21世纪经济报道

陈永伟

2026年6月，谷歌发生了一场足以改写行业格局的人事地震。短短一周之内，Transformer架构共同发明者、Gemini项目联合负责人诺姆·沙泽尔（NoamShazeer）投奔OpenAI，2024年诺贝尔化学奖得主、AlphaFold核心创始人约翰·江珀（JohnJumper）加盟Anthropic，Gemini两大主力研究员乔纳斯·阿德勒（JonasAdler）、亚历山大·普里策尔（AlexanderPritzel）同步出走。数天之内，DeepMind的五位顶级AI科学家集体离职，而奠定一个时代AI技术基础的论文《注意力就是你需要的全部》（AttentionIsAllYouNeed）的八人作者团队，至此已全员离开谷歌体系。

在人才大规模出走的背后，是谷歌肉眼可见的业绩压力。2026年最新财报数据显示，谷歌母公司Alphabet营收虽保持增长，但自由现金流同比暴跌47%，千亿级AI算力资本开支持续吞噬利润，全年盈利预期大幅下调。曾经手握全球最顶级人才、最充沛算力、最充裕资本、最海量数据(13.760, -0.10, -0.72%)的AI霸主，正陷入“越投入、越平庸，越招人、越流失”的困局。

值得注意的是，类似的困境并非谷歌独有。随着AI大战日趋激烈，国内外不少平台巨头都显出了疲态，绩效滑坡、行业竞争力下降、关键人员出走等问题层出不穷。那么，这些巨头究竟出了什么问题？这些问题究竟纯属偶然事件，还是具有某种必然性？它们又该如何破解困境、保持竞争力？

一、谷歌之困

谷歌会陷入现在的困境，多少令人有些意外。在过去很长一段时间里，谷歌都是所有巨头中AI技术力量最为雄厚的一家。在技术储备上，谷歌不仅拥有提出Transformer架构、奠定生成式AI革命基础的研究团队，还将Deep－Mind等一批极具创造力的技术团队收入囊中。在产品输出渠道上，谷歌本身就是云平台巨头，其模型可以直接通过自有平台向用户提供，不必像纯AI企业那样担心渠道分利。更为重要的是，谷歌拥有自研的TPU，在算力上不会轻易面临上游的“卡脖子”问题。这些特征都让谷歌在AI竞争的初始阶段显得特别具有竞争力。

虽然ChatGPT的突然面世曾在短时间内让谷歌陷入战略恐慌，但凭借强大的技术储备，谷歌很快就调整了节奏，推出了竞品Gemini。在性能方面，Gemini一度可以匹敌甚至领先于同期的GPT模型。尤其是在NanoBanana接入Gemini之后，用Gemini画图曾风靡一时。2026年3月，马斯克曾在社交媒体上说：“谷歌会赢得西方的AI大战，而SpaceX则会赢得太空。”虽然这句话多少是在用谷歌给SpaceX作陪衬，但也反映了谷歌在专业人士眼中的行业地位。

但仅仅几个月后，情况就发生了重大变化。

从业绩维度来看，谷歌似乎已经陷入“算力烧钱、增收难增利”的维持性创新陷阱。为维持在全球AI赛道上的身位优势，谷歌开启了近乎无上限的算力军备竞赛。根据其资本开支指引，该公司2026年的预计支出金额高达1750亿至1900亿美元，约为2022年310亿美元的5.6至6.1倍。数据中心建设、高端显存采购、自研TPU迭代，以及电力与运维成本，正在成为谷歌无法规避的刚性支出。

然而，在投入巨资的同时，谷歌却未能换来对等的技术壁垒与商业回报。在核心AI产品层面，Gemini系列长期陷入迭代保守、落地滞后的困境，主要停留在参数微调、算力堆叠和功能修补层面，始终未能推出颠覆性的技术范式革新。与Anthropic的Claude和OpenAI的GPT相比，Gemini与二者的差距正越拉越大。谷歌的问题并不只是投入规模过大，而是巨额投入没有形成相应的技术回报。

