搜索引擎的市場格局已經(jīng)有二十年沒有什么大的變化，如今，Google和微軟兩大巨鱷的交鋒再度上演。ChatGPT風(fēng)靡之時，搜索成為大型語言模型（LLM）應(yīng)用之爭的最大戰(zhàn)場。

在LLM技術(shù)進程方面，Google的相關(guān)大模型研發(fā)實際上與OpenAI的ChatGPT差不多齊頭并進。但剛剛倉促推出的Bard顯得很被動，Google官方的解釋是，他們需要考慮新技術(shù)對社會的影響，不想推出一個漏洞百出的搜索系統(tǒng)。

不過，作為商業(yè)公司，任何行為的背后都要考慮經(jīng)濟成本。要知道，搜索中廣告市場份額的1個百分點的變化，都可能帶來至少數(shù)億美元營收上的幅度波動。Google要將應(yīng)用效果還不是很好的LLM作為基礎(chǔ)技術(shù)，引入到全球市場占比92%的搜索引擎業(yè)務(wù)中，如果沒有外部對手發(fā)起的強大挑戰(zhàn)，很難進行大膽革新。

另一方面，自我革命是一件嚴重違背人性的事，更何況大廠還有所謂的“大企業(yè)病”，畏首畏尾在所難免。

這恰好是微軟Bing的可乘之機，全球市場份額目前占比不到3%，歷史包袱很小，New Bing要推出的消息讓Google急不可耐。

ChatGPT的用戶已經(jīng)到1億了，可想而知，如果Google搜索這次不跟LLM，還是按照自己的節(jié)奏去逐步更迭，其搜索業(yè)務(wù)的老底存在被傾覆的巨大風(fēng)險，要是Google跟了LLM，要承受用戶體驗不佳的風(fēng)險，還必須得在已有搜索成本上大出血——大約還要支出300億美元的成本。

當(dāng)然，Google與微軟雙方高層比任何人都清楚這一點，只是前者更多是焦慮不安，后者則是興奮不已。

綜合考慮風(fēng)險后，Google只能硬著頭皮迎戰(zhàn)，于是就有了Bard。Bard的意思是“流浪詩人”，根據(jù)百度的結(jié)果，這類詩人通常行事半調(diào)子而不拘小節(jié)，樣樣通而樣樣松，還別說，這個作風(fēng)倒是挺符合現(xiàn)在LLM模型目前的能力特質(zhì)。相較之下，微軟New Bing現(xiàn)在像是個牛氣哄哄的“拼命三郎”，就想干一票大的，畢竟在某種程度上，Bing已經(jīng)沒什么可失去的了，而且這次很可能還要觸底反彈。

那么，ChatGPT究竟會如何影響現(xiàn)在搜索架構(gòu)以及相關(guān)業(yè)務(wù)成本？此前，OneFlow發(fā)布了《ChatGPT背后的經(jīng)濟賬》，文章從經(jīng)濟學(xué)視角推導(dǎo)了訓(xùn)練大型語言模型的成本。本文則從LLM搜索架構(gòu)和成本分析出發(fā)，探討了微軟Bing和OpenAI利用大型語言模型 (LLM) 對搜索業(yè)務(wù)的潛在顛覆性，并分析了LLM在搜索中的演進和發(fā)展情況。

原文地址：
https://www.semianalysis.com/p/the-inference-cost-of-search-disruption

OpenAI推出的ChatGPT風(fēng)靡全球，僅在一月份就迅速積累了超1億活躍用戶 ，成為史上用戶增長最快的應(yīng)用程序。在此之前，Instagram花了30個月才跨過1億用戶門檻，TikTok用了9個月。每個人最關(guān)心的問題是大型語言模型（LLM）對搜索的破壞性有多大。微軟此前宣布了一條震驚世界的消息：OpenAI的技術(shù)將整合到Bing搜索引擎中。

New Bing會讓谷歌坐立不安，我想讓大眾知道我們正是讓谷歌按捺不住的助推器。——Satya Nadella，微軟CEO

谷歌近來的舉動讓大眾覺得他們正“焦躁不安”。雖然我們相信谷歌擁有世界上最好的模型和最先進的AI專業(yè)知識，但長期以來，他們卻沒能將自身的領(lǐng)先優(yōu)勢變現(xiàn)。而來自微軟和OpenAI的競爭壓力正在迅速改變這一情形。

