谷歌向约100家出版商付费使用AI答案内容，多数所得寥寥无几

这正是这个试点项目尴尬的核心。项目启动不到一年，至今没有公布价目表。The Decoder 9月30日梳理了相关报道。出版商可以在 Google Search Console 里看到自己的内容被引入AI答案的次数，以及因此赚了多少钱。他们看不到的是这个数字背后的计算方式。

差距极大。一家出版商几个月内拿到了5万至6万美元。另一家每年收入超过100万美元。还有几家中小型博客和网站，几个月累计收入不到1000美元。对这些网站来说，这笔钱不到广告收入的0.1%。

一些参与方告诉 The Information，他们不知道谷歌如何计算金额。他们说，付款每月都可能变动，没有任何解释。报道还显示，拥有稳定受众的小众题材往往赚得更多，动漫和游戏就在其中。到目前为止，谷歌对这一整套安排给出的答复是：有选择地签署授权协议、提供一个退出选项，以及一套由公司决定内容值多少钱的付费模式。

流量在下滑，协议仍是一对一谈判

钱的问题之所以重要，是因为开放网络的底层流量趋势很糟，而且还在恶化。报道援引的多项研究显示，AI Overviews 大幅减少了用户对来源网站的访问。一些较大的出版商拒绝加入试点，想借此逼谷歌多付钱。

这种拒绝是一场赌博，而项目的结构让这场赌局很难赢。协议是逐家谈判的，没有人能集体议价。一个网站退出，对谷歌压力有限，因为AI答案里会有其他来源补上空缺。留下来的网站则接受对方开出的价码。The Decoder 称这是出版商的囚徒困境。文章指出，这种分而治之的做法几十年来一直对谷歌有利，它借此把更多网络内容纳入搜索并变现。

背景里还有监管压力。2025年7月，独立出版商就 AI Overviews 向欧盟委员会提出投诉。同年9月，《滚石》母公司 Penske Media 因流量和广告收入损失起诉谷歌。2025年12月，欧盟委员会启动反垄断调查，审查谷歌是否在使用出版商内容训练AI功能时，既没有给予足够报酬，也没有提供真正的退出方式，从而施加了不公平条款。

德国一家法院也裁定，AI Overviews 属于谷歌自己的内容，而不是对现有材料的摘要。如果这一解释得到更广泛接受，出版商就有了法律依据：只要自己的作品出现在AI答案里，就可以要求授权费。实际困难显而易见。追踪每个来源对一条答案的确切贡献很难，甚至可能做不到。按来源逐一结算，会在授权费之上再增加管理成本，而这些费用可能挤压谷歌的利润。

自动化技术栈的其他部分比钱跑得快得多

授权之争还在监管机构和法院之间缓慢推进，围绕AI辅助工作的工具却在以快得多的速度重建。其中很大一部分直接落到工程师头上。

据 The Decoder 报道，9月30日，OpenAI 和 Synopsys 表示已签署一项多年合作协议，共同构建名为 GPT-Synopsys 的专用芯片设计模型。该模型把 OpenAI 的AI技术与 Synopsys 的电子设计自动化工具结合起来，OpenAI 以授权方式使用这些工具。双方设定的目标是让系统能够对芯片设计和验证进行推理，并直接操作 Synopsys 的工具。工程师负责下达目标、审核输出。系统运行在 OpenAI 的基础设施上。两家公司都表示，客户数据不会用于训练，并将加密存储，面向半导体客户的早期测试已经展开。Synopsys 首席执行官 Sassine Ghazi 称，AI 有望显著加快设计流程。

投资端也在动。TechCrunch 9月30日报道，成立三年的旧金山初创公司 Flow Engineering 出售面向硬件设计的AI工具，以7.5亿美元估值完成5000万美元B轮融资。本轮由 Valor Equity Partners 的 Antonio Gracias 和 Atreides Management 的 Gavin Baker 共同领投。红杉资本参与投资，前红杉合伙人 Roelof Botha 以个人投资者身份跟投。Botha 已加入董事会。Flow 列出的客户包括 Anduril、Rivian、Joby Aviation 等。

基础设施方面的说法也越来越响。Modal 9月30日公布了 Quail 的基准测试结果，这是它为 AI-SQL 工作负载构建的查询感知推理层。Modal 称，在一块 H100 GPU 上，针对一次多表连接查询，每分钟处理的 token 超过十亿。公司表示，在相同硬件上比其 vLLM 基线快10倍以上，折算下来在 Modal 上每十亿 token 成本低于6美分。在 Modal 新推出的 AI-SQL 基准上，Quail 按几何平均计算比 vLLM 快1.84倍。

同一轮变化中更小的部件也在悄悄发布。Facebook 的 OpenZL 项目9月29日发布 v0.3.0，加入新的 LZ 引擎和 Compression Transformer，后者是一个神经网络选择器，可即时构建数值压缩图。发布说明称，在同等设置下解压速度比 Zstandard 快144%。在868类数值流上，Transformer 的平均压缩效果比 zstd -19 好35%。YC S25 初创公司 Magnitude 在 GitHub 上发布了一个开源推理引擎，可在用户自己的设备上编译并调优内核。其 README 称比 llama.cpp 快最多2倍，Metal 上解码快92%，CUDA 上快19%，每个 agent 的内存占用少27%。

安全研究也在累积。9月30日，VUSEC 发布 Branch Target Reuse，这是一类针对浏览器、语言运行时和 Linux 内核中即时编译器的 Spectre-v2 攻击。团队构建了两个针对 Linux 内核的端到端利用程序。演示中，他们从运行中的 su 进程里以每秒8字节的速度泄露 root 密码哈希，并完整遍历了内核任务列表和页表。

做这些工作的人怎么说

关于这一轮自动化对工作的影响，意见正在分裂。9月30日，一位顾问在 martinelli.ch 上撰文认为，AI 编程 agent 会把软件工程师推回20世纪90年代的模式。在那个模式里，一个人负责需求、架构、代码和生产，规格说明成为项目里最重要的产物。同一天 pooyam.dev 上另一篇文章说得更直白。作者从事 GPU 和 TPU 上的 LLM 训练与推理性能工作，他认为实现成本正趋近于零。他描述了一个 agent 重新训练模型的一部分，以提高投机解码的接受长度，而这件事他此前没想到要禁止。

rtfm.co.ua 上的第三种叙述从另一侧描述同样的漂移。agent 成了你的福尔摩斯身边的迈克罗夫特，人最后成了作者所说的夹在 agent 和部署按钮之间的“肉身中间件”。AI 工程师 Gerben Rijpkema 在 Substack 上主张，成功的项目都是采用针对具体用例架构的那些。他借用了控制工程的一个假设：你无法完全预测系统，只能围绕噪声来设计。

这些都没有解决出版商的问题。谷歌仍在设定条款，100家出版商仍在试点之内，欧盟委员会仍在调查。