Alphabet Inc. (GOOG/GOOGL) 股价表现与分析师背景 - 自上次分析（基于第四季度财报）以来，公司股价经历下跌但已完全恢复并实现上涨 [1] - 文章作者为一名拥有广泛金融市场经验的股票研究分析师，覆盖巴西及全球股票，其分析方法以基本面为主，专注于识别具有增长潜力的低估股票 [1] 分析师持仓与文章性质 - 分析师通过股票持有、期权或其他衍生工具对公司股票持有有益的多头头寸 [1] - 文章表达分析师个人观点，且未因撰写此文获得除Seeking Alpha平台外的任何报酬 [1] - 分析师与文中提及的任何公司均无业务关系 [1]

从 TPU 8 看光互连、存储和 CPU 变化 glmszqdatemark [Table_Author] 执业证书：S0590525110014 执业证书：S0590525110016 执业证书：S0590525120005 邮箱：kongrong@glms.com.cn 邮箱：fanchenganji@glms.com.cn 邮箱：zhaorong@glms.com.cn 分析师：孔蓉 分析师：樊程安吉 分析师：赵融 谷歌（GOOG.O）公司点评 1）增加 SparseCore、优化 VPU scaling、引入 FP4。SC 专用于嵌入查找（embedding lookup），分担 集合操作，消除通用芯片的零操作瓶颈；优化 VPU scaling，使 Softmax、Layernorm 与 MXU 矩阵乘法 重叠执行，最大化 FLOPs 利用率；引入 FP4，维持精度的同时使 MXU 吞吐量翻倍。 2）引入 Virgo 网络并扩大集群规模。引入 Virgo (Scale-out fabric)，DCN 训练带宽提升 4 倍。结构扁 平化：基于高基数交换机的双层非阻塞拓扑极大缩减层级与延迟。更大规模与更高 ...

报告行业投资评级 * 报告未对特定行业或公司给出明确的投资评级（如“优于大市”、“中性”等）[1][6][34][35][36][37] 报告核心观点 * Google Cloud Next 2026大会的核心叙事是Google致力于将AI Agent打造为企业级操作系统[1][17] * 此次大会本质上是“控制平面”之争，当大部分公司还在销售“副驾驶”时，Google已经在定义“副驾驶”之后的产品形态[8][26] * Google展示了其在AI全栈布局上的独特优势：自研芯片、自研模型、自研平台、自建生态以及收购整合，这是其与AWS和Azure最本质的区别[8][27] 根据相关目录分别总结 Google战略与资本投入 * 2026年Google资本支出计划为1750亿至1850亿美元，相比四年前的310亿美元增长了近6倍，显示出对AI基础设施的巨大押注[1][17] * Google内部75%的新代码已由AI生成，表明AI已深度融入其核心运营[1][17] TPU v8芯片发布与供应链 * 第八代TPU实现了历史性的“训推分离”，首次拆分为两颗完全独立的芯片：TPU 8t（训练）和TPU 8i（推理）[2][7][18] * **TPU 8t（训练芯片）**：单集群可扩展至9600枚芯片，算力达121 ExaFLOPS，是上一代的近3倍，配备2PB共享高带宽内存，并采用OCS光路交换技术实现故障自动恢复[7][9][19] * **TPU 8i（推理芯片）**：片上SRAM扩大至384MB（上代的3倍），性价比提升80%，延迟再降5倍，设计目标是实现近零延迟以支持数百万并发Agent[7][10][20] * 供应链呈现多元化：训练芯片由博通设计，推理芯片由联发科设计，英特尔、Marvell和台积电参与制造，这构建了一个多供应商定制芯片生态，对英伟达的GPU主导地位构成长期结构性挑战[3][21] * 配套的Virgo网络将134,000颗芯片串联，提供47 Pb/s的无阻塞带宽[3][21] Gemini模型与AI Agent平台 * Gemini模型客户API调用量达到每分钟160亿token，上一季度为100亿[1][17] * Gemini Enterprise付费月活跃用户数在2026年第一季度环比增长了40%[1][17] * Google推出了Gemini Enterprise Agent Platform，旨在解决从“构建Agent”到“管理数千个Agent”的问题[3][22] * 平台包含四件套：用自然语言构建Agent的Agent Studio、索引组织内所有Agent和工具的Agent Registry、部署合作伙伴专业Agent的Agent Marketplace、以及为GCP和Workspace服务暴露模块化Skill的Skills