給搜索領(lǐng)域帶來顛覆和創(chuàng)新需要投入資金，而訓(xùn)練LLM的成本很高。更重要的是，不管以何種合理的規(guī)模部署模型，其推理成本都遠超訓(xùn)練成本。

實際上，每周推理ChatGPT的成本都超過了其訓(xùn)練成本。目前ChatGPT每天的推理成本為700,000美元。如果直接將當(dāng)前的ChatGPT集成到谷歌的每次搜索當(dāng)中，那么谷歌的搜索成本將大幅上升，達到360億美元。谷歌服務(wù)業(yè)務(wù)部門的年凈收入將從2022年的555億美元下降至195億美元。若將“類ChatGPT”的LLM部署到搜索中，則意味著谷歌要將300億美元的利潤轉(zhuǎn)移到計算成本上。

當(dāng)然，這種情況永遠不會發(fā)生，在軟件/硬件方面改進之前，這只會是一種有趣的假設(shè)。

1 搜索業(yè)務(wù)

首先來看一下搜索市場的情況。據(jù)調(diào)查，谷歌每秒運行的搜索查詢約為32萬次，而谷歌的搜索業(yè)務(wù)部門在2022年的收入為1624.5億美元，每次查詢的平均收入為1.61美分。谷歌必須為計算和網(wǎng)絡(luò)搜索、廣告、網(wǎng)絡(luò)爬行、模型開發(fā)、員工等支付大量開銷。在谷歌的成本結(jié)構(gòu)中，一個值得注意的項目是：為了成為Apple產(chǎn)品的默認搜索引擎，他們支付了約200億美元。

谷歌服務(wù)業(yè)務(wù)部門的營運利潤率（operating margin）為34.15%。如果我們?yōu)槊看尾樵兎峙銫OGS/運營費用，那么每次搜索查詢的成本為1.06美分，產(chǎn)生的收入為1.61美分。這意味著，基于LLM的單次搜索查詢費用必須低于0.5美分，否則搜索業(yè)務(wù)對谷歌來說將毫無利潤可言。

New Bing將融合一款新的下一代OpenAI大型語言模型。該模型針對搜索業(yè)務(wù)進行了定制，汲取了ChatGPT和GPT-3.5的重要經(jīng)驗和成果，速度更快、更準確且功能更強大。——微軟

2 ChatGPT的成本

由于有部分未知變量，所以估算ChatGPT的成本是一個棘手問題。我們建立了一個成本模型，模型顯示ChatGPT在計算硬件方面的每日運營成本為694,444美元。為維持ChatGPT的運行，OpenAI需要約3,617臺HGX A100服務(wù)器（28,936個GPU），預(yù)估每次查詢的成本為0.36美分。

我們的成本模型是在每次推理的基礎(chǔ)上從頭開始構(gòu)建的，但它與Sam Altman推文和他最近所做采訪所做的介紹一致。

我們假設(shè)OpenAI使用了GPT-3密集模型架構(gòu)，這個架構(gòu)的參數(shù)大小為1750億、隱藏維度為1.6萬、序列長度為4000、每個響應(yīng)的平均token數(shù)為2000、每個用戶響應(yīng)15次、有1300萬日活躍用戶、浮點運算（FLOPS）利用率比FasterTransformer高2倍且延遲小于2000毫秒，int8量化，純閑置時間占用50%的硬件利用率，并且每個GPU每小時成本為1美元。如有不同意見，歡迎指出。雖然我們相信我們處于正確的區(qū)間內(nèi)，但很樂意使其更加精準。

3 使用ChatGPT的搜索成本

如果ChatGPT被整合到谷歌現(xiàn)有的搜索業(yè)務(wù)中，那么其影響將是毀滅性的。谷歌的營收將減少360億美元。以下是LLM的360億美元推理成本。

若想將當(dāng)前的ChatGPT部署到谷歌搜索，則需要512,820.51臺A100 HGX服務(wù)器和共計4,102,568個A100 GPU。在這些服務(wù)器和網(wǎng)絡(luò)的總成本中，僅資本支出就超過1000億美元，其中大部分資金將流向英偉達。當(dāng)然，這永遠不會發(fā)生（但如果我們假設(shè)沒有任何軟硬件改進的話，可以將其當(dāng)成一次有趣的思想實驗）。使用谷歌的TPUv4和v5在訂閱者部分建模也有不同的推理成本，同時我們還有一些H100 LLM推理性能方面的改進數(shù)據(jù)。

