本文來自微信公眾號：劃重點KeyPoints，編譯：林易，原文標題：《謝爾蓋·布林首次復盤：谷歌AI為什么落后，又如何實現絕地反擊》，頭圖來自：視覺中國

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

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，甚至連搜索業務也面臨被取代的風險。直到谷歌創始人謝爾蓋·布林（Sergey Brin）回歸一線，親自管理AI業務，并先后Gemini 2.5和Gemini 3系列大模型后，一切才徹底發生了改變。

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行業的游戲規則。現在，輪到OpenAI拉響紅色警報了。

12月13日，謝爾蓋·布林現身母校斯坦福大學工程學院的百年校慶活動。面對臺下數百名年輕的工科生，布林首次坦誠谷歌在AI浪潮初期的戰略誤判，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布了Transformer論文，但公司內部卻并未給予足夠的戰略重視。

“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一舉占據市場前沿。

謝爾蓋·布林重返一線很大一部分原因是去救火。回到谷歌后，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模型的研發中。他透露，自己現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、能效比和互聯帶寬上，均顯示出對GPU的顯著優勢。

在模型層，Gemini 3系列原生多模態能力和超長上下文窗口，將行業標準提升到了一個新的量級。不同于競爭對手將多模態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、音頻和視頻的統一理解和生成，展現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。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，傳統鏈接列表轉變為由Gemini驅動的摘要性、多模態答案。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化落地，實現了從模型突破到應用生態的全家桶式體驗升級。

盡管谷歌錯過了Transformer技術商業化的最佳窗口，但其深度學習和算法的原創積累仍在。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勢。這種全鏈條自主可控能力，為谷歌提供了可觀的模型迭代效果，使其能夠迅速縮小差距并實現超越。

在談及行業目前普遍迷信的Scaling Law（擴展定律，即單純通過堆砌算力和數據來提升模型性能）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據中心和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展，你會發現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的研發中，不再單純追求參數量的盲目膨脹，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對職業的替代，而是應該學會利用AI來提升創造力。

以下是謝爾蓋·布林訪談實錄：

一、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。創業才剛開始加速。工程學院第六任院長Jim Gibbons孕育了斯坦福科技創業項目（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，他真的很專注于網頁的鏈接結構。

但在那時，網絡是新事物，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站。總的來說，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，相當理解互聯網的工作原理，所以大家就在網上畫各種東西。那真是一個非常有創造力的時期。

無論如何，Larry 當時專注于鏈接結構。那時我在做數據挖掘，于是我們聯手了。很快我們就發現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網公司。

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，你現在回頭看，Google現在是一家市值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，以某種哲學為出發點創辦一家公司。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，像當時很多初創公司一樣，我們差不多已經大學畢業了。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 H?lzle，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。他一給我發便條的那一刻，我就想著，你能在明天開始嗎？我的意思是，因為我已經認識他了，以及他所有的資歷。

二、谷歌的創新哲學與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。你如何看待培養一種文化，在創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學的量，那些都是從技術上來說是深奧且具有挑戰性的問題。

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。我的專業是偏數學的計算機科學，在大學期間我同時學習了數學和計算機科學，這在我的班級里是比較少見的。現在，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的競爭優勢。那我們來聊聊人工智能。我的意思是，現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。你現在如何看待這個行業格局？人工智能領域正在發生什么？

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，而且沒有像現在這樣認真對待它。比如說，大約八年前我們發表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的話。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。我們在神經網絡相關的研究和開發方面有大量的積累，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，他們就開始開發所有這些算法和神經網絡，并將其應用到我們的部分搜索業務中。后來，我們開發了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，然后嘗試開發自己的芯片。這些芯片現在已經迭代了無數代。我認為，正是對追求深層技術、獲取更多計算能力和開發這些算法的信任，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。我們擁有規模龐大的數據中心，我想不出除了亞馬遜AWS之外，還有誰能達到那樣的規模。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，使我們能夠在現代人工智能的前沿發揮作用。

三、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？你對技術的發展方向有什么看法？

Sergey Brin：我的意思是，這個領域的創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，一個實體到底能有多聰明？人類已經進化了幾十萬年，甚至數百萬年（指靈長類動物），但與人工智能的發展相比，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生什么。如果我們回顧互聯網、手機等的出現時刻，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。但現在很難在一個迅速變化的環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，或者做藝術創作之類的事情，我現在一直都在求助于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的角度，讓我能夠加以潤色，幫助我把我的想法理清楚。

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，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。我不會因為現在的AI 在編程方面可以表現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得更好。我不是要不尊重比較文學專業的學生，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的那些特質，比如在對話中表現出同理心。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，現在信息傳播得非常快。而且許多大學，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公司，比如Coursera、Udacity。所以教學在某種程度上正在被傳播，現在任何人都可以上網了解它。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，跨地區協作。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。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嗎？在大學校園上形成的那種生態系統嗎？或者，那有多根本？它會繼續嗎？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。

四、問答環節

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，而如今行業在推動大量當今創新方面發揮著如此重要的作用，你仍然覺得學術界到行業管道至關重要嗎？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，從某個新想法出現到某些事情可能具有商業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界。我的意思是，顯然工業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，那個行業將會擴展，而且會快得多。我想，量子計算會浮現在腦海。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。現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，你很可能會繼續推進并以某種方式將其商業化。

我想給你一個明確的答案，因為頂級公司現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學專業的大一新生。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，有抱負的年輕創業者應當具備什么心態？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化。我們本可以做得更好，在成本上實現更好的性價比，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據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據和算力，接下來的發展方向會是什么？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據更重要的因素。人們關注擴展，可能是因為它涉及到建設數據中心和購買芯片，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，會發現過去十年左右，算法的進展實際上已經超越了單純的規模擴展。

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。

所以我想你會發現，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，關于計算資源或數據耗盡，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新領域做了很多工作，去研究當計算資源更少時會發生什么，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。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，因為現在有很多關注點放在技術創新的機會上。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。現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生的事情，那您會讀哪些書呢？

Sergey Brin：我只是聽他們說，看看發生了什么。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。

本文來自微信公眾號：劃重點KeyPoints，編譯：林易

本內容由作者授權發布，觀點僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4817272.html?f=wyxwapp