作者 林易

編輯 重點君

“谷歌AI落后了”。這是ChatGPT誕生以來，很長一段時間內，科技行業(yè)的主流聲音。

過去三年，全球科技圈的主流敘事中有且僅有兩個主角：英偉達負責賣鏟子，提供GPU硬件基礎；OpenAI負責挖金礦，憑借Scaling Law定義前沿模型。

谷歌則長期被認為是在AI競賽中落后的巨頭，模型不如OpenAI，甚至連搜索業(yè)務也面臨被取代的風險。直到谷歌創(chuàng)始人謝爾蓋·布林（Sergey Brin）回歸一線，親自管理AI業(yè)務，并先后Gemini 2.5和Gemini 3系列大模型后，一切才徹底發(fā)生了改變。

上個月，谷歌推出最新的Gemini 3系列模型和第七代TPU Ironwood，徹底改變了AI行業(yè)的游戲規(guī)則。現(xiàn)在，輪到OpenAI拉響紅色警報了。

12月13日，謝爾蓋·布林現(xiàn)身母校斯坦福大學工程學院的百年校慶活動。面對臺下數(shù)百名年輕的工科生，布林首次坦誠谷歌在AI浪潮初期的戰(zhàn)略誤判，并深入剖析了這場絕地反擊背后的布局。

當被問及谷歌在AI早期的被動局面時，謝爾蓋·布林說，盡管谷歌早在八年前就發(fā)布了Transformer論文，但公司內部卻并未給予足夠的戰(zhàn)略重視。

“我們當時在算力擴展上的投入過于保守，甚至可以說是有些膽怯。膽怯源于谷歌作為搜索巨頭的包袱。由于擔心聊天機器人可能會輸出錯誤信息或不當言論，谷歌在產品化路徑上遲疑不決。這種猶豫給了OpenAI絕佳的空窗期，OpenAI敏銳地抓住了機會，通過ChatGPT一舉占據(jù)市場前沿。”

謝爾蓋·布林重返一線很大一部分原因是去救火�；氐焦雀韬�，布林并沒有選擇坐在高層會議室里聽取匯報，而是直接投身于Gemini模型的研發(fā)中。他透露，自己現(xiàn)在每天上下班的路上都在與內部版本的Gemini進行語音對話，測試其極限。

“你們現(xiàn)在公開版用到的模型版本其實相當古老，我自己在車里用的那個版本要強得多，大概幾周后我們就會把它推向市場。”

這某種程度上印證了外界對于Gemini 3迭代速度的猜測，谷歌正在快速將實驗室里的前沿成果轉化為產品。

谷歌基于深厚的底層技術積累實現(xiàn)絕地反擊。在芯片層，第七代TPU Ironwood為Gemini3系列模型的性能釋放提供了硬件支撐，在性能、能效比和互聯(lián)帶寬上，均顯示出對GPU的顯著優(yōu)勢。

在模型層，Gemini 3系列原生多模態(tài)能力和超長上下文窗口，將行業(yè)標準提升到了一個新的量級。不同于競爭對手將多模態(tài)能力進行接口縫合的做法，Gemini 3從基礎架構層面就支持文本、代碼、圖像、音頻和視頻的統(tǒng)一理解和生成，展現(xiàn)了更高層級的通用智能。

在應用層，谷歌模型能力深度融入其核心應用生態(tài)。在Workspace生產力套件中，Gemini被嵌入到用戶的日常工作流。在核心搜索產品中，傳統(tǒng)鏈接列表轉變?yōu)橛蒅emini驅動的摘要性、多模態(tài)答案。此外，結合Veo等視頻生成應用，谷歌在內容生成領域也展示了模型能力的商業(yè)化落地，實現(xiàn)了從模型突破到應用生態(tài)的全家桶式體驗升級。

盡管谷歌錯過了Transformer技術商業(yè)化的最佳窗口，但其深度學習和算法的原創(chuàng)積累仍在。谷歌的人才庫和基礎研究功底，使他們能夠迅速調整策略，將研究成果直接轉化為下一代架構的優(yōu)勢。這種全鏈條自主可控能力，為谷歌提供了可觀的的模型迭代效果，使其能夠迅速縮小差距并實現(xiàn)超越。

在談及行業(yè)目前普遍迷信的Scaling Law（擴展定律，即單純通過堆砌算力和數(shù)據(jù)來提升模型性能）時，謝爾蓋·布林給出了一個反直覺的判斷：雖然外界的目光都聚焦在龐大的數(shù)據(jù)中心和GPU集群上，但真正的決勝點可能在于算法效率。

