先聊聊这次大会上透露的一个关键观点：Google Cloud 的数据业务负责人 Andi Gutmans 在接受采访时，直接点明了自家在 AI 竞争中的结构性优势——全栈一体化。

“说实话，放眼整个行业，能够将云计算基础设施、前沿 AI 模型与数据平台整合在同一套体系内，目前确实只有我们一家。”他在媒体简报会上回应提问时这样表示。

Gutmans 的核心论点：企业若想从 AI 中真正获得商业价值，这种集成式的技术栈至关重要。否则，再优秀的产品也会被割裂的系统拖累，无法发挥应有潜力。

“如果单独看某个基础设施提供商，它们有底层资源，但缺乏模型能力。再看那些数据平台厂商，拥有数据，但基础设施和模型需要依赖第三方。独立 AI 模型公司更不用提，只有模型，其余组件都得另找合作伙伴。”他精准地指出了当前市场上普遍存在的碎片化困境。

这种差距，在企业从“人工提问 AI 回答”模式转向“AI 主动辅助执行”的当下，变得尤为突出。当 AI 开始像员工一样自主行动时，对底层数据平台带来的冲击是巨大的。早期的架构设计根本无法承受这种规模的压力。而且，大规模运行这些智能体时，成本效益也更倾向于那些能掌控更多技术栈环节的服务商。

“你问我‘这与别家的数据云有何不同？’ 答案是，我们在每个关键环节都恰好踩准了节点。当任务规模从人工操作转向智能体集群时，这种紧耦合的价值变得前所未有的大——你必须改变性价比曲线，否则成本会让你直接放弃。” Gutmans 解释道。

据 Gutmans 透露，过去一年半里，Google 彻底重新设计了其数据平台，核心目的就是为了适应这种向智能体规模转变的趋势。他举例说明：企业中大约 90% 的数据都是非结构化数据，长期处于未被利用的状态。本次大会发布的“知识目录”，目标就是让这些数据能够直接被智能体调用，而无需再大量依赖数据工程师手动准备。

转折点其实并非产品决策，而是模型本身的能力飞跃。Gemini 2.5 的到来，使推理能力达到了一个临界点，这直接推动 Google 重新设计了整个数据产品组合中的每一个智能体产品。

“过去一年，我们几乎把所有智能体都重写了一遍。从对话分析到数据科学、数据工程，每个环节都需要减少对模型的预设指令。知识目录和 MCP 协议之所以如此关键，是因为它们在处理推理任务时表现出了显著提升——这绝对是一个巨大的转折点。” Gutmans 说，“你问问客户，今年的对话分析产品和去年的对比，他们一定会告诉你，去年的版本根本没法用，只能处理那些极其简单的问题。”

这次大会上，Google 发布了大约 80 项与数据相关的公告，几乎每一个智能体产品在过去一年里都经历了重构。模型进步的幅度之大，用他的原话来说就是“简直就是天壤之别”。过去那种拉二十个人干半年、手工构建本体的方式，已经彻底过时。“想激活整个数据资产，靠人力根本行不通。”

这自然引出一个现实问题：Google 一边与很多软件提供商竞争，一边又要与他们合作，如何平衡？答案颇具深意。Google 拥有自研的 TPU 芯片，也与英伟达保持合作；有自有的数据平台，同时也兼容其他几家主流数据平台；用户可以部署 Google 的智能体，同时也能托管来自 Salesforce、ServiceNow 等合作伙伴的同类功能。

“我们的思路是，把平台做到最好。这一点与其他超大规模云厂商并无区别。” Gutmans 对此看得很透彻。

他强调，集成式技术栈是一个真实且持久的竞争优势。特别是在安全、治理和成本效率方面，碎片化的系统会让这些管理变得异常困难。同样的逻辑也体现在 Google 本次宣布的跨云湖仓方案上——它允许客户以低延迟查询存储在 AWS 或 Azure 上的数据。这恰好印证了那句描述 Google 方法的精辟总结——

“差异化，但保持开放。”