and Tools Registry[4][22] * 通过A2A等开放协议，Google实现了与ServiceNow、Salesforce等第三方Agent的互联互通，将自己定位为Agent生态的“万能插座”[4][22] 重要生态合作与收购 * **苹果合作**：苹果选择Google作为首选云服务提供商，双方基于Gemini共同开发下一代Apple基础模型以支撑新版Siri，据彭博报道合同金额约为每年10亿美元[4][23] * 若Gemini成功驱动覆盖15亿iOS日活用户的新版Siri，将为Google带来可观的推理侧token消耗和云收入增量[5][24] * **Wiz收购整合**：Google以320亿美元收购的Wiz首次深度亮相，推出了AI应用保护平台，并明智地决定让其继续覆盖AWS、Azure等多云环境，降低了企业客户的采购阻力[5][25] 行业竞争格局分析 * 报告指出，全行业只有Google在AI的每一层（芯片、模型、平台、生态）都拥有自己的产品[8][27] * 这与AWS（模型层依赖第三方）和Azure（芯片层依赖英伟达）形成了最本质的区别[8][27]

过去很长一段时间，外界习惯性地把谷歌放在追赶者的位置。 这个判断，正在失效。 把这两场大会放在一起看，会发现一个更关键的变化：这不是同一场竞争。 01 卖铲子的，和造工厂的 英伟达和谷歌，两场大会，两个人，说了同一个词。 3月16日，圣何塞，GTC 2026。黄仁勋把数据中心定义为"生产Token的工厂"，并给出一个惊人的判 断，到2027年，这个市场的需求规模至少1万亿美元。 4月22日，拉斯维加斯，Google Cloud Next 2026。桑达尔·皮查伊给出另一组数字：谷歌每分钟处理160 亿个token，上个季度还是100亿。今年资本开支1750亿到1850亿美元。 两个人都在谈Token。但一个在描述供给，一个在展示消耗。 理解这两家公司，先要看清它们各自在卖什么。 英伟达的产品，是生产资料。 GPU是通用算力，从OpenAI到Meta，从字节跳动到主权基金，几乎所有头部AI玩家，都在它的客户名 单里。 CUDA生态汇聚超600万全球开发者、900余个CUDA-X加速库，二十年持续迭代的生态飞轮，早已成为 AI时代算力底层的标准件。 黄仁勋那句判断很有代表性：即便竞争对手的架构是免费的，也未必足够 ...

核心观点 - 谷歌发布Gemma 4开源大模型与特斯拉AI5芯片流片完成，分别从软件和硬件层面为端侧AI产业提供了新的增量逻辑，标志着端侧AI产业的重要拐点 [1][2] - 端侧AI正在从单点突破走向生态竞争，头部企业在模型轻量化与端侧算力上的持续投入，正在降低终端部署门槛，为芯片、模组、终端及应用等产业链环节提供明确的技术路径与合作基础，AI端侧产业链有望持续受益 [2][8] 软件层面：谷歌Gemma 4模型发布 - 谷歌发布专为高级推理与智能体工作流打造的Gemma 4开源大模型，推出四种规格：高效20亿参数版（E2B）、高效40亿参数版（E4B）、260亿混合专家模型（MoE）与310亿稠密模型（31B） [2][3] - 310亿参数模型在行业标准Arena AI文本榜单中位列全球开源模型第三 [3][5] - E2B和E4B小模型可在手机、树莓派等端侧设备上完全离线、近零延迟运行；在Pixel手机和Raspberry Pi上，新模型的推理速度提升了4倍，电池消耗降低了60% [3][6] - 谷歌将Gemma 4全系迁移至商业友好的Apache 2.0协议，允许自由用于个人、商业和企业用途，无需支付版税，这降低了硬件厂商自研模型的门槛，可能催生大量端侧AI原生应用 [2][6] - Gemma 4的发布是端侧AI产业的重要拐点事件，其小模型在手机上实现了离线运行、接近零延迟响应且功耗较低，同时具备处理复杂推理任务的能力，使终端设备拥有了不依赖云端、可随时调用的高级智能 [2][6] 硬件层面：特斯拉AI5芯片进展 - 特斯拉已完成下一代AI5自动驾驶芯片的流片工作，该芯片部分场景性能较前代AI4提升40倍 [2][7] - AI5单芯片AI算力接近2500TOPS，内存容量达144GB；其中原始算力较前代提升8倍，内存容量提升9倍，芯片专门针对Transformer引擎优化 [7] - AI5将由三星、台积电分别在美国本土的工厂代工，预计2027年启动量产 [7] - AI5最初计划用于特斯拉无人出租车项目，目前主要应用场景包括擎天柱机器人、特斯拉超级计算机集群及自动驾驶系统 [7] - AI5流片的成功是端侧算力的重要进展，表明端侧算力正在成为海外科技巨头们的必争之地 [2][7]