“如果仔細梳理過去十年的發(fā)展，你會發(fā)現(xiàn)算法層面的進步速度其實是跑贏了單純的算力擴張速度。”這也解釋了為何谷歌在Gemini 3的研發(fā)中，不再單純追求參數(shù)量的盲目膨脹，而是轉向了更高效的MoE（混合專家）架構和長上下文處理能力。

謝爾蓋·布林還提到，谷歌從未停止在算力基礎設施上的投入，TPU項目早在12年前就已啟動，軟硬一體的長期積累，是谷歌能夠在算力緊缺的當下，依然保持快速迭代的護城河所在。

面對學生關于AI未來的提問，他表示，目前尚不清楚智能是否存在天花板，AI是否能做到人類無法做到的事情。AI不僅是代碼生成的工具，更是人類能力的倍增器。建議年輕一代不必過分焦慮于AI對職業(yè)的替代，而是應該學會利用AI來提升創(chuàng)造力。

謝爾蓋·布林訪談內容劃重點

1.谷歌在AI浪潮早期曾出現(xiàn)決策失誤

谷歌在Transformer論文發(fā)表后曾錯失機會。他們擔心聊天機器人會說“蠢話”而未敢快速推廣技術，這導致公司在AI商業(yè)化部署上失去了先機，讓競爭對手搶占了優(yōu)勢。

2.谷歌AI核心優(yōu)勢在于全�；�礎設施

盡管早期有失誤，但Google在AI領域的持續(xù)競爭力源于其對深層基礎技術的長期投入。例如十多年前谷歌就開始開發(fā)的AI專用芯片（TPU）以及大規(guī)模數(shù)據(jù)中心。這種對算法、半導體和計算設施的全面掌控，使其能夠站在現(xiàn)代AI的前沿。

3.未來AI的突破點可能是算法

AI未來發(fā)展的方向將更多地依賴于算法進步和潛在的新架構，而不是僅僅通過擴大數(shù)據(jù)和計算規(guī)模。在過去十年中，算法的進步速度實際上已經超過了計算能力的增長速度。

4.AI做那種創(chuàng)造性的事更容易

不應該僅僅因為覺得AI 擅長寫代碼就轉去學比較文學，AI 在比較文學上可能表現(xiàn)得更好。不是要不尊重比較文學專業(yè)的學生，但當你使用 AI 寫代碼的時候，有時候它并不奏效，像是它會犯一個相當重大的錯誤。然而，你在一篇關于比較文學的論文里把一句話寫錯了，并不會真的有那種后果。AI做一些那種創(chuàng)造性的事情更容易。

5.建議年輕人將AI作為增強個人能力的工具

AI是一個強大的賦能工具，可以用來頭腦風暴、獲取專業(yè)知識概覽，學生們應該積極利用它來增強自身的個體能力。

以下是謝爾蓋·布林訪談實錄

1.布林在斯坦福的教育背景

主持人：歡迎大家。這是我們百年紀念年的閉幕活動，我是Jennifer Widom，第十任工程學院院長。

我想鋪墊一下背景。在90年代早期，Sergey Brin作為計算機科學博士研究生來到斯坦福。電子郵件正開始成為許多人交流的方式。創(chuàng)業(yè)才剛開始加速。工程學院第六任院長Jim Gibbons孕育了斯坦�？萍紕�(chuàng)業(yè)項目（Stanford Technology Ventures program）的想法，這也是今天這個課程的主辦方。我于 1993 年以助理教授身份加入，與Sergey是同一年到達的。當時斯坦福還有一位本科生在同一時間開始他的大四，那就是John Levin。

John曾在這里攻讀數(shù)學和英語的本科學位。他去麻省理工學院（MIT）攻讀博士學位，并于 2000 年回到該校任教。他曾任經濟學系主任、商學院院長，并于2024年8月成為斯坦福大學第13任校長。因此，我現(xiàn)在很高興請斯坦福校長John Levin以及Sergey Brin上臺，加入我們的對話。

Sergey Brin：好啦，你們夸我太過頭了。我想其中有很大程度是運氣成分，不過無論如何，感謝你們邀請我。很高興能來到這里。

John Levin：那我們回到那段時間吧，帶我們回到你在斯坦福讀研的時候。跟我們說說那時在工程學院就讀的情況，以及它如何塑造了你，并為創(chuàng)建Google打開了機會。

