Alphabet 2026 年 Q1 财报逆转市场看法:AI 成谷歌增收利器,谷歌能否重回 AI 王座?

news2026/5/2 0:44:48
为何市场态度逆转4月29日发布的Alphabet 2026年一季度财报让市场将Google从“AI会不会颠覆它”的公司重新定价为“AI商业化路径最清楚的公司之一”。真正改变市场看法的是它首次完整证明了AI不仅未侵蚀Google反而同时提升了搜索、云和订阅这三条业务线。这也是它从“最怕被AI入侵的公司之一”转变为“资本市场最想看到的AI股”的关键。Q1总营收1098.96亿美元同比增长22%经营利润396.96亿美元同比增长30%Google Cloud营收首次突破200亿美元同比增长63%财报发布后股价在盘后涨超6%。为何市场态度逆转最核心的转变在于市场原本担忧生成式AI会将用户从传统搜索入口“抽离”但Alphabet给出的证据却恰恰相反。财报明确指出AI Mode、AI Overviews等新体验正带动更多用户使用搜索查询量创下历史新高“Google Search other”收入同比增长19%达到603.99亿美元。这意味着AI目前在谷歌更像是增强搜索而非替代搜索。第二个转变点是AI从“烧钱项目”变为“赚钱项目”。Pichai在电话会上表示企业AI解决方案首次成为Google Cloud的主要增长驱动力。Google Cloud本季收入200.28亿美元同比增长63%经营利润65.98亿美元经营利润率接近33%云业务backlog接近翻倍超过4600亿美元其中略高于一半预计会在未来24个月确认。对资本市场而言这比任何模型榜单都重要因为这表明AI不仅技术领先还已成为可签单、可交付、可确认收入的业务。第三个转变点是Alphabet不再只是“模型公司”而是全栈AI平台。管理层披露第一方模型通过直接API调用每分钟处理超160亿token高于上季度的100亿付费订阅总数达到3.5亿主要由YouTube和Google One带动同时谷歌还在扩大自研TPU、Axion CPU、NVIDIA GPU的供应并开始向部分客户直接销售TPU。也就是说它同时拥有模型、芯片、云基础设施、搜索入口、安卓/Chrome/YouTube分发这让市场更愿意将其视为“AI基础设施 AI应用 AI分发”的综合体。搜索是底盘Google Cloud强劲从这次财报来看Google Services收入896.37亿美元约占总收入的82%Google Cloud收入200.28亿美元约占18%Other Bets收入仅4.11亿美元规模仍然较小。Google Services中广告收入772.53亿美元约占总收入的70%其中Search other 603.99亿美元YouTube ads 98.83亿美元Google Network 69.71亿美元此外订阅、平台和设备收入123.84亿美元。这一结构表明其一Alphabet仍主要依靠广告和搜索盈利其二它已在广告之外打造出增速更快、利润率快速提升的云业务。所以现在的Alphabet可理解为“三层结构”底层是搜索广告现金牛中层是YouTube/订阅/设备增强用户付费上层是Cloud承接企业AI开支。这正是市场喜爱的AI叙事并非从零开始寻求商业化而是借助现有超级平台放大AI价值。营收和利润说明了什么先看营收质量。此次1098.96亿美元的收入并非由某一部门偶然拉动而是Google Services增长16%Search增长19%订阅/平台/设备增长19%YouTube ads增长11%Cloud增长63%。这意味着Alphabet现在并非“老业务支撑新业务补充”而是核心业务和新业务共同加速发展。官方还提到这是Alphabet连续第11个双位数增长季度。再看利润质量。表面上净利润625.78亿美元同比大增81%稀释后EPS 5.11美元也同比增长82%但需注意官方同时披露“其他收入”达到377.16亿美元主要来自非上市股权投资的未实现收益。也就是说净利润虽好看但相当一部分并非主营经营所得。真正能体现经营质量的是经营利润同比增长30%经营利润率从34%提升到36%。这表明即使在重投入期主营利润率仍在扩张。再看市场最关注的cash flow与capex。Q1经营现金流457.90亿美元但资本开支达到356.74亿美元导致自由现金流降至101.16亿美元。Alphabet将2026年capex指引上调至1800亿到1900亿美元并预计2027年还会显著增加。正常情况下这种支出会令市场担忧但此次市场却予以认可原因在于Search稳定、Cloud利润率上升、backlog快速增长表明这些投入已开始有回报路径。为何谷歌是资本市场期望的AI公司因为它同时满足了AI投资最难同时达成的三件事其一有老现金牛托底。搜索广告未被AI冲击反而实现增长。其二有新业务将AI变现。Google Cloud并非只讲故事已在收入、利润和订单储备方面取得成果。其三有全栈能力将AI成本转化为壁垒。自研模型、TPU、云、搜索和终端分发均掌握在自己手中这意味着它既不像纯应用公司依赖外部供应也不像纯基础设施公司离终端过远。这份财报向市场表明“谷歌已将AI融入其两台印钞机——搜索和云”。与两年前“ChatGPT会不会掏空Google”的担忧相比叙事已完全改变。如今的Alphabet不再只是防御AI冲击而是将AI转化为下一轮估值重估的动力。但也需保持冷静这并非毫无风险。最大的风险仍是capex过高、自由现金流被压缩以及净利润中有相当一部分来自投资收益而非主营此外反垄断和竞争压力依然存在。不过这次财报至少证明了一点Alphabet已从“AI时代的潜在受害者”转变为“AI时代少数能同时在消费者和企业两端实现收入的公司”。AI发展至今ChatGPT、Claude和Gemini各领风骚。三家各有亮点一时难以判定谁能主导整个时代。OpenAI仍具先锋气质Claude在高质量交互和专业场景中树立了独特口碑而Gemini则凭借谷歌的流量入口、算力底座和商业体系重新回到舞台中央。谷歌在AI领域重回王座这本身就足以说明很多问题。它表明AI不一定会颠覆所有旧秩序有时也会让那些原本拥有技术、数据、流量和基础设施的巨头实现更强势的再集中。当然王座并非坐稳就无忧。谷歌在AI领域重回王座能维持多久还需时间给出答案。但至少此刻资本市场已做出判断在这场AI时代的终局竞赛中谷歌仍是最有竞争力的夺冠者之一。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2573544.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…