关键要点总结 **涉及的行业与公司** * **行业**: 云计算、人工智能、企业软件、金融服务、零售、工业制造、航空航天、保险、医疗健康、媒体娱乐、电信、体育科技、房地产、专业服务[1][6][10][11][23][24] * **公司**: **Alphabet/谷歌云** (Google Cloud) 及其客户与合作伙伴，包括：苹果、维珍邮轮、利物浦、Signal Iduna、霍尼韦尔、NASA、City Wealth、博世、毕马威、默克、沃尔玛、联合利华、高露洁-棕榄、大韩航空、Compass房地产、YouTube TV、棒约翰、百思买、维珍媒体O2、美国临床肿瘤学会、Citadel Securities、Wiz、埃森哲、波士顿咨询、德勤、麦肯锡等[1][6][7][10][11][13][16][17][23][24][25][26] **核心产品与平台发布** * **Gemini 企业智能体平台**: 整合企业业务逻辑、数据与模型以驱动自主行动的环境，支持以严谨架构标准构建、规模化部署、治理和优化智能体[3] * **模型支持**: 开放预览Gemini 31 Pro (推理)、Gemini 31 Flash图像模型、VIO 31 Light视频模型、Lirium 3 Pro音频模型，并支持Anthropic模型如Claude Open 47[4] * **开发工具**: 提供低代码智能体工作室、智能体注册表、技能与工具注册表[4] * **生态系统**: 通过智能体市场提供Atlassian、Box、Oracle等合作伙伴的专业智能体，通过模型上下文协议连接任何MCP服务器[4] * **编排与安全**: 支持智能体间任务委派，提供智能体身份、代理网关、Model Armor等安全功能[4] * **可观测性**: 内置代理可观测性，通过OTel兼容遥测技术可视化执行路径[5] * **AI基础设施硬件**: 发布第八代TPU，分为两个专门平台 * **TPU AT (训练)**: 每个Pod计算性能较上一代提升近3倍，性能较Ironwood提升2.8倍，单个超级Pod提供2PB共享带宽内存[11][12] * **TPU AI (推理)**: 将延迟降低5倍，单个计算单元集成1,152个TPU，提供11.6 FP8艾级浮点运算能力，性能较搭载250个六芯片Ironwood的计算单元提升9.8倍[11][12] * **通用计算、网络与存储**: * **Google Axion N48** (ARM CPU): 与同类x86实例相比，性价比提升最高达2倍，每瓦性能提升80%[12] * **NVIDIA Vera Rubin NVL 72 GPU**: 谷歌云将成为首批提供商之一，性能效率可提升10倍[12] * **Manz Luster存储**: 支持高达每秒10太字节的吞吐量[12] * **Virgo网络**: 连接能力提升一倍，可连接13.4万个节点，提供高达每秒47拍比特的无阻塞带宽，支持单个集群中超过100万个TPU芯片或最多96万个GPU的算力[12] * **数据与AI创新**: * **知识目录**: 企业的通用上下文引擎，与BigQuery原生集成，通过Gemini自动提取非结构化数据中的实体、关系与语义[13][14] * **数据代理工具包**: 由Gemini驱动的数据科学创作体验，将AI技能库集成到开发者工作流，用户通过描述意图即可自主构建管道和部署模型[13][14] * **跨云湖仓解决方案**: 基于Apache Iceberg标准，提供与AWS和Azure的低延迟直接连接，数据无需迁移即可访问，由Lightning引擎驱动，性价比据称是市场同类专有方案的2倍[15][16] * **安全解决方案**: * **通用安全运营中心**: 原生支持Gemini，实现机器速度的安全响应[16] * **与Wiz合作的安全架构**: 应对AI时代四大安全挑战，Wiz的AI应用保护平台能自动构建动态资产清单，覆盖Gemini、Claude、OpenAI等多种模型及工具[17] * **客户体验解决方案**: * **面向客户体验的Gemini企业版**: 覆盖从发现到服务的客户全旅程解决方案，核心是智能体商务[18] * **CX Agent Studio**: 可视化构建器，提供对客服搭建流程的完全透明度和控制权[20] **商业化成效与客户案例** * **内部应用成效**: * **编码**: 约75%的新代码由AI生成并经工程师审核，较2025年秋季的50%有显著提升，复杂代码迁移工作速度提升6倍[1][3] * **营销**: 