 25 億月活；Gemini app 已超過 9 億月活。這些數字意味着 Gemini 已經從“研究項目”變成 Google 級別的全球基礎設施。
5、如果把所有公開證據壓縮成一句話，Gemini 真正建立起來，靠的不是某一篇論文，也不是某一代 benchmark 勝利，而是五件事同時成立：組織合併、原生多模態路線、自研 TPU 基礎設施、產品全域分發、持續按代迭代到代理化。 這也是它與很多獨立模型公司最根本的區別。
6、最後留一組必須說明的限制：Gemini Ultra/Pro/Nano 各代的精確參數、完整訓練數據構成、關鍵後訓練配方、每代真實訓練成本、內部評測全集與完整失敗率，公開資料有限 / 說法不一 / 暫無法確認。 因此，能高置信重建的是“組織—技術—基礎設施—產品—商業化”這條主線；不能高置信重建的是每一代模型的全部底層數字。