本来，作为多元化巨头，如果其他业务运作良好，即使AI业务十分“烧钱”，谷歌也可以覆盖这笔开支。但不巧的是，谷歌的基本盘同样出现了问题。在广告业务上，受生成式AI分流影响，谷歌搜索广告流量增速逐步放缓。为了逆转这一局面，谷歌将生成式AI与搜索整合，推出了“搜索生成体验”（SearchGenerativeExperience，简称SGE），试图提升流量并拉动广告营收。但实践证明，SGE并未显著增加广告收入，反而大幅提升了算力成本。

与此同时，谷歌云业务增速持续低于微软Azure，政企AI解决方案落地能力不足，也导致大客户流失。Waymo自动驾驶等创新业务则长期亏损，无法实现规模化盈利，持续消耗集团现金流。多重压力叠加之下，谷歌陷入“投入扩张、利润收缩”的经营状态。虽然营收增幅依然可观，但难以跟上AI开支的膨胀速度，自由现金流的下滑已经说明了问题。

比业绩困境更致命的，是顶级科研人才的成建制流失。2026年谷歌的人才流失并非普通员工的正常流动，而是核心技术圈层的整体性断裂。Trans－former初代团队全员离场，AlphaFold诺奖级科研团队解体，Gemini核心研发骨干批量跳槽至Anthropic、OpenAI等直接竞品。谷歌损失的不只是执行层员工，而是决定其AI技术高度、影响未来技术方向的顶层创新者。虽然其工程、运营与商业化团队依然强大，可以维持现有技术体系迭代，但原创能力已经受到明显削弱。

二、巨头何病？

谷歌的危机并非个案，而是全球AI大厂正在面临的共同问题。根据DINQLabs的统计，2025—2026年间，全球头部AI大厂核心研发人才的两年流失率普遍突破25%，AIGC核心岗位年度离职率升至28%，远高于传统互联网行业均值。硅谷头部AI机构的人才留存率分化也十分明显：谷歌Deep－Mind核心人才两年留存率为78%，OpenAI为67%，Meta低至64%；反观Anthropic、DeepSeek等新锐企业，核心团队留存率稳定在80%以上，部分优质初创企业的核心人才离职率甚至低至3.7%。

这些人才数据的强烈反差，直观地印证了一个事实：大厂困境早已超越单一企业的经营问题，成为席卷全球AI产业的普遍性危机。

那么，究竟是什么因素导致了这一轮大厂危机呢？最直观的解释是，全行业内卷引发了投入异化。随着通用人工智能赛道竞争进入白热化，头部企业为守住市场身位、追赶迭代节奏，被迫卷入无休止的算力军备竞赛。在“不跟进即出局”的压力下，没有任何一家巨头敢停下投入。一旦缩减算力、削减研发开支，就可能在模型迭代和技术落地中被竞品超越。

这种被动内卷让整个AI行业陷入集体烧钱的怪圈：算力采购、芯片自研、数据标注和模型训练的成本不断攀升，营收增长无法覆盖资本开支扩张，最终形成“利润被算力投入侵蚀”的普遍困境。AI巨头看似收入可观，但大部分利润流向了英伟达、美光等上游“卖铲人”。对资本市场而言，AI行业正在从“高增长、高回报的创新赛道”，变成“高投入、低效率、高度不确定”的重资产赛道。

不过，算力内卷以及由此引发的利润下滑和人才流失，只是AI大厂病的外在表现。深入其内部，至少还可以看到四种“病”。

第一种是“算力官僚病”，即将核心生产资料行政化，扼杀科研试错空间。

传统互联网时代，企业的核心生产资料是资金、流量与渠道；到了AI时代，算力与数据成为科研创新的基础。不同于初创企业扁平化、灵活化的资源调配机制，谷歌等巨头将行政层级和管理制度深度嵌入算力分配体系，使核心创新资源官僚化、层级化。

