作者 | 高允毅
很多人知道，Transformer 是 Google 發明的。但 ChatGPT，卻不是 Google 做出來的。這件事，在過去幾年，幾乎成了矽谷最大的「遺憾註腳」。
但如果真正走進今天的 Google DeepMind，你會發現 Google 並不是「慢」，而是在下一盤更大的棋。
近期，Google DeepMind 營運長 Lila Ibrahim 與 Google 研究、技術與社會資深副總裁 James Manyika 在一檔 Podcast 中，第一次系統性拆解了這家公司正在發生的變化：
DeepMind 到底怎麼運作？
為什麼 Gemini 可以每 6 個月迭代一代？
Google 如何在量子運算、材料科學、氣象預測、太空算力這些領域同步推進？
以及，AI 原生產品是如何真正落地，而不是停留在實驗室？
如果說 OpenAI 是一家高速衝刺的新創公司，那麼今天的 Google，更像一座重新啟動的「現代版貝爾實驗室」。
DeepMind 運作模式有兩個核心方法論：
只給方向，不給答案。
制定宏大的研究議程，但不規定路徑，研究者擁有高度自由。
廣泛的跨領域研究。
生物倫理學家、神經科學家、電腦科學家可以在同一張桌子上工作，這是 Google 的日常。
而在這套機制背後，還有一個關鍵變數，即 Google DeepMind 的靈魂人物 Demis Hassabis。他擁有對時機的精準判斷，既能由上而下設定方向，又允許由下而上產生創新。
比如 Demis Hassabis 判斷，2026 年 Gemini 已經足夠成熟，可以全面吸收 DeepMind 在「學習科學」上的積累。 這種判斷，決定了資源如何傾斜，決定了產品什麼時候進入爆發期。
James Manyika 提到，過去三年最大的變化，是把 Google Brain 和 DeepMind 合併，圍繞 Gemini 建立了一個中央 AI 引擎。在這一模式下：
Gemini 是全公司的底層基礎設施
每 5、6 個月完成一次重大迭代
模型一發布，立刻進入搜尋、Workspace、Gemini App 等核心產品
與此同時，Google 實驗室文化正在回歸，而且規模比過去更大。
James Manyika 透露，實驗室目前同時推進約 30 個專案。
Google 有一套聞名矽谷的創新機制，即全體員工拿出 20% 的時間用來做專案以外的探索，這會源源不斷爆發出好產品來反哺 Google。比如能消化資料的 Notebook LM，AI 電影製作工具 Flow。
如果只看生成式 AI，你會低估 Google。因為 DeepMind 同時在推進生物研究、教育體系、材料科學、氣象預測、量子運算、太空算力計畫等。而在不少領域，Google 已經取得里程碑式的成就。
從量子糾錯的突破，到覆蓋 150 個國家的洪水預測系統，再到試圖把 TPU 送入太空進行訓練的 Project Suncatcher，這些布局顯示出一種極少見的長期視角。
「從謹慎地發布」到「在發布中學習」， Google 完成了新節奏的轉變。這家公司，正在重新定義什麼叫「長期主義」。當它真正開始加速時，人們是否已經意識到，它的棋局，比所有人想像的都要大？
以下是 Podcast 的精彩細節，有更多 Google 最新進展，歡迎來看：
Google DeepMind 的運作模式：貝爾實驗室與阿波羅計畫
主持人：DeepMind 執行長 Demis Hassabis 之前在我們節目裡，把 DeepMind 形容為現代版的貝爾實驗室。Laya，這具體意味著什麼？你能介紹一下它的研究模式嗎？它是實驗室模式還是公司化運作？
Laya Ibrahim：我想先從我們的使命「負責任地建構 AI，造福人類」說起，因為一切都以此為基礎。
首先，我們會制定極具雄心的研究議程，只明確大方向，不規定具體做法。 我們的思路借鑑了貝爾實驗室的黃金時代，也參考了阿波羅計畫，甚至還有皮克斯。核心是匯聚頂尖人才，打造能讓他們成功、能放手探索的環境。
第一，明確宏大的研究方向，告訴團隊聚焦哪些領域，但不規定他們如何工作。
第二，由於研究範圍極廣，我們要打造跨領域團隊。 我們要營造一種文化，讓生物倫理學家、電腦科學家、神經科學家能並肩工作，我們認為這才是產生突破、創造價值的關鍵。這種方式已經帶來了很多非凡的成果。我們也敢於探索，並且懂得判斷時機。Demis Hassabis 在掌握節奏上非常出色：該投入探索、設定宏大目標、評估進展；也敢於果斷喊停，或是加倍投入。
一個很好的例子：過去幾年我們一直在學習科學領域深耕，研究人類如何學習、如何改進學習方式。今年 Demis Hassabis 判斷，Gemini 已經足夠成熟，可以把我們在學習科學上的積累全面注入 Gemini，這也是我們的重點方向之一，以此提升 Gemini 為學習者提供的能力。 Google DeepMind 在時機判斷上，確實有很獨特的地方。
主持人：我們再梳理一下流程。就像你剛才說的，Demis Hassabis 判斷 Gemini 已經準備好承接學習科學相關能力，於是 DeepMind 開始推進。Google DeepMind 的工作，由上而下和由下而上的比例大概是多少？Open AI 曾把自己的模式形容為大公司裡的一堆新創公司。Google 是類似模式，還是更偏由上而下？
