Google I/O 2026 全面回顧 — Samuel6788 重點整理

Google AI 規模突破：Token處理量與CapEx雙爆發

—月處理token量從480兆（2025年I/O時）跳升至3.2千兆（7倍增幅）。2022年CapEx 310億，2026年預計1800-1900億，約6倍增幅。開發者端：850萬+開發者每月使用Google模型、API每分鐘處理190億tokens，超過375家客戶各自12個月處理逾1兆tokens。用戶端：AI Overviews月活25億，AI Mode推出一年破10億月活，Gemini應用月活從4億升至9億。Google目前有13個月活超10億的產品，其中5個超30億。

$GOOG 中期

月token處理量7倍增幅、CapEx達2022年的6倍、AI Mode一年達10億月活——這些指標展示了Google在AI應用層與基礎設施上的巨大規模優勢，但文章為中性事實整理，未給出明確方向判斷。Google的多端AI滲透（從搜尋到眼鏡到Agent）規模無庸置疑，但能否將規模優勢轉化為商業模式，是觀察的下一步

AI算力 ↑看多中期

Google 2026年CapEx預計1800-1900億美元（較2022年的310億增幅約6倍）、TPU 8採訓練/推理雙晶片專用化——這是AI基礎設施投資進入更成熟分工的新階段。訓練與推理晶片分工代表AI基礎設施已從單一全能晶片走向專用優化，大幅提升各環節效率的同時也意味著整體投資總量的持續增加

TPU 8雙晶片策略：訓練與推理專用化

—Google首次發布雙晶片TPU策略：TPU 8t（訓練）與TPU 8i（推理）分離。TPU 8t用於大規模預訓練，原始算力約上一代三倍，結合JAX+Pathways支援跨多個資料中心分散式訓練，全球TPU超過100萬顆形成最大規模訓練叢集，模型訓練時間從數月縮短至數週。TPU 8i專為推理速度優化。兩款晶片能源效率均約前代兩倍。

先進製程中期

Google TPU 8採訓練/推理分離策略，意味著從通用AI晶片走向用途特化設計——這是繼Nvidia設立推理優化版本以來，最大型AI計算廠商對訓練推理分離的正式宣示。訓練推理分工不只是設計效率，更是AI資本投資週期從粗放走向精細化的訊號

Gemini 3.5系列與Antigravity 2.0 Agent平台

—Gemini 3.5 Flash：在Terminal-Bench 2.1（76.2%）、GDPval-AA（1656 Elo）、MCP Atlas（83.6%）、CharXiv Reasoning（84.2%）等基準跑贏前沿模型，速度為其他前沿模型4倍，成本低於同級模型一半；3.5 Pro月底對外發布。Gemini Omni多模態世界模型可接受任意模態輸入輸出（初始主要輸出影片），初測指其影片效果目前遜於Seedance 2.0。Antigravity 2.0從AI程式環境擴展為完整Agent開發管理平台，使用優化Flash，速度較其他前沿模型快12倍。

AI應用 ↑看多短期

Gemini 3.5 Flash以一半成本的同級前沿性能、加上Google的成本效益計算（企業省10億/年），標誌著AI模型成本下降的速度開始真正影響企業採購決策。AI模型的性價比門檻快速降低，正從算力競賽轉向應用落地競賽，Google在這一波的部署速度是觀察指標

Gemini Spark個人AI Agent與搜尋Agent化

—Gemini Spark：運行於Google Cloud專屬VM，7x24持續運作，由Gemini 3.5+Antigravity驅動，初期整合Google工具，未來透過MCP整合第三方工具；Beta版下週向美國Google AI Ultra訂閱者推出。搜尋Agent化三方向：① 資訊Agent（背景持續尋找資訊）；② 生成式UI（為每個問題動態生成定制化介面）；③ 持久化看板（長期任務追蹤）。今年夏天向Pro/Ultra訂閱者推出。智能眼鏡分音訊版（今年秋天）與顯示版兩款，Gemini for Science整合30+生命科學資料庫。