IT时报记者 贾天荣

8月12日，2026 年 Google I/O Connect China——Google开发者大会在上海世博中心举办。面对AI应用从模型能力向真实场景加速落地，Google正在通过覆盖芯片、基础设施、模型、开发平台以及全球生态的全栈AI能力，为开发者提供从底层技术到应用开发的完整支持。对于中国开发者而言，这套能力也有着更现实的意义——如何利用AI降低创新门槛，又如何借助全球化的技术和平台，让中国开发者的产品走向海外。

从模型到平台，全栈AI为智能体提供底座

大会现场，Google大中华区及韩国总裁陈俊廷表示，Google坚持走一条独有的全栈式AI创新路线：从定制芯片、安全稳固的基础设施，到世界前沿的研究与模型，再到触达全球用户的产品和平台。

“Google正在以前所未有的速度，赋能中国开发者在海外高效创新，全力助推中国企业海外增长。”

而在这套全栈AI体系中，模型依然是最核心的底层能力之一。

Google大中华区及韩国总裁陈俊廷

Google Cloud开发者市场高级总监Ricky Robinett分享并演示了一系列面向开发者的AI创新进展。

随着Gemini 3.6 Flash、3.5 Flash-Lite等新一代模型推出，AI能够针对极其复杂的任务进行深度逻辑推理，为智能体处理复杂任务提供底层能力。与此同时，Gemma 4以及Gemma 4 12B、DiffusionGemma等更多开放模型的推出，也进一步为开发者提供了更加灵活的选择。

模型能力不断增强，开放程度不断提高，开发者能够做的事情也随之变得更多，这种变化并不只停留在发布会上的模型参数和技术指标中。

在Google I/O Connect China现场，开发者已经把这些能力带进了不同的真实场景：有人将AI用于学习，有人探索多模态应用，也有人开始尝试让AI真正承担任务。从“模型”走向“应用”，AI正在进入一个更加具体的阶段。

大学生把AI做成了“学习搭子”

在大会现场，《IT时报》记者看到，一群来自华南理工大学的学生带来了一套AI辅助学习平台。

记者现场体验，目前这套平台主要设置了四项功能：AI问答、学习路径、AI出题和陪练。比如学习某一个专业知识，学生可以先通过AI问答解决问题，再根据自己的学习情况制定学习路径；完成学习后，还可以通过AI出题和陪练进一步巩固。

而让这套平台真正区别于普通AI问答的，是它背后的知识库。团队调用了Google的Gemma 4开放模型，并融合RAG知识库检索，让模型在回答问题时更多参考用户提供的专业知识，从而减少通用大模型在教学场景中可能出现的回答不准确和“幻觉”问题。

为什么选择Google的模型？团队给出的答案很实际：开源、性能不错、对本地电脑要求相对较低，而且迭代较快。

对于一支学生团队而言，这几个条件缺一不可。模型太大，本地硬件难以承受；模型不开源，后续优化也不方便；而迭代速度如果跟不上项目需求，也很难满足学生团队持续开发和优化的需要。

目前系统采用的模型规模在12B左右，如果个人使用，甚至可以采用更小规模的模型。“不同科目侧重的知识是不一样的，用户可以自己上传数据库。”平台开发者告诉记者。对于法学、计算机等不同专业，用户可以根据自身需求建立对应的本地知识库，让AI的回答更加贴近具体学习场景。

目前，这套系统已经在华南理工大学内部得到应用，包括法学院、物理等学院在内，已有200多名学生使用，主要用于日常学习和课堂辅助。

从最初的想法到现在的版本，这套系统用了半年多时间。最开始，两名学生只是希望解决一个很实际的问题：通用大模型虽然强大，但用于辅助教学时，回答准确性、专业知识覆盖以及幻觉问题仍然存在。

于是，他们希望先在自己的学校范围内解决问题，再逐步优化、推广。而随着项目不断完善，团队的目标也不再只是解决“问答”问题。下一步，他们计划增加多模态能力，同时继续增加Agent功能，未来甚至希望实现PPT生成等更多任务。如果单纯依靠本地硬件存在压力，也可以通过调用其他API实现。

从AI问答到学习路径，从知识库到Agent，这套由学生做出来的学习平台，某种程度上也是智能体能力不断向真实场景渗透的缩影。

开发工具也在变，AI开始进入开发全过程

类似的变化，也正在发生在开发者工具本身。此次大会上，Google还分别从Android、Web、Cloud等方面介绍了面向开发者的创新工具和实践，帮助中国出海开发者加速创新，更智能、更高效地构建创新应用与个性化体验。

在 Android 生态方面，为了提升开发质量，Google 推出了 Android CLI 与智能体结合、Android Studio 智能体模式，以及 Android Bench 评估工具三项更新。

在 Web 生态方面，Google 不断扩展浏览器内置端侧 AI 工具箱，支持跨源调用并能够在本地硬件运行优化模型，重塑浏览器能力边界。与此同时，随着智能体成为Web上一类新的“用户”，Web平台也推出了实验性开放规范WebMCP，支持Web应用将结构化工具直接公开给智能体。如果说过去的网站主要是为人设计的，那么在智能体时代，网站也需要考虑如何让AI理解和调用自己的能力。

在 Cloud 层面，为了满足爆发式增长的算力需求，Google 推出的第八代 TPU 8t和TPU 8i 两款专用平台，针对训练和推理截然不同的需求量身打造。通过 Google Agent Platform 的 Agent Studio ，开源的近 50 个智能体技能，以及 60 多个托管 MCP 服务器，Google Cloud为智能体的开发、与智能体的协同开发提供支持。

当智能体真正进入大规模应用阶段，如何部署、运行和治理同样成为问题。

对此，Google提供了专属的Agent Runtime，帮助实现大规模智能体的部署、运行与治理。Google Cloud 平台还支持多种智能体协同运行方式，提供自主化的故障排查、性能优化与核心资源持续防护支持。

从校园里的AI学习平台，到面向全球开发者的全栈AI能力，当越来越多开发者开始把模型接入知识库、把AI嵌入真实场景，并进一步让它理解上下文、调用工具、完成任务，AI正在真正从“会回答”走向“能做事”。而这也正是Google希望通过全栈AI能力，与中国开发者共同探索的下一站。