例如，在谷歌内部，算力配额由高层统一管控、跨部门调配，核心科研团队的训练资源随时可能被优先级更高的项目征用，长期研发节奏也可能被行政决策打断。顶尖研究员需要花费大量时间汇报、审批和争取资源，而不是专注于模型迭代与基础研究。

AI科研本身是高度不确定的试错过程，需要灵活的资源支持、宽松的容错空间和长期稳定的研发环境，而算力官僚化则剥夺了基础创新的生存土壤，让科研人员只能做稳妥、安全、短期可见成果的微迭代，逐渐放弃高风险、高价值、颠覆性的原创探索。

第二种是“战略摇摆病”，即短期商业化KPI绑架长期颠覆性研究。

短期资本市场诉求与长期科研创新规律经常冲突，AI巨头为兼顾两者，普遍存在战略反复、路线摇摆的问题。复盘谷歌AI发展历程可以看到，谢尔盖·布林（SergeyBrin）领导的研发团队与DeepMind团队不断分合，组织架构频繁调整。Gemini的产品定位也反复切换，时而对标消费级ChatGPT，时而聚焦企业级科研服务。至于模型究竟开源还是闭源，也始终摇摆不定。

所有这些战略摇摆，根本上都是巨头过度追求短期商业收益、迎合资本市场预期造成的。在财报压力、营收KPI和市值管理的多重约束下，企业管理层天然倾向于见效快、收益稳、风险低的商业化项目，而会主动放弃周期长、投入大、不确定性高、具有行业颠覆性的基础研究。久而久之，巨头便会丧失进行颠覆性创新的战略耐心，陷入同质化迭代和内卷式竞争。

第三种是“组织内耗病”，即资源冗余引发内卷，创新效率系统性下滑。

在传统认知中，资金、人才和算力充沛，是企业的核心优势。但在AI巨头体系内，资源过剩反而可能成为创新的枷锁。比如，谷歌内部盛行多团队平行竞赛，让多个团队同步研发同类模型、攻坚同类技术。这种“赛马”机制虽然可以激励研发人员，却也可能造成重复研发、资源浪费和人力内耗。

与此同时，部门壁垒森严，数据、技术和算力无法高效流通，优质科研成果被存量业务压制，无法落地转化。资源冗余带来的最大问题，是用内卷替代创新。当企业拥有充足算力、资金和人才时，团队不再追求技术突破，而是推崇“力大砖飞”，强调通过堆叠资源、扩大投入和增加人力来完成KPI。由此，创新不再是“突破边界”，而变成了“完成指标”，组织效率和研发转化率持续走低。

第四种是“激励错位病”，即创新价值分配失衡，导致进取精神流失。

AI顶尖科研人才的核心诉求，不只是薪资回报，还包括科研自主权、成果主导权、创新成就感与价值认同感。固定薪资、稳定股权的激励模式，难以匹配AI创新带来的爆发式价值，也让科研人员无法充分分享创新成果的长期收益。在谷歌等巨头体系内，顶尖科学家逐渐从“创新创业者”变成“职业化打工人”。与此同时，层级固化、层层审批和严苛的合规管控，也使他们丧失创新主导权。

优秀的技术构想随时可能被管理层否决、搁置或修改。财富回报的不匹配，以及职业成就感的缺失，共同造成了巨头内部创新热情的持续消退。这一点，是造成其创新能力衰退的重要原因。

这些大厂病是否具有必然性？在某种意义上，答案是肯定的。熊彼特在《资本主义、社会主义与民主》中指出，当企业发展到一定规模后，出于管理需要，必然要建立官僚化体系。但这种体系往往会扼杀创业初期的试错勇气与创新活力，让企业从行业颠覆者变成旧秩序的维护者。

克里斯坦森在《创新者的窘境》中则从另一个角度解释了大企业的僵化。他指出，成熟企业为了维持短期高利润、服务主流市场，会主动放弃高风险、长周期的颠覆性创新，从而给新兴企业留下市场空间。最终，新兴企业可能通过开辟新赛道，以弱胜强，实现对旧巨头的超越。

