Gemini Enterprise 增长 40% 与每分钟 160 亿 Tokens：Google 如何用“生成式开发 + Agent 化工作流”重塑 AI 使用曲线

当大模型从“可用”进入“高频使用”阶段，衡量竞争力的指标正在发生变化：不再只是参数规模或 benchmark，而是真实使用强度与开发渗透率。最新披露的数据给出了一个清晰信号——企业级 AI 正在跨过临界点。

核心信息包括：

• Gemini Enterprise 第一季度付费 MAU 环比增长 40%
• 内部新代码中约 75% 由 AI 生成
• Google Cloud AI 使用量达到每分钟 160 亿 tokens

这些数字背后，反映的是从模型能力到工程体系的一次跃迁。

使用曲线拐点：从“尝试 AI”到“依赖 AI”

Gemini Enterprise 的 40% 环比增长，本质上不是单一产品的成功，而是企业使用范式的变化：

• 从零散试用（ad-hoc usage）转向嵌入式使用（embedded usage）
• 从“人调用模型”转向“工作流依赖模型”
• 从单点工具（如写作辅助）扩展到跨系统任务执行

这类增长通常意味着一个关键转折：AI 已经成为生产系统的一部分，而非外部增强工具。

结合此前发布的 Workspace Intelligence，可以看到一个更完整的路径——通过统一上下文层 + Gemini 推理，将 AI 深度嵌入 Gmail、Docs、Sheets 等日常工具中，使调用行为“隐形化”。

75% AI 生成代码：软件工程范式正在重写

“75% 新代码由 AI 生成”这一数据，比表面更值得关注。

它并不意味着开发者被替代，而是说明：

• 代码生产从“手写优先”转向“生成优先 + 人类校验”
• 开发者角色从 coder 向 reviewer / orchestrator 转变
• 软件工程流程开始围绕 AI 重构

在工程实践中，这通常体现为：

• 使用 AI 生成初始函数或模块骨架
• 通过自然语言描述需求，而非直接编码
• 将 AI 纳入 CI/CD 流程（例如自动生成测试、修复 bug）

这种模式的关键不在生成本身，而在上下文质量：AI 是否理解代码库、依赖关系与历史变更。

这正是 Gemini 与 Workspace Intelligence 结合的价值——通过企业级上下文，让生成结果具备“代码库感知能力”。

每分钟 160 亿 Tokens：推理成为新的“基础设施负载”

Token 消耗速率是另一个更底层的信号。

达到每分钟 160 亿 tokens，意味着：

• 推理调用已经进入“持续高负载”状态
• AI 请求从离散事件变为流式流量（streaming workload）
• 基础设施必须支持高并发、低延迟与动态扩展

从系统设计角度看，这与传统 Web 服务有本质不同：

• 请求更长（长上下文、多轮推理）
• 计算更重（Transformer + MoE 推理）
• 状态更复杂（会话记忆、上下文检索）

这也是为什么 Google 同步推进 TPU v8（尤其是 TPU 8i）的原因——推理优化正在成为核心竞争点。

从 Token 到系统效率：AI 成本模型正在改变

高 token 消耗带来的直接问题是成本。

但值得注意的是，成本模型正在发生结构性变化：

• 单次调用成本下降（硬件与优化）
• 总调用次数暴涨（使用场景扩展）
• 单位业务价值提升（自动化程度更高）

这使得企业更关注“每个 token 的产出价值”，而不是单纯压低调用成本。

例如：

• 一个自动生成的报告可能消耗数万 tokens，但节省数小时人工
• 一个 Agent 自动完成任务编排，可替代多次人工操作

因此，优化方向从“减少调用”转向“提升调用效率”。

AI 工程栈的三层重构

将上述数据放在一起，可以看到一个逐渐清晰的技术栈演进：

1. 应用层：Agent 化工作流

AI 不再是 API，而是任务执行单元。开发者更关注：

• 如何定义任务
• 如何组织多步骤推理
• 如何与外部系统集成（如 CRM、项目管理工具）

2. 上下文层：企业知识与用户行为建模

Workspace Intelligence 代表的，是一个新的基础组件：

• 跨应用数据聚合
• 实时上下文检索
• 用户与组织级个性化建模

3. 基础设施层：推理优先的算力设计

TPU v8、MoE 优化、低延迟互连等技术，都是为了解决：

• 高并发推理
• 大上下文窗口
• 多租户隔离

一个值得警惕的趋势：AI 使用的“不可见化”

随着 AI 深度嵌入工作流，一个潜在变化正在发生：

用户可能不再意识到自己在“使用 AI”。

例如：

• 自动生成邮件回复
• 自动整理会议纪要
• 自动更新文档或数据表

这带来两个值得关注的问题：

• 可控性下降：用户难以判断哪些内容由 AI 生成
• 错误传播风险：错误可能在多个系统中被自动扩散

因此，如何在“无感使用”与“可审计性”之间取得平衡，将成为下一阶段的重要议题。

结语：从模型竞争到使用密度竞争

Gemini Enterprise 的增长、代码生成比例以及 token 消耗，指向同一个结论：

AI 的竞争，正在从“谁的模型更强”，转向“谁的使用更深、更广、更高频”。

在这一阶段，决定胜负的因素包括：

• 上下文整合能力
• Agent 编排能力
• 推理基础设施效率

当每分钟 160 亿 tokens 成为常态，AI 不再是“智能插件”，而是数字基础设施的一部分。而真正的挑战，也从训练模型，转向如何让模型高效、安全、持续地参与现实世界的工作流。