Sergey Brin：回想起來，也許當時我并沒有意識到它的價值，但那是一個非常有創(chuàng)造力且自由的時期。我想我們在這里進行了工作。Google背后已經有好幾年了，大概從 95 年開始。并且要為Larry點贊，他真的很專注于網(wǎng)頁的鏈接結構。

但在那時，網(wǎng)絡是新事物，想出一些新點子是如此容易。比如我想我的第一個賺錢點子是點披薩。那時候看起來簡直不可思議，你居然可以在線點外賣。如今我們把它視為理所當然。我喜歡把一則可樂廣告放在頂部。我以為那很有趣，會有網(wǎng)絡廣告。

總之，這個計劃徹底失敗了，因為它的工作方式是你要先下單到網(wǎng)站�？偟膩碚f，披薩店通常不在線，但我想到它們有傳真機，所以它會自動把訂單通過傳真發(fā)給他們。但后來我意識到他們實際上并不經常查看傳真，然后就從那時候開始失敗了。

但當時，我想我們大概都是這樣吧，在計算機科學系，相當理解互聯(lián)網(wǎng)的工作原理，所以大家就在網(wǎng)上畫各種東西。那真是一個非常有創(chuàng)造力的時期。

無論如何，Larry 當時專注于鏈接結構。那時我在做數(shù)據(jù)挖掘，于是我們聯(lián)手了。很快我們就發(fā)現(xiàn)我們有了一些對搜索非常有用的東西。但我們花了一段時間只是在斯坦福對它進行實驗，以及是否考慮做一個學術項目。我們嘗試去把它授權給各種互聯(lián)網(wǎng)公司。

有一次我們把它推介給了Excite，Excite并不太感興趣。但Vinod覺得這個主意很棒。我們和Vinod通過郵件來回溝通，然后我們發(fā)了個通知，說我們會給你們授權這項技術，以160萬美元的價格。大約15分鐘后我們收到了回復，我們都很興奮，對研究生來說，那是一大筆錢。

John Levin：所以從那個起點出發(fā)，你現(xiàn)在回頭看，Google現(xiàn)在是一家市值4萬億美元的公司，并且您每分鐘處理1000萬次搜索，而且涉及各種不同產品的龐大數(shù)量。在一開始你做的事情中有沒有哪些是做對了的，你回頭看有什么想法，而且你認為這是非常重要的事情？

Sergey Brin：我認為在早期，Larry一直都非常有雄心。我們確實在相當早的時候有非常雄心勃勃的使命宣言，要組織全世界的信息等等。我覺得那是一種很好的方式，以某種哲學為出發(fā)點創(chuàng)辦一家公司。還有，我們確實開始了一項相當學術性的研究，志同道合的公司。我們倆都是博士項目出來的，像當時很多初創(chuàng)公司一樣，我們差不多已經大學畢業(yè)了。我只是覺得那在某種程度上會改變你看待事情的方式，有一點點。而且有許多杰出的公司，明確地說，它們都是從大學中走出來的。但對這種基礎研發(fā)方面的投資，我確實認為這是文化的一部分，而且很早就存在。

John Levin：你們還雇了很多博士，所以并不只有你們兩個。

Sergey Brin：是的，非常多。我記得Urs Hölzle，他是我們最早的一批人之一。我認識他是因為我在斯坦福的教授聘任委員會。他一給我發(fā)便條的那一刻，我就想著，你能明天開始嗎？我的意思是，因為我已經認識他了，以及他所有的資歷。

2.谷歌的創(chuàng)新哲學與AI反擊

John Levin：我是說，我認為這是一個有力的論點，谷歌是過去25年里全球最具創(chuàng)新性的公司。大型公司確實非常難以做到這一點，保持高度創(chuàng)新。每個人都為此苦苦掙扎，而你們已經做到了。很多人會把那里的重大影響歸功于你個人，對那里產生了重大影響。你如何看待培養(yǎng)一種文化，在創(chuàng)新中你的角色是什么？

Sergey Brin：我想，首先，我們確實在很多事情上失敗過。我們現(xiàn)在不需要把所有事情都一一列舉，但是我們同時也經歷了很多失敗。所以，部分原因就是在不斷嘗試。我認為這與其某種學術背景有關，也許我們更傾向于嘗試困難的事情。