企业史表明，这两种病因普遍存在，也解释了为什么多数企业在做大后难以避免走向衰落。相较于互联网、软件、硬件等传统科技行业，AI产业的特殊性还会让大厂病变得更严重。

首先，AI创新高度依赖不确定性试错，基础模型迭代、新算法探索和范式革新都没有固定流程，也难以用KPI量化，对容错率要求极高。而AI大厂普遍建立官僚化管理体系，强调标准化、流程化和管控化，这与AI创新的要求背道而驰。

其次，AI技术研发中的资源需求随时变化，只有及时适应，创新才可能取得成果。但在AI大厂中，算力、数据和人才等关键资源依赖行政化分配和层级化管控，很难跟上需求变化。

再次，AI技术迭代以月为单位，远快于传统科技行业以年为单位的周期，组织官僚化、战略摇摆和资源内耗的负面效应可能即时显现，技术研发的长期布局也可能随时遭到破坏。

最后，AI顶尖人才具有高度自主、高认知水平和高流动性的特质，很难满足于大厂雇佣制体系，更追求科研自主权与创新价值的对等分配。传统大厂的层级管理和固定激励体系，很难适配这类人才的诉求。

三、祛病之策

通过以上分析可以看到，AI巨头的内卷、亏损、人才流失和创新停滞，并非单一经营问题，而是组织、资源、激励和战略的系统性失灵。降本增效、招人留人、算力扩容等表层对策很难根治病灶，唯有从根本上改革，才能跳出创新死亡循环。

第一，应进行制度重构，建立科研与商业化的隔离机制，破解存量业务枷锁。

大企业最大的创新桎梏，是短期商业化诉求压倒长期基础研究，这也是克里斯坦森所说的创新者窘境的核心。因此，AI巨头要走出困境，就必须切割存量盈利业务与前沿科研体系，避免让短期KPI、财报压力和客户需求绑架颠覆性创新。

与此同时，要建立完全独立的基础科研院，实行独立预算、独立人事、独立算力池和独立考核体系。科研团队不以营收、落地场景和短期收益为评价标准，而应以技术范式突破、原创理论创新和模型能力跃迁为核心指标。此外，还要设立专项创新容错机制，对基础研究的试错失败、长线项目亏损予以制度豁免，从根源上解决巨头“只敢微迭代、不敢大突破”的保守弊病。

第二，应推进组织去官僚化，精简行政层级，恢复内部创新活力。

针对AI巨头算力行政化、审批冗余和团队内耗等问题，必须打破科研体系的行政壁垒。一方面，要推行算力主权机制，废除高层随意划转、跨部门挪用算力的制度，为核心科研团队配置稳定、自主支配的算力资源，由一线研究员主导实验立项、迭代试错和资源调配。

另一方面，要精简冗余中层和审批环节，建立技术问题由技术人员决策、商业问题由商业人员决策的分离机制，减少行政人员对技术路线、科研选题和模型迭代的干预。同时，清理内部同质化赛马和重复研发项目，整合人才与算力资源，破解“资源越多、效率越低”的资源诅咒。

第三，要革新人才机制，从雇佣制转向创新合伙制，缓解核心人才流失。

当前巨头人才批量出走的核心原因，是创新收益分配失衡和科研自主权缺失。对此，巨头需要改变传统雇佣模式，建立适配AI科研人才的合伙机制。一是推行科研成果与股权绑定制度，设立长期创新股权池，让核心研究员分享技术成果的长期商业收益，缩小与初创企业原始股权之间的激励差距。二是充分下放项目主权，让顶尖科学家拥有项目立项、团队组建和技术路线选择的自主权。三是实行分层差异化考核，基础科研团队重原创突破和长期积累，工程落地团队重商业化效率和场景落地，避免用单一商业化KPI约束科研人才。