令人驚訝的是，微軟知道將LLM融入搜索會摧毀搜索的盈利能力，并需要大量的資本支出。盡管我們估算了營業(yè)利潤的變動，但還是來看看薩提亞·納德拉（Satya Nadella）對毛利率的看法吧。

從現(xiàn)在開始，搜索的[毛利率]將一直呈下降趨勢?！猄atya Nadella, 微軟CEO

搜索毛利率下降已成既定事實，更不用說隨著搜索質(zhì)量的提高，搜索量可能會有所減少，我們難以在大型語言模型的響應(yīng)中植入廣告，以及稍后本報告會討論的其他眾多技術(shù)問題。

微軟正在不遺余力地摧毀搜索市場的盈利能力。

在搜索廣告市場中，每增加一個百分點的份額，我們的廣告業(yè)務(wù)就有可能獲得20億美元的收入?！④?/p>

必應(yīng)的市場份額很小，但微軟抓住的任何份額增長都將給他們帶來巨大收益。

我認為我們雙方都會受益匪淺。我們將逐步發(fā)掘出這些大模型的潛能，但如果搜索業(yè)務(wù)被壟斷，發(fā)展停滯不前，在這種情況下如何從搜索和廣告中營利都會是一個問題，并且我們還要應(yīng)對可能出現(xiàn)的短暫下行壓力，這種情況是我所不愿看到的。大模型的發(fā)展?jié)摿薮?，難以想象我們不知道該如何利用它們來發(fā)家致富?！狾penAI ?CEO Sam Altman

與此同時，在這場競爭中，谷歌正處于劣勢地位。如果谷歌的搜索市場地位被動搖，那么它的利潤將受到極大的影響。搜索市場份額丟失所帶來的影響可能會比上面分析的更加糟糕，因為谷歌的運營成本非常高。

4 谷歌的應(yīng)對措施

對此，谷歌并沒有坐以待斃。在ChatGPT發(fā)布短短幾個月之后，谷歌就緊隨其后向公眾推出了集成LLM的搜索版本。就目前我們所看到的，微軟的New Bing和新版谷歌搜索各有優(yōu)劣。

集成了ChatGPT的New Bing搜索引擎在LLM功能方面似乎更加強大。谷歌在搜索準確性方面存在問題，甚至在Bard的演示中也出現(xiàn)了這種問題。但是在響應(yīng)時間方面，谷歌的Bard可以直接碾壓Bing GPT。這些模型響應(yīng)時間和搜索質(zhì)量方面的差異與模型大小直接相關(guān)。

Bard將世界知識的廣度與大型語言模型的力量、智慧和創(chuàng)造力相結(jié)合，并利用網(wǎng)絡(luò)提供及時、優(yōu)質(zhì)的回答。谷歌Bard由LaMDA輕量級模型版本提供支撐，這種小型模型需要的算力更少，可以輻射到更多用戶，獲得更多反饋?！雀?/p>

谷歌正通過部署輕量級模型來爭取更大的利潤空間。他們本可以部署全尺寸大小的LaMDA模型或功能更強、更大的PaLM模型，但是他們沒有這樣做，反而選擇了LaMDA輕量級模型。

對于谷歌來說，這是一種必然選擇。

谷歌無法將這些龐大的模型部署到搜索當(dāng)中，因為這會大大降低毛利率。稍后我們會詳細討論LaMDA的輕量級版本，但重要的是，我們要意識到Bard的時延優(yōu)勢是其競爭力之一。

谷歌的搜索收入來自廣告，不同的用戶在搜索時會給谷歌帶來不同的收益。相比印度男性農(nóng)民，美國郊區(qū)女性平均每個目標廣告所帶來的收益要高得多，這也意味著不同用戶會帶來截然不同的營業(yè)利潤率。

5 LLM在搜索中的發(fā)展

將LLM直接融入搜索并不是改進搜索的唯一方法。多年來，谷歌一直在搜索中使用語言模型來生成embeddings。這種方法可以在不增加推理成本預(yù)算的基礎(chǔ)上，改善最常見的搜索結(jié)果，因為這些embeddings可以一次生成，供多個搜索結(jié)果使用。

相比ChatGPT擁有的2000個Token輸出總數(shù)，從Bing GPT的84個不同的實例來看，Bing GPT約為350個Token的輸出總數(shù)明顯較少。多數(shù)情況下，人們在搜索時不愿閱讀大量繁瑣的信息。此估算考慮了未向用戶展示的token。