我想這有點像是進入過去十年左右的階段，尤其是那些困難的事情變得越來越有價值。如果你看人工智能，這顯然是一個巨大的趨勢，但是就是那種計算量，深入探討這一點，必須投入的那種深層數(shù)學的量，那些都是從技術上來說是深奧且具有挑戰(zhàn)性的問題。

有一段時間，你什么東西都可以放到.com上。它并不是真的那么技術深入，只是對網(wǎng)絡的粗淺理解。幸運的是我們當時在做搜索，這確實需要一些更深的技術技能，但技術復雜度水平只會越來越高。

事實上，我們現(xiàn)在招聘的員工，要么比我更有資質，要么至少比我當時更有資質。我的專業(yè)是偏數(shù)學的計算機科學，在大學期間我同時學習了數(shù)學和計算機科學，這在我的班級里是比較少見的�，F(xiàn)在，我們喜歡從斯坦福大學以及所有其他頂級項目招募人才。這些人在數(shù)學和計算機科學方面都非常精通。其中很多人甚至是物理學家，因為物理學家必須處理難度很高的數(shù)學運算，而且他們的大部分工作在計算上都有很大限制。因此，他們必須具備一定的計算能力和技能。我覺得深層次的技術變得越來越重要，我們很早就朝著這個方向做出了準備，這是一種幸運。

主持人：這是一個很有意思的觀察，技術問題再次成為企業(yè)的競爭優(yōu)勢。那我們來聊聊人工智能。我的意思是，現(xiàn)在每個人都在關注這個問題。你重新回到Google來做這件事。你們在許多方面都處于前沿，而且競爭異常激烈。進入人工智能基礎設施領域的資金達到了數(shù)千億美元的級別，即使對單一公司來說也是如此，這非常不尋常。你現(xiàn)在如何看待這個行業(yè)格局？人工智能領域正在發(fā)生什么？

Sergey Brin：好的，讓我想想如何回答，而不是一味地自我吹噓。這確實是一筆巨大的投資。我想說，在某些方面我們確實犯了錯，因為我們的投入不足，而且沒有像現(xiàn)在這樣認真對待它。比如說，大約八年前我們發(fā)表Transformer論文的時候，我們沒有認真對待，也沒有投入資源去擴展計算能力。而且我們當時也過于擔心將它提供給用戶使用，因為聊天機器人可能會說出一些不恰當?shù)脑�。OpenAI 抓住了這個機會，這對他們來說是件好事。這是一個非常聰明的洞察。我們的同事，比如伊利亞（Ilya），也加入了他們并做了這件事。

但我相信，我們仍然從那段悠久的歷史中受益匪淺。我們在神經網(wǎng)絡相關的研究和開發(fā)方面有大量的積累，這可以追溯到Google Brain。這其中也有一些運氣成分。不過，我們聘請杰夫·迪恩（Jeff Dean）不是靠運氣。當然，我們能請到他很幸運，但我們當時就有這種理念，認為那些深層次的技術非常重要，所以我們聘請了他。我們從Digital Equipment Corporation (Deck)招募了很多人，因為實話實說，他們當時擁有頂尖的研究實驗室。

他對神經網(wǎng)絡充滿熱情，我認為這源于他大學時的實驗。他做過很多令人稱奇的事情，比如在16 歲左右就能弄懂神經網(wǎng)絡，同時還在關注治療第三世界疾病，但他對此充滿熱情，并建立了整個項目。實際上，當時在他所屬的 Google X 部門，他是在做這些，但我并沒有過多干預，我的想法是，好吧，杰夫，你放手去做吧。他說：“哦，我們可以分辨貓和狗了。”我當時想：“哦，好吧，真酷。”但你必須信任你的技術人員。很快，他們就開始開發(fā)所有這些算法和神經網(wǎng)絡，并將其應用到我們的部分搜索業(yè)務中。后來，我們開發(fā)了Transformer模型，從而能夠做越來越多的事情。

所以我們擁有基礎和研發(fā)部門。雖然多年來我們投資不足，沒有像本該那樣認真對待，但我們也為此開發(fā)了芯片，比如TPU，這可以追溯到大約12年前。最初我們使用GPU，我們可能是最早使用GPU的用戶之一。接著我們使用了FPGA，然后嘗試開發(fā)自己的芯片。這些芯片現(xiàn)在已經迭代了無數(shù)代。我認為，正是對追求深層技術、獲取更多計算能力和開發(fā)這些算法的信任，造就了今天的局面。

