Google 發布 Gemini 3.8，展現該模型開發商正在強化其程式設計、代理（agentic）與網路安全能力，但同時也凸顯了 AI 市場缺乏差異化，以及排他性網路安全計畫日益增長的趨勢。

這家搜尋與 AI 巨頭於 2026 年 9 月 3 日星期三推出 Gemini 3.8，將其定位為迄今最佳的推理與程式設計模型。透過這款新模型，Google 專注於長程推理任務，同時提升網路安全效能，並推出了一項與其他 AI 供應商類似的網路安全計畫。

Gemini 3.8 提供兩個版本：Gemini 3.8 Flash 與 Gemini 3.8 Flash Cyber。3.8 Flash 模型專為長程軟體工程、自主代理與複雜的企業工作流程而打造。3.8 Flash Cyber 版本則設計用於自主漏洞發現與自動程式碼修補——這些能力是把雙面刃，因為能找出並修復漏洞的同一套技術也可能被濫用來利用漏洞，這正是供應商限制此類模型存取權的關鍵原因。

Google 表示，該模型可透過新的 Fairwind 計畫提供給一組受信任的使用者。此計畫將 Google 最強大的 AI 與網路防禦能力提供給受信任的客戶、政府機構與網路安全合作夥伴。

Google 的 Fairwind 計畫類似於 Anthropic 的 Project Glasswing——該計畫將 Anthropic 最強大的模型 Mythos 提供給一組受信任的使用者——也類似於 OpenAI 的 Project Daybreak，即協助特定網路防禦者的計畫。透過建立私人計畫、避免強大的 AI 網路安全模型落入駭客或其他可能濫用者手中，是 Google 與 Anthropic 和 OpenAI 競爭的另一種方式。不過，這也顯示所有模型開發商正亦步亦趨地朝相同方向前進。

「大家都在往同樣的方向靠攏，」Gartner 分析師 Arun Chandrasekaran 表示。「以程式設計為例，每個人都在設法讓模型在程式設計上過度加碼。在網路安全方面，現在每個人都在設法真正針對網路安全使用案例來最佳化這些模型。」

缺乏差異化

Chandrasekaran 補充說，由於前沿模型開發商採取相似策略，他們之間幾乎沒有什麼獨特之處。

「在能力方面確實有差異化，但在傳達這些模型擅長什麼、有哪些使用案例、解決什麼問題的方式上，所有這些公司似乎都在做非常相似的事情，」他說。

他接著表示，真正的差異化來自於更深入特定業務職能，例如供應鏈或生命科學。

「那些是差異化的機會，因為你不是在建構通用系統，」他說。「你是在建構非常深入、非常針對特定產業的東西。」

對企業買家而言，這種趨同現象至關重要：當前沿模型提供相近的能力組合時，選擇愈來愈取決於價格、總 token 消耗量與既有工作流程的整合程度，而非首頁基準測試數據。

價格戰持續

對 Google 而言，Gemini 3.8 的發布使其能夠在定價與能力兩方面回應競爭對手的動作。與 3.7 版相同，Google 為 Gemini 3.8 Flash 提供優惠入門價：每百萬輸入 token 0.75 美元，每百萬輸出 token 3.75 美元。相較之下，OpenAI 的 GPT-5.6 Luna 每百萬輸入 token 收費 1 美元，每百萬輸出 token 收費 6 美元。

「他們能否維持這樣的定價還有待觀察，」Tekonyx 創辦人暨分析師 Sid Nag 表示。「這一切真正關乎的是壓低成本曲線。每個人都聚焦在每百萬輸入 token 的成本上。」

Nag 補充說，Google 透過 Gemini 3.8 Flash 展示了「token 定價已不足以衡量推理經濟學」。這一動態也體現在 Google 建議客戶在需要更高效率的工作負載上仍應選擇 Gemini 3.7 Flash——這意味著，撇開 token 成本不談，企業有時使用較小的模型反而可能節省更多 token。

「Google 等於承認這次的 3.8 Flash 在更高推理層級下會消耗更多 token，」他接著說。

Nag 表示，透過僅向受信任使用者提供 Gemini 3.8 Flash Cyber，Google 正追隨其競爭對手，試圖在其 AI 模型技術周圍建立「護城河」。

然而，網路安全模型的排他性做法正在 AI 產業中引發緊張，因為這可能導致缺乏開放性與透明度。雖然開放模型因易遭駭客操縱而受到批評，但它們仍激發了重大的創新。隨著 Google 的這次發布以及其他排他性網路安全計畫，AI 產業持續在安全性與開放性之間的張力中摸索前行。Google 對 Fairwind 的「受信任」使用者定義有多寬鬆，以及排他性網路安全計畫是否真能有效限制攻擊者取得強大模型，都是將形塑這場辯論下一階段的懸而未決問題。

「產業將走向何方還有待觀察，」Nag 說。

來源：AI Business