第四，要进行战略纠偏，终结无效算力内卷，回归技术范式创新。

利润被算力持续侵蚀，根源在于巨头战略被动跟风，只能依靠资本堆叠维持行业身位。破局的关键是主动去军备化、去内卷化。企业应收缩单纯追求规模、依靠资源堆砌的无效算力资本开支，削减参数堆叠、场景复刻等低价值投入，将核心资源集中投向AI新架构、基础理论、通用推理和前沿算法等颠覆性赛道，用技术范式突破替代资源内卷。

同时，巨头还应盘活存量基础设施优势，开放算力、数据和云服务能力，从亲自下场进行全赛道内卷，转向赋能全行业创新，构建“基建托底、前沿突破”的发展模式，以平衡投入与收益，破解增收不增利的困境。

不过，说起来容易，做起来难。理论上指出AI大厂的困境及其破解之道并不困难，但这些对策能否落实，很大程度上取决于决策者的执行力，而这一点存在相当大的不确定性。

四、破局之机

虽然“AI大厂病”可能降低巨头的创新能力，但如果将眼光放宽到整个AI行业，它反而可能成为重构竞争逻辑、推动产业进入新演化阶段的动力。

首先，它可能改变行业的人才格局，推动AI人才与技术的优化配置。所谓“一鲸落，万物生”，新兴创新主体的成长，往往有赖于过往巨头的资源滋养。从商业史看，很多优秀企业都曾积累大量人才和技术。虽然它们后来在竞争中逐渐出局，但这些人才和技术却成为推动行业发展的力量。

20世纪70年代，复印机巨头施乐旗下的帕洛阿尔托研究中心曾开发出大量新奇技术。尽管这些技术没有转化为帮助施乐巩固市场地位的优势，却滋养了苹果、微软等后来的科技巨头。

过去十年，AI行业呈现大厂虹吸人才的格局，顶尖科研人员纷纷投奔谷歌、微软等巨头，追求优质资源与稳定平台。这虽然推动了巨头的技术进步，却也让许多技术长期封闭在其内部。随着大厂病爆发，人才流向开始逆转。初创企业可以凭借灵活机制、股权激励、科研自由和专注赛道等优势吸引核心人才。这样一来，巨头就可能从行业“抽水机”变成“黄埔军校”，其培养的科研力量和沉淀的技术经验，最终服务于新的颠覆性创新主体。

其次，它可能重塑行业竞争逻辑，让组织效率取代资本规模，成为AI赛道的核心壁垒。传统互联网与早期AI赛道的竞争，核心是规模、资本、算力和数据的比拼，巨头凭借体量优势便可碾压初创企业。

但当下AI竞争早已不再只是“谁更有钱、谁的算力更多”，而是“谁的组织更灵活、谁的试错更自由、谁的战略更专注、谁的激励更到位”。轻量化小团队可以避开体制内耗、资源内卷和KPI束缚，聚焦单一技术赛道持续深耕、快速试错；臃肿的巨头团队则被官僚体系、存量业务和短期业绩束缚，资源投入巨大，创新效率却偏低。由此，效率战胜规模、灵活性战胜体量，可能成为AI行业新的竞争法则。

再次，它有望促成行业创新模式分层，形成“巨头守成、初创颠覆”的产业格局。

当前AI大战中，无论巨头还是初创企业，都在多个战场上混战，加剧了内卷和资源浪费。如果深陷创新窘境的AI巨头权衡利弊后，放弃部分高风险颠覆性创新，退守安全、稳定、可落地的存量赛道，转而专注算力基建、云服务、商业化落地和模型优化等维持性创新，转型为AI产业的基础设施服务商，情况就可能发生变化。

此时，没有存量包袱的初创企业将成为颠覆性创新的主要承担者和技术升级的核心力量，而巨头则负责基础设施托底与商业化落地。这种新的分工将使两类主体的比较优势得到更好的发挥，行业的创新活力也可能因此被重新激活。