與此同時，我們也是計算領域長期重要的投資者。我們擁有規(guī)模龐大的數(shù)據(jù)中心，我想不出除了亞馬遜AWS之外，還有誰能達到那樣的規(guī)模。我們擁有自己的半導體、深度學習算法等，構成了整個技術堆棧，使我們能夠在現(xiàn)代人工智能的前沿發(fā)揮作用。

3.人工智能的浪潮與未來

John Levin：你是怎么看待這個問題的？我的意思是，技術每年都在不斷進步。有一群人對人工智能的未來有不同的設想，比如AI 真的能做到人類能做的一切嗎？至少是在計算機面前，甚至更廣泛地看。那個世界會是什么樣子？你對技術的發(fā)展方向有什么看法？

Sergey Brin：我的意思是，這個領域的創(chuàng)新速度本身就非常驚人，而且競爭異常激烈，尤其在美國頂級公司和中國頂級公司之間。如果你錯過了一個月的人工智能新聞，你就會落后太多，就是這樣。那么它會走向何方？我不知道，我覺得我們根本不知道智能是否存在上限。除了你提出的問題，比如它能做人類能做的一切嗎？還有一個問題是：它能做人類做不到的事情嗎？

John Levin：是的。

Sergey Brin：那涉及的就是一個超級智能的問題。我認為這仍然是未知數(shù)，一個實體到底能有多聰明？人類已經進化了幾十萬年，甚至數(shù)百萬年（指靈長類動物），但與人工智能的發(fā)展相比，這個過程是相當緩慢的。

主持人：你覺得我們是否已經為技術進步的這個速度做好了準備？

Sergey Brin：目前為止，我認為人們確實從這項技術中獲得了巨大的益處。盡管有時會有一些末日般的預測，但目前每個人都能熟練使用它。老實說，人工智能有時會愚蠢到讓你哭笑不得，以至于你必須時刻監(jiān)督它。但有時它們又非常聰明，能給你一個很棒的主意。尤其對于非專家來說，偶爾，比如我想弄清楚如何制造一款新的AI芯片，AI就能提供幫助。

我認為這非常難，很難準確預測將會發(fā)生什么。如果我們回顧互聯(lián)網(wǎng)、手機等的出現(xiàn)時刻，這些都深刻地改變了我們的社會，確實改變了人們從事的職業(yè)類型以及人們所學習的內容。而人工智能將百分之百會改變這一切。但現(xiàn)在很難在一個迅速變化的環(huán)境中準確說出會怎樣。我們今天擁有的AI與我們五年前擁有的那種人工智能大不相同，也與我們將在五年內擁有的那種AI不同。所以，我也不知道。我覺得真的很難預測。

我的意思是，我肯定會利用AI為自己帶來好處。有很多事情可以用它來做。就我個人而言，無論是為我的朋友或家人挑選禮物，還是為新產品集思廣益，或者做藝術創(chuàng)作之類的事情，我現(xiàn)在一直都在求助于AI。而且它并不是為我直接完成任務，因為我通常會要求它給出五個想法，諸如此類。也許其中有三樣會是垃圾，我一眼就能看出來。但會有兩個想法帶有某種光彩，或者能幫我把它放到更恰當?shù)慕嵌龋�讓我能夠加以潤色，幫助我把我的想法理清楚�?/p>

主持人：讓我直接問一個非常具體的問題。我們大約有250名學生在這里。他們中很多是本科生。很多人還沒有選擇專業(yè)，因為我們在斯坦福給本科生很大的靈活性。幾年前我們可以預測，會有大量人選擇計算機科學作為他們的主修。你是在建議他們繼續(xù)選擇計算機科學作為他們的主修嗎？他們應該認真考慮這個專業(yè)嗎？

Sergey Brin：我選擇計算機科學是因為我對它充滿熱情。所以對我來說這有點顯而易見。我想你可以這么說，我很幸運，因為我也處在一個變革性的領域里。我不會因為現(xiàn)在的AI 在編程方面可以表現(xiàn)得相當不錯而選擇不學計算機科學。AI 在許多事情上都相當出色。編程恰好具有很高的市場價值，這就是為什么很多人會追求它。而且，更好的編碼造就更好的 AI。所以很多公司，包括我們自己的公司，致力于這項工作的公司都非常重視它。我們在自己的編碼工作，甚至在我們的算法想法等方面大量使用它，但那是因為這是一件如此重要的事情。