后續(xù)優(yōu)化是實現(xiàn)前2000個關(guān)鍵詞占搜索量的12.2%，其余的則是純導(dǎo)航性搜索（purely navigational searches）。假設(shè)20%的搜索不需要LLM。最后，相比使用基于NVIDIA的HGX A100的Microsoft/OpenAI，谷歌使用內(nèi)部TPUv4 pod的基礎(chǔ)設(shè)施優(yōu)勢更明顯。

這些簡單的優(yōu)化可以讓谷歌以僅30億美元的額外成本將LLM部署到搜索當(dāng)中。如果一切從一開始就完美設(shè)置，那么谷歌單在硬件上的支出成本就約為200億美元，其中包括數(shù)據(jù)中心基礎(chǔ)設(shè)施。這是在NVIDIA H100和谷歌的TPU v5等新硬件或MoE、稀疏性、剪枝、模型蒸餾、kv緩存和提前退出機制（early exit）等各種技術(shù)成本增加之前的情況。

人們不會接受連接到互聯(lián)網(wǎng)的ChatGPT接口。因為運行速度很慢、容易編造虛假信息、并且無法有效變現(xiàn)。不過上述分析仍然過于簡單化。

由于用戶體驗發(fā)生了轉(zhuǎn)變，單位收入經(jīng)濟學(xué)（unit revenue economics）和成本結(jié)構(gòu)將在未來2到3年內(nèi)迅速改變，實現(xiàn)完全重構(gòu)。

如果要從收入和成本方面更深入地了解這一變化，那么我們首先要搞清當(dāng)前的搜索架構(gòu)，因為它是未來變化的基礎(chǔ)。

從較高的層面來看，搜索的目標是盡快提供相關(guān)信息。用戶輸入關(guān)鍵詞時，搜索結(jié)果最好要按照優(yōu)劣從上到下排列。搜索工作流（search pipeline）主要有四個進程：爬蟲、索引、查詢處理器和廣告引擎。機器學(xué)習(xí)模型早已滲透進這四個領(lǐng)域。

爬蟲

爬蟲會自動定位互聯(lián)網(wǎng)上的新內(nèi)容，這些內(nèi)容包括網(wǎng)頁、圖像和視頻，然后它會將這些內(nèi)容添加到搜索引擎的數(shù)據(jù)庫（索引）中。通過機器學(xué)習(xí)，爬蟲能夠確定要索引頁面的價值并識別其中的重復(fù)內(nèi)容。它還能分析頁面之間的鏈接，評估哪些頁面可能相關(guān)且重要，這些信息會被用于優(yōu)化抓取過程，確定抓取內(nèi)容、頻率和程度。

爬蟲在內(nèi)容提取方面也起著重要作用。它的目標是實現(xiàn)網(wǎng)頁爬取內(nèi)容的全面文本化，同時使數(shù)據(jù)總量最小化，以確保搜索的速度和準確度。時延（latency）對于搜索來說至關(guān)重要，即使是幾百毫秒的變化，也會極大地影響用戶搜索量。

谷歌和Bing利用圖像和小型語言模型來生成在頁面/圖像/視頻中并不存在的元數(shù)據(jù)。大規(guī)模擴展這些功能是將大型語言模型和多模態(tài)模型融入搜索的突破點，目前所有簡單的搜索成本模型都沒有考慮到這一點。

索引

索引是一個用于存儲爬取信息的數(shù)據(jù)庫。在索引層中可以進行大量預(yù)處理，以最小化必要搜索的數(shù)據(jù)量。這最大限度地減少了時延，提高了搜索相關(guān)性（search relevance）。

• 相關(guān)性排序：可以使用模型基于相關(guān)性對索引中的頁面進行排序，以便首先返回用戶搜索查詢最相關(guān)的頁面。

• 聚類：可以使用模型將索引中的相似頁面進行分組，讓用戶更容易地找到相關(guān)信息。

• 異常檢測：模型可以檢測索引并刪除其異常頁面或垃圾頁面，進而提高搜索結(jié)果的質(zhì)量。

• 文本分類：可以使用模型基于內(nèi)容和上下文對索引中的頁面進行分類。

• 主題建模：模型可以識別索引頁面涵蓋的主題，每個頁面對應(yīng)一個或多個主題。

雖然當(dāng)前索引層是由較小的模型和DLRM完成，但如果插入LLM，搜索的有效性將會得到顯著提高。而其他簡單搜索成本模型（model of search costs）都忽視了這一點。我們將在本報告的后面討論用例并估算成本。