为Gemini和Chrome发布快速生成数千种创意资产变体，周转时间加快70%，转化率提升20%[3] * **安全运营**: AI每月自动分类处理数万份非结构化威胁报告，威胁缓解时间缩短超过90%[3] * **外部客户案例**: * **维珍邮轮**: 利用Gemini Enterprise推进Ruby项目，将生产周期缩短60%，月度销售额环比增长28%，并创下季度销售纪录[1][7] * **利物浦 (零售)**: 新的购物助手预计可带来10倍的投资回报[1][6] * **Signal Iduna (保险)**: Gemini Enterprise上线数周内员工使用率达到80%，已有11,000名员工利用该平台开发专业智能体[1][10] * **健康智能体开发商**: 利用工具自动验证复杂保单数据，实现周活跃用户增长400%，响应速度提升37%[10] * **毕马威**: 部署首月实现90%的使用率，推出超过100个智能体[10] * **Citadel Securities**: 利用TPU Ironwood将工作负载运行速度提升2至4倍，同时成本降低30%[1][13] * **维珍媒体O2**: 利用知识目录激活了超过2万个未被充分利用的数据资产[14] * **高露洁-棕榄**: 为34,000名员工部署Google Workspace，AI智能体帮助团队在几分钟内将数据转化为新产品概念[23] * **Nature公司**: 定制化智能体将数据驱动型报告的效率提升10倍[23] * **联合利华**: 与谷歌云合作构建多智能体竞争性采购解决方案，帮助采购人员在几分钟内完成传统方式需数天的分析和决策[25] **战略合作与生态建设** * **与苹果合作**: 成为苹果首选云服务提供商，基于Gemini技术共同开发下一代苹果基础模型，用于支持未来苹果智能功能，包括计划于2026年晚些时候推出的更具个性化的Siri[1][6] * **与Wiz合作**: 共同应对AI时代安全挑战，特别是针对“影子AI”等内部威胁，将Wiz的保护能力扩展至客户本地环境及所有主流云上的资产[1][17] * **生态系统**: 与埃森哲、波士顿咨询、德勤和麦肯锡等合作伙伴合作，这些伙伴已宣布大幅扩展其Google Gemini人工智能业务，同时通过Gemini企业智能体平台帮助ISV和SaaS公司转型[26] * **战略差异**: 谷歌云强调AI未来必须是开放的，区别于“围墙花园”模式，提供一体化技术栈的同时赋予用户选择芯片、模型的自由，并允许在数据所在任何位置运行AI[26] **其他重要内容** * **资本支出计划**: 2022年资本支出为310亿美元，计划在2026年将总资本支出提升至1,750亿至1,850亿美元，四年间增长近六倍，预计到2026年超过半数的机器学习算力将投入云业务[2] * **Agenti 蓝图**: 企业转型框架，包含五个核心部分：AI超级计算机、Agenti数据云、Agenti Defense、Gemini企业智能体平台、Agenty任务团队[27] * **Workspace Intelligence**: 在Workspace套件中构建统一智能层，消除上下文碎片化，例如在Google Chat中提示最重要事项，或交叉引用多源数据自动生成Google Slides演示文稿[22] * **迁移解决方案**: 新的迁移与互操作性增强功能，将整个组织从Microsoft 365迁移至Google Workspace的速度提升至原来的5倍[24] * **AI在体育领域的应用**: 与肖恩·怀特合作，利用3D模型从二维视频中追踪运动员动作并生成3D姿态，通过Gemini提供飞行动态统计数据，帮助分析改进技术[11] * **安全威胁应对**: 安全运营中心的分诊代理将原需30分钟的调查缩短至60秒内，威胁狩猎与检测代理能主动扫描环境识别风险，系统能以98%的准确率识别外部威胁，应对当前漏洞利用时间平均降至-7天、初始访问交接时间缩短至22秒的挑战[16]