我想我不會僅僅因為覺得AI擅長寫代碼就轉去學比較文學。老實說，AI在比較文學上可能表現(xiàn)得更好。我不是要不尊重比較文學專業(yè)的學生，但當你使用AI寫代碼的時候，說實話，有時候它并不奏效，像是它會犯一個相當重大的錯誤。然而，你在一篇關于比較文學的論文里把一句話寫錯了，并不會真的有那種后果。所以說，老實說，AI做一些那種創(chuàng)造性的事情更容易。

主持人：我覺得這是一個非常有趣的觀察，關于這項技術。因為我認為，人們有一種傾向，認為AI將非常擅長解決這些技術問題，但它不一定會做我們與人類相關聯(lián)的那些特質，比如在對話中表現(xiàn)出同理心。如果你讓其中一個AI引擎模擬一段對話，它在很多方面做得相當不錯，能夠為復雜對話提供結構。我覺得實際上，我很喜歡你指出的那種不確定性。

還有一個問題，然后我想開放討論，讓觀眾有機會提問。所以這是工程學院的百年紀念。如果你是詹妮弗，并且必須開啟學校的第二個世紀，你會為工程學院的第二個世紀考慮些什么？

Sergey Brin：哇，好的。那確實是一個需要謹慎規(guī)劃的重要責任。我想我得重新思考“擁有一所大學”意味著什么。說實話，現(xiàn)在信息傳播得非�？臁６�且許多大學，顯然，很多東西都轉到了線上，包括斯坦福。不過，麻省理工學院早期就有開放課程件，以及所有那些走這條路的初創(chuàng)公司，比如Coursera、Udacity。所以教學在某種程度上正在被傳播，現(xiàn)在任何人都可以上網(wǎng)了解它。你可以和一個 AI 對話或參加這些課程中的一個，并觀看這些YouTube視頻。

那么我想，“擁有一所大學”意味著什么？人們會搬家，遠程工作，跨地區(qū)協(xié)作。這有點矛盾，因為我們正試圖讓人們真正回到辦公室，而且我認為他們面對面一起工作確實更有效，但那是在某個特定的規(guī)模下。比如在某種程度上，如果你有一百個人聚在一起，情況就還算可以。

而且我確實越來越多地看到某種個人主義。那些創(chuàng)造新事物的人，不太在乎學位與否。我的意思是，盡管我們招聘了很多學術明星，我們也招了大量沒有學士學位的人，或者類似那種，他們就自己想辦法弄清楚，在某個奇怪的角落里自己摸索。我不知道。我覺得這真的是一個很難的問題。我想我并不覺得我會神奇地交付出你會喜歡這個新配方，但我只是認為這種格式更可能會是為未來一百年準備的那個。

主持人：你把它帶到了比我更深的方向。

Sergey Brin：哦，抱歉。

主持人：不，實際上很棒。語氣稍微更深沉了一點。

John Levin：我同意。這適用于整個大學。你實際上提出了關于大學的最根本問題。那一部分大學的使命在于知識的創(chuàng)造和傳播。這是根本任務。隨著技術進步，這些可以通過不同的方式來實現(xiàn)。然后還有一個關于“有善心”模型的問題，人才密集于一處，有點像彼此碰撞，這當然就是促使你創(chuàng)建谷歌的原因之一，并且也帶來了許多偉大的成果。那樣的替代方案會出現(xiàn)嗎？在大學校園上形成的那種生態(tài)系統(tǒng)嗎？或者，那有多根本？它會繼續(xù)嗎？其實我本來以為是那樣的，感謝你提出這么深刻的問題在本次會議中。好了，我想確保我們給觀眾中的其他人一些提問的機會。

4.問答環(huán)節(jié)

聽眾：謝謝你們的時間。我叫Rasha Barve，來自堪薩斯城，正在學習 MSENIR。我的第一個問題要問Sergey。這實際上正好涉及我們剛才討論的內容。谷歌在很大程度上起源于你在關于PageRank 撰寫的學術作品中的一部分，而如今行業(yè)在推動大量當今創(chuàng)新方面發(fā)揮著如此重要的作用，你仍然覺得學術界到行業(yè)管道至關重要嗎？如果是這樣，你會如何加強它？

Sergey Brin：哇，這是個好問題。學術界到產業(yè)界的輸送管道重要嗎？這個我得說我不知道，因為我想，當我還是研究生的時候，從某個新想法出現(xiàn)到某些事情可能具有商業(yè)價值的大致時間跨度，花了幾十年。