查詢處理器

查詢處理器是搜索堆棧中最受關(guān)注的層，用于接收用戶的查詢并生成最相關(guān)的結(jié)果。首先需要解析用戶的查詢，再將其分解為關(guān)鍵字和短語，進而從索引中抓取最相關(guān)的項，然后對用戶的特定查詢進行重新排序及過濾。此外，查詢處理器還負責(zé)將這些結(jié)果返回給用戶。

目前在該工作流中部署了多個模型，從簡單的拼寫檢查到自動向用戶查詢添加相關(guān)術(shù)語的查詢擴展，以提高搜索結(jié)果準確性。根據(jù)用戶的搜索歷史、位置、設(shè)備、偏好及興趣對結(jié)果進行相關(guān)性排序及個性化處理。不過當(dāng)前要想實現(xiàn)這一點需要在多個小型模型上運行推理。

由于用戶提交的是實時查詢，因此必須快速高效地執(zhí)行查詢處理。相比之下，爬蟲和索引是一個持續(xù)性的過程，且無需與用戶進行交互。

此外，谷歌和Bing使用了迥然不同的硬件以實現(xiàn)其經(jīng)典方法（classical approaches）。谷歌使用了大量標準化CPU和內(nèi)部TPU，而Bing目前使用的是大量標準化CPU和FPGA，其FPGA加速了排序方法（Ranking）和AI。

廣告引擎

雖然搜索堆棧的最后三個部分是滿足和留住用戶的關(guān)鍵，但許多人認為廣告引擎是最重要的，因為所有變現(xiàn)都源于廣告引擎的質(zhì)量。查詢處理器與廣告引擎是實時交互的，廣告引擎必須對用戶查詢、用戶檔案、位置和廣告效果（advertisement performance）之間的關(guān)系進行建模，為每個用戶生成個性化的推薦，從而最大限度地提高點擊率和收入。

廣告市場是一個實時競價的大市場，廣告商通常在這里為關(guān)鍵詞、短語或特定用戶類型付費。因為支付的金額并非衡量服務(wù)的唯一標準，所以廣告模型不再將其作為唯一準則。由于該模型需要優(yōu)化轉(zhuǎn)化率以獲得收益并提高比率，因此搜索相關(guān)性是高度優(yōu)化的參數(shù)。

總體而言，過去4年，谷歌搜索結(jié)果的頂部頁面有80%的結(jié)果沒有任何廣告。此外，目前只有一小部分(不到5%)的搜索中有四個排名靠前的文本廣告?！雀?/p>

使用了LLM，消費者閱讀到就不僅限于前幾個結(jié)果，這些結(jié)果中的廣告可以變成廣告商的銷路。相反，現(xiàn)在廣告成為了LLM的輸出。因此，隨著對話LLM的問世，廣告成了搜索堆棧中變化最大的一部分。我們將在本報告后半部分討論變現(xiàn)的方式和變化，因為這是廣告服務(wù)運作方式的根本轉(zhuǎn)變。

6 根本性轉(zhuǎn)變

搜索中的LLM不單是一個融入搜索引擎界面的大模型。相反，它是一個多模型融合的大模型，每個模型的任務(wù)是為整個鏈條中的下一個模型提供最密集、最相關(guān)的信息。

這些模型必須基于活躍用戶進行不斷重新訓(xùn)練、調(diào)整和測試。谷歌是首個在搜索堆棧的四個層中使用人工智能的企業(yè)，但如今搜索正在經(jīng)歷用戶體驗、使用模式和商業(yè)化結(jié)構(gòu)的根本性轉(zhuǎn)變，這可能會使許多軟件堆棧的現(xiàn)有部分失效。問題的關(guān)鍵在于谷歌能否勝任這項任務(wù)。在保護好自己“金蛋（golden egg）”的前提下，谷歌能調(diào)整其搜索堆棧嗎？

快速前行，打開局面。——馬克 扎克伯格，2011

在弄清楚應(yīng)用模式（usage models）之前，谷歌在超優(yōu)化（hyper-optimize）其搜索堆棧方面是否有文化要求？假設(shè)谷歌以最低成本將過多資源投入運營中，并且達到了搜索相關(guān)性的局部最大值。