文章核心观点 - Google Cloud通过一场马拉松规划与模拟的演示，系统性地展示了其构建企业级多智能体（Agent）平台所需的全套基础设施与工程范式，旨在解决将AI智能体从概念验证（Demo）落地到复杂生产环境时所面临的核心工程挑战[59] - 公司认为，软件开发正从传统的“Cloud Native”工程范式向“Agent Native”或“驾驭工程（Harness Engineering）”范式转变，其核心是为能够自主决策、协同工作的智能体网络提供生产级的管理、编排、观测与安全能力[60][61] 平台架构与核心组件 - Google Cloud为企业级智能体平台提供了一张完整的架构图，涵盖从开发套件（ADK）、运行时（Agent Runtime）、注册表（Agent Registry）到可观测性（Agent Observability）和安全网关（Agent Gateway）等模块[8][9] - 模型上下文协议（MCP）作为关键标准，使平台能够为智能体与外部工具（如Google Maps）建立安全的标准化连接，极大简化了集成工作[9][15] - 智能体注册表（Agent Registry）充当多智能体网络的“DNS解析中心”，智能体通过暴露“智能体卡片”声明能力，并通过A2A协议自动发现和对话，从而将系统内部耦合度降至最低[24][26] 智能体开发与协作模式 - 开发模式从编写线性逻辑转变为定义模块化的“技能”，并通过智能体设计器进行配置，例如为规划师智能体挂载地图技能、GIS技能和从历史文档转化的“赛事总监技能”[15][16] - 面对复杂任务，应采用多智能体协同架构，将单体应用拆解为各司其职的智能体团队，例如演示中构建了规划师、评估师和模拟器三个独立智能体进行分工协作[19][20][21] - 评估师智能体职责纯粹，仅对规划师的结果进行严苛打分；模拟器智能体则利用Gemini Deep Research学习到的现实世界人类跑步行为模式，在沙盒中生成成千上万个独立的跑者会话来模拟交通影响[23] 状态、记忆与知识管理 - 通过引入“智能体平台会话”和全托管的“记忆库”服务，解决了智能体像“金鱼”一样每次对话失忆的问题，使智能体能在时间轴上保持状态并积累结构化的长期经验[30][33] - 通过数据工程智能体自动处理非结构化地方法规文档，并利用AlloyDB数据库的内置自动嵌入功能生成向量，构建了完整的RAG闭环，使智能体具备了精准的地方性知识[34][36][37] 运维、排障与基础设施自治 - 当多智能体系统因复杂级联调用崩溃时，传统的单步调试失效，需依赖“智能体可观测性”控制台进行链路追踪，并借助“Gemini Cloud Assist”这类诊断智能体进行根因分析[39][41][42] - Cloud Assist不仅能诊断出应用层问题（如因未及时压缩事件导致上下文Token超过100万个限制），还能直接在IDE中提供带修复参数的代码差异对比视图，并自动提交触发CI/CD流程[42][43][45] - 智能体的能力可超越应用层，直接重构底层基础设施，例如通过自然语言指令，让Cloud Assist将服务从Cloud Run迁移至GKE，并自动优化存储方案和模型推理服务器配置[49][50][52] 低代码集成与跨团队协作 - 平台通过统一的Agent Registry，打破了高代码（开发者用Python编写）与无代码（业务人员通过自然语言生成）智能体之间的壁垒，使它们能基于暴露的能力接口在同一网络中协同工作[54][57][58] - 演示中，用无代码方式生成的“供应链智能体”与高代码开发的“规划师智能体”通过相互@调用，共同制定出了包含物资放置点的最终计划，实现了业务与工程团队的高效协作[57][58] 工程范式转变的意义 - 公司指出，依赖手写胶水代码、硬编码API对接、在Prompt中强塞历史记录的“小作坊时代”即将过去，开发者需要从“实现者”转变为“编排者”[26][61] - 通过提供完整的智能体家族产品，Google Cloud将“驾驭工程”从概念框架转化为一套可产品化的工程实践，旨在实现“知道、行动、反馈”的闭环，为开发者构建下一代复杂AI系统提供了底座和脚手架[60][61][62]

AI算力需求结构向推理侧迁移 - 市场共识认为AI推理的转折点已至，英伟达CEO黄仁勋预测AI推理的规模很快将达到训练负载的十亿倍[1] - AI推理芯片企业曦望董事长预计，2026年AI推理计算需求将达到训练需求的4—5倍，推理算力租赁价格半年涨幅近40%[1] - IDC预计到2028年，推理工作负载占比将达到73%，智能体应用规模化将推动算力需求进一步向推理侧迁移[1] - 头部厂商动作表明，AI算力重心已从训练逐步切换至推理，国产算力厂商正加大押注力度[1] AI推理的技术特征与市场要求 - AI推理是持续性、碎片化的运营支出，对时延、并发和单位Token成本敏感，与传统批量化的训练不同[2] - 智能体应用需要多轮推理和长上下文记忆，单个任务消耗的Token数量可能是传统对话的数十倍[2] - 目前多数推理任务仍由CPU承担，GPU虽快但主要用于训练，推理算力需求更少但需要更多内存以避免瓶颈[2] - 