我的意思是，在學術界你有自由考慮一段時間。你申請資助，做這做那，你大概可以花上幾十年去反復思考這件事，然后它慢慢滲透。然后，最終也許會有某個大公司或者你的初創(chuàng)公司去推進它。問題是，如果那個時間線大幅縮短，這還合理嗎？

我認為有，我認為確實有一些事情是完全合理的，而且我肯定，即使在人工智能領域，我們也會定期關注斯坦福以及其他大學的研究，偶爾我們會雇傭那些人并與他們合作之類的。但我想我并不清楚他們是否需要有那種時間段。他們比如說某種新的注意力機制，花了幾年時間做實驗，然后以某種形式將其帶入了產業(yè)界。我的意思是，顯然工業(yè)界也在做所有那些事情。所以這可能不是一個很有力的論點。激進的全新架構和類似的東西，或許會有影響。

但問題在于，這基本上是時間問題，那個行業(yè)將會擴展，而且會快得多。我想，量子計算會浮現(xiàn)在腦海。某種程度上首次被頭腦風暴出來，我也說不清，費曼大概是什么時候提出這個想法的，像是八十年代之類的嗎？有點像假設這個觀點關于量子計算的�，F(xiàn)在有一大堆公司被包括在內，他們算是在這么做。也有大學實驗室嘗試一些新的方法來做這件事。這有點說不準，可能還處于觀望階段。

如果你有一些完全新的想法，比如你不像我們那樣做超導量子比特，或者其他的，也許你需要讓它在大學里慢慢發(fā)酵若干年。那些事情有點難。這可能有道理，但到了某個時候，如果你覺得它確實很有吸引力，你很可能會繼續(xù)推進并以某種方式將其商業(yè)化。

我想給你一個明確的答案，因為頂級公司現(xiàn)在確實在投入更多更基礎的研究。我認為這在某種程度上是隨著AI的興起開始的，那些投資正在得到回報。所以我想這會改變你會做的那些努力的分配。但我確實認為仍有一些事情是這樣的，確實需要像那種更純粹研究的十年時間，那種更偏向基礎研究的時期，那可能會讓公司更不愿意去推進，因為那樣會導致上市時間太長。

主持人：好的，下一個問題在這邊。

聽眾：大家好，我叫Arnov，我是計算機科學和數(shù)學專業(yè)的大一新生。我的問題是給Sergey Brin的。隨著人工智能以前所未有的速度加速，有抱負的年輕創(chuàng)業(yè)者應當具備什么心態(tài)？像我這樣的人如何調整，以避免重復早期的錯誤？

Sergey Brin：我想，當你有一個很酷的新可穿戴設備想法時，你要先真正徹底打磨它，而不是急著去弄什么涉及跳傘和飛艇的特技宣傳。這只是一個建議。

其實，我更喜歡我們以前的做法，回到Google Glass時代。Google Glass是一個早先錯誤的例子。我想我當時試圖太快地將它商業(yè)化。我們本可以做得更好，在成本上實現(xiàn)更好的性價比，在精致度上達到消費者所需的水平。我當時有點操之過急了，以為自己是下一個史蒂夫·喬布斯，可以立刻把這個東西做出來。這大概就是我犯下的一個錯誤。如果總結起來，大家都覺得自己會成為下一個史蒂夫·喬布斯。我確實犯過那樣的錯誤。但他確實是個相當與眾不同的人。

所以，我想我的建議是，確保你已經充分醞釀并把想法開發(fā)到足夠成熟的階段。因為一旦你開始，就會感覺像踏上了一臺跑步機：外界的期待會增加，開銷也會隨之增加，你必須在某個時間點前完成交付。你可能沒有足夠的時間來完成你想做的一切。那種滾雪球般的期待感會讓你措手不及，而你卻沒有給自己足夠的時間來應對。這是我本想盡量避免的錯誤。

聽眾：感謝你們的演講。我叫Esha Bargetag，是斯坦福大學的大一本科生。這個問題是給Sergey Brin和Jennifer的。我們看到很多人工智能公司通過擴展數(shù)據(jù)和計算資源來改進大型語言模型。我的問題是，一旦我們真的耗盡了數(shù)據(jù)和算力，接下來的發(fā)展方向會是什么？是會轉向更新的架構，有沒有可以替代Transformer的方案？還是會有更好的學習方法，比如超越監(jiān)督學習或用于訓練大型語言模型的強化學習（RL）？或者是一個完全不同的方向？你們以前考慮過這個問題嗎？謝謝。