在這種情況下，谷歌可能會迷失方向，反而限制了本該用于擴展和測試新應(yīng)用模式的模型發(fā)展和創(chuàng)新。相反，微軟和OpenAI更具冒險精神，更可能大刀闊斧地對搜索堆棧的四個元素進行徹底改造。

谷歌過于謹慎和過早優(yōu)化的最明顯例子就是研發(fā)Bard。

Bard將與LaMDA的輕量級版本一起發(fā)布。這個小得多的模型需要的算力更少，所以我們能將其擴展到更多的用戶，從而獲得更多的反饋?！雀?/p>

谷歌正在縮減（cut down）2021年初開發(fā)出來的一個模型。當(dāng)然，從開發(fā)至今，該模型有所改進，但現(xiàn)在OpenAI和微軟使用的是2022年底和2023年初開發(fā)出得更大的模型和更新的架構(gòu)，并得到ChatGPT的持續(xù)反饋。所以谷歌所見所聞該模型情有可原，但這也可能會讓谷歌在用戶體驗和迭代速度方面受到重創(chuàng)。

更令人擔(dān)憂的是，在過去的幾個月里，一些有遠見卓識的人才（例如BERT的教父，PaLM推理的首席工程師和Jax的首席工程師）開始涌向初創(chuàng)公司，比如OpenAI。這可能是谷歌的文化弱化（weakening culture）的跡象。

想象一下，如果這場搜索競爭導(dǎo)致谷歌的股票持續(xù)下跌，而RSU（限制性股權(quán)）的價值遠低于預(yù)期，這對員工的士氣和忠誠度有何影響？

或者說，由于Bing要爭奪市場份額，并抬高了谷歌目前擁有的蘋果專屬協(xié)議，搜索業(yè)務(wù)不再是無盡的搖錢樹，那又會怎樣？谷歌是否必須在運營包括谷歌 Cloud在內(nèi)的虧損業(yè)務(wù)時勒緊褲腰帶？

7 時延

谷歌的Bard是一個較小的模型，時延響應(yīng)時間較低。此外，谷歌內(nèi)部還有一個非常優(yōu)越的PaLM模型，但目前還無力部署。

即使時延為2,000毫秒（常規(guī)搜索的4倍，包括互聯(lián)網(wǎng)時延和20倍的處理時間），PaLM也只能處理輸入的60個token（約240個字符）和輸出20個token（80個字符）。當(dāng)在64個TPUv4上并行運行時，始終只達到約35%的利用率。

重要的是，LLM需要在搜索堆棧的非時間敏感部分（non-time-sensitive portions）使用。此外，雖然時延會更高，但batch size越大，在堆棧的這些部分實現(xiàn)的利用率就越高。

除了低時延標準，序列長度增加（sequence length growth）也是將LLM融入搜索的最大挑戰(zhàn)之一。

8 Context至上

面向用戶的模型和未來AI芯片的關(guān)鍵在于增加它們的context window（上下文窗口），以便可以通過層（layer）向前傳送更多先前模型或源材料。就推理成本而言，擴展序列長度的成本也非常高，這會擴大成本結(jié)構(gòu)。

因此，在實時方面將圍繞context window進行多種優(yōu)化。在爬蟲和索引階段，可以最大化context window以盡可能地將源材料密集化，達到力所能及的高質(zhì)量標準。

這樣就可以在堆棧的實時查詢部分啟用更小的模型，以最大限度地減少搜索和context window的數(shù)量，從而減少時延并縮短響應(yīng)時間。

9 整個搜索堆棧中的LLM實現(xiàn)

看看微軟如何以相同的方式應(yīng)用這些技術(shù)為某些高級企業(yè)的搜索和對話式AI助手提供服務(wù)，用AI掃描過去30年中的每個文檔、電子郵件、Excel工作表、PDF和即時消息，這也是一件很有趣的事。如何在運營和基礎(chǔ)設(shè)施層面設(shè)想新的搜索堆棧也很重要。

當(dāng)然，谷歌仍然擁有其Android、YouTube、地圖、購物、航班和照片等業(yè)務(wù)模塊，在這些領(lǐng)域微軟幾乎無法與之競爭。因此無論發(fā)生什么，這些業(yè)務(wù)模塊都足以讓谷歌在搜索領(lǐng)域維持領(lǐng)先地位。