不同应用场景对推理时延要求差异大，游戏用户期望15毫秒首Token时延，电商约20毫秒，智能体自助服务约50毫秒，客服机器人约100毫秒[3] - 时延的差异化要求意味着单一通用推理芯片难以覆盖全部负载，硬件厂商需在吞吐、时延、成本间取舍[3] 行业定价趋势与竞争格局 - 英伟达CEO黄仁勋认为推理Token价值已显著抬升，市场具备按响应速度分层定价的条件，高价值用户愿为更低延迟付费[3] - 英伟达将Groq纳入CUDA生态，开辟响应更快但吞吐量较低的推理细分市场，以覆盖对速度敏感的高端需求[3] - 云服务进入涨价周期，算力资源稀缺性强化，国产模型与国产硬件协同优化持续推进，国产加速卡与超节点方案进入密集落地阶段[3] 国际巨头产品战略动向 - 谷歌在Google Cloud Next26大会上发布第八代TPU新品，首次按训练/推理拆分架构，推出面向推理的TPU 8i[4] - TPU 8i瞄准AI实时推理需求，发力多智能体协同等复杂场景，通过优化内存配置与片内数据吞吐降低延迟[5] - 谷歌称TPU 8i在推理环节的性价比提升了近80%，同等算力成本下可支撑更大规模的AI并发调用[5] - 谷歌云高管指出，芯片根据训练和服务需求进行个性化定制将使整个社区受益[5] 国产算力厂商发展现状与技术路线 - 中国AI训练与推理需求爆发式增长，全国算力总量已跃居全球第二，全球占比超过30%[5] - 以华为昇腾、寒武纪思元系列为代表的国产AI芯片正加速崛起，行业地位持续攀升[5] - 华为在推理产品上体现Prefill（预填充）－Decode（解码）分离思路[6] - 寒武纪强调训练与推理一体化的架构与生态，其第五代MLUarch微架构的7nm思元590芯片集群FP16算力达2.048 PFLOPS，支持Chiplet异构集成与8卡互联[6] - 寒武纪技术路线的关键支点包括自研指令集（已迭代至第四代，同一套指令集支持训练和推理）以及训推一体的软件平台Cambricon Neuware[6] - 思元590已在互联网大厂的千卡级集群中商用部署[6] 国产厂商的差异化布局与生态挑战 - 除华为和寒武纪外，摩尔线程等公司围绕通用GPU路线推进，在推理场景重点突破多卡互联和软件工具链技术瓶颈[7] - 曦望等AI芯片企业瞄准推荐系统、长上下文推理、端侧部署等细分场景，试图在巨头主导的通用市场外寻找机会[7] - 关键挑战在于生态，英伟达CUDA已构建完整体系，是其最深的护城河[7] - 华为宣布CANN编译器和Mind系列套件将于2025年底前完成开源，寒武纪持续开放NeuWare工具链，意图降低开发者迁移门槛[7]

公司财报与市场预期 - Alphabet (GOOGL) 的下一次财报发布日期为2026年4月29日，市场预期很高 [1] - 投资者关注的核心问题之一是如何评估该公司在特定时期内维持领导地位的成本 [1] 分析师背景与研究方法 - 分析师自2011年开始投资生涯，兼具投资顾问和活跃日内交易者角色 [1] - 分析方法结合经济学知识、基本面投资分析和技术交易，旨在最大化回报 [1] - 分析内容提供清晰、可操作的投资建议，旨在构建平衡的美国证券投资组合 [1] - 分析方法结合宏观经济分析和直接的现实交易经验 [1] - 分析师拥有金融和经济学双学位，但主要专业能力来自管理和交易的积极实践 [1] - 分析目标是在美国市场识别最具盈利能力和被低估的投资机会，以构建高收益的平衡投资组合 [1]

Alphabet (NasdaqGS:GOOG) 2026 Conference April 23, 2026 01:30 PM ET Speaker2 All right. Good morning. Welcome to the Developer Keynote. We have an exciting show for you today. Yesterday, we introduced the Gemini Enterprise Agent Platform. It allows you to build autonomous agents that proactively help users and complete tasks independently. Today, we show you how to use our agent platform to build production-ready agents. Our agent platform is powered by the state-of-the-art Gemini models, which include both ...