Sergey Brin：是的，從我的角度來看，你列出的這些因素中，算法進步已經成為比僅僅擴展計算或數(shù)據(jù)更重要的因素。人們關注擴展，可能是因為它涉及到建設數(shù)據(jù)中心和購買芯片，OpenAI和Anthropic關于各種縮放法則的論文也吸引了很多注意力。但我認為，如果你仔細審視，會發(fā)現(xiàn)過去十年左右，算法的進展實際上已經超越了單純的規(guī)模擴展。

在很久以前，當我讀研究生時，我見過一張關于N-body（多體）問題的圖。比如，模擬受引力作用而運動的多個物體。自五十年代人們開始關注摩爾定律帶來的計算能力增長以來，這種增長是巨大的。但在九十年代我讀到時，用于解決N-body問題的算法進步，實際上已經遠遠超越了計算能力的擴展速度。

所以我想你會發(fā)現(xiàn)，像我們這樣的公司永遠不會拒絕處于計算前沿。但這更像是主菜之后的甜點，或者說是在你完成算法工作后才擁有的配菜。

主持人：我想插一句，關于計算資源或數(shù)據(jù)耗盡，或者更準確地說是算力不足的問題，我們在這里非常熟悉。對于大學來說，很難擁有像那些公司一樣的計算能力。我們甚至遠遠達不到那種程度。但這確實促使我們在創(chuàng)新領域做了很多工作，去研究當計算資源更少時會發(fā)生什么，以及如何用更少的資源做更多的事情。我們在這方面已經做了很多研究。

聽眾：大家好，我叫Andy Zivortsy，是化學工程專業(yè)的二年級研究生。我的問題是想問在座的各位演講者，你們認為哪項新興技術在長期影響方面被嚴重低估了？謝謝。

Sergey Brin：我顯然不能說人工智能，因為它很難被反駁它的重要性。但它可能仍然被低估了。不過，它可能已經不算是一項“新興”技術了，所以我們不用它來回答。

很多人確實對量子計算將帶來什么感到好奇。不過，我可能不會完全依賴它來回答這個問題，盡管我絕對支持在量子計算等領域的研究。但這個領域還有許多未知數(shù)。從技術上講，我們甚至不知道P是否不等于NP。在計算領域，有太多的未解之謎。量子算法針對的是大家所知的、具有非常特定結構的問題。我非常支持這方面的研究。

但很難具體說清楚。我的意思是，或許可以將這兩種技術的應用場景都考慮進去。除了量子計算之外，還有材料科學。如果我們能使用不同種類的材料，我們能在很多方面做得更好，它的潛力可以說是沒有上限的。

John Levin：其實我也在想材料科學方面。但“被低估”這個說法有點意思，因為現(xiàn)在有很多關注點放在技術創(chuàng)新的機會上。對于像核聚變能或量子計算這樣尚未成熟的技術，很難說人們會忽略它們，或者說它們現(xiàn)在沒有得到足夠的關注，就像人工智能一樣。但在我看來，材料科學會是其中一個被低估的領域。在生物學和健康領域也有很多機會，特別是在分子科學中。它現(xiàn)在受到的關注可能不如人工智能，但在分子科學領域也正在發(fā)生一場巨大的革命。

主持人：是的，我本來也想說同樣的話。我感覺聚光燈正在轉移�，F(xiàn)在聚光燈主要照在人工智能上，但它曾經照在生物學上，而且不應該停止照亮生物學。合成生物學領域正在發(fā)生各種各樣的突破。我曾經有過一些擴展性的經歷，它們在當時看來以一種痛苦的方式改變了我的世界，但后來卻為我的個人經歷帶來了回報。那些艱難的過渡是值得的。

聽眾：大家好，我叫Zena。感謝大家前來，我要問你們一個經常問演講者的問題：您剛才提到，您很喜歡保持敏銳，并掌握人工智能及其他領域正在發(fā)生的事情，那您會讀哪些書呢？

Sergey Brin：我只是聽他們說，看看發(fā)生了什么。但我確實更喜歡進行互動式討論，比如在我的車里，我經常和內部版本的Gemini交流。盡管這聽起來可能有點尷尬，你們現(xiàn)在公開版用到的模型版本其實相當古老，我自己在車里用的那個版本要強得多，大概幾周后我們就會把它推向市場。

主持人：好的。這有點像對未來的一瞥，是個不錯的結尾。

       原文標題 : 謝爾蓋·布林首次復盤：谷歌AI為什么落后，又如何實現(xiàn)絕地反擊