Laya Ibrahim：因為我們的使命非常宏大，我們要找到 AI 能夠幫助人類解開宇宙謎題、應對人類重大挑戰的核心方向。這個範圍足夠廣，我們既可以做氣象研究、提升天氣預報，也可以做 AlphaFold（是 DeepMind 開發的、能精準預測蛋白質 3D 結構的 AI 程式，被稱為結構生物學的革命）。這樣的蛋白質結構預測，幫助理解疾病、研發療法；還可以持續優化生成式 AI，改善人們的生活。
我們採取非常寬泛的組合布局，但同時給研究者留出探索空間。這也是我一開始說的，我們要找到合適的人才，即使命驅動、價值觀一致、願意探索、追求大影響力、能依托 Google 平台實現規模化的人。Demis Hassabis 在這方面的思考非常出色，他深耕這個領域已經很久了，DeepMind 成立 16 年，這幾乎是他畢生的使命。同時我們團隊裡滿是富有創造力、喜歡跨領域協作、希望改變世界的人，他們也會提出由下而上的思路和做法。所以是兩者結合，一部分是 Demis Hassabis 主導的由上而下，一部分是團隊由下而上的探索。
主持人：這種組織架構對管理和人才要求很高。我們再把視野放大到整個科技業。曾經有一段時間，很多科技公司會給頂尖人才很大的自由度，去探索短期看不到成果的方向。後來突然進入 AI 競賽，很多公司把做長期專案的研究者和產品綁得更緊，長期研究幾乎被要求立刻產生產品價值。這種變化在 DeepMind 內部也發生了嗎？
Laya Ibrahim：我加入 Google 大概八年了，我們確實經歷了一段發展歷程。但 Google DeepMind 之所以能讓很多員工長期留下來，正是因為我們有足夠寬泛的布局。有些人希望繼續做前沿 AI 的深度研究，或是偏科學方向的探索，我們有空間支持這種純探索；同時我們也能落地生成式 AI 的進展，比如去年 Gemini 取得的一系列突破。
主持人：我再進一步追問。Google 內部的轉型被描述為：不再讓每個產品部門各自制定 AI 路線，而是公司內部有一個中央引擎，也就是 AI 部門，負責建構 AI 能力，再賦能給各個產品部門。你能介紹一下這個流程嗎？
Laya Ibrahim：這也是過去幾年最令人興奮的變化之一，即Google Brain 和 DeepMind 合併，把 Google 最優秀的 AI 團隊和研究力量匯聚到一起，讓我們可以布局更廣泛的領域。正如你所說，我們的定位是 AI 創新引擎。但我不會說我們是「分發」技術給其他 Google 團隊，而是和產品部門、用戶緊密協作，了解真實需求，從一開始就把模型做得更貼合場景，以協作、負責任的方式推進。等到技術落地到 Google 各個產品時，已經經過大量測試，並可以針對特定場景優化。 這也帶來了很好的結果，比如我們發布 Gemini 3 之後，立刻就能向大量開發者和用戶開放使用。
主持人：最後一個問題，然後我交給 James。我們節目有一個觀察：Sundar Pichai 曾在麥肯錫工作，現在 Google 的重組、集權、再協同各團隊的方式，很像麥肯錫式思路。這一點是否屬實？
James Manyeka：我本人也曾在麥肯錫工作，或許我能回應這個組織架構的問題。現在 Google 的格局非常特別：一方面是 Gemini 專案，這是所有能力的基礎，建構大規模模型，Gemini、Gemini 2.5、Gemini 3 等等。三年前，我們整合 Google Brain 和 DeepMind 團隊，啟動 Gemini 專案。如今這個專案支撐著全公司的產品，你能在搜尋、Google Workspace、Notebook LM 等所有產品裡看到 Gemini。它是底層基礎，這也是為什麼 Google DeepMind 和 Gemini 專案成為了核心引擎。
除此之外，公司還有大量深度科學研究，聚焦最根源的問題，打開大量研究和創新的入口。 我們還有很多其他雄心勃勃的專案，比如 Genie 建構世界模型，還有為 Waymo 做的專項工作，提升自動駕駛模型的能力。所以並不是嚴格的由上而下，而是以 Gemini 專案為基礎，確保每一次快速迭代。現在我們大概每 6 個月就有新一代 Gemini 問世，並且立刻全產品落地，沒有延遲。最新版 Gemini 一推出，就會出現在搜尋、Gemini App 等所有地方。這就是過去三年發生的核心變化。
Google 實驗室的回歸與 AI 原生產品的落地
主持人：我們來聊聊實驗室。早期用過 Google 產品的人都記得，Google 曾經有一個實驗性極強的時代，後來實驗室一度消失。雖然實驗沒有完全停止，但實驗室被重啟後，我們開始看到 Google 推出大量實驗性專案，已經很久沒有這種景象了。實驗室在其中扮演了多大角色？為什麼實驗室重新回歸？
James Manyeka：實驗室非常有意思。三年前，在 Sundar Pichai 的推動下，我們重啟了實驗室。 當時正處在 AI 爆發的節點，我們想探索、實驗、打造完全以 AI 為核心的原生產品。實驗室的思路是：把 Google DeepMind、Google 研究以及公司內部所有頂尖研究成果拿過來，專注打造實驗性的 AI 原生產品。
大家最熟悉的應該是現在的 Notebook LM（是 Google Labs 推出的、基於 Gemini 模型的 AI 原生研究與學習工具，核心是讓你把自己的資料「餵」給 AI，讓 AI 基於你的專屬內容提供服務）。它的起源非常有意思。一開始它叫 Tailwind，只有四五個人做，想法是打造一款 AI 原生的研究工具，基於用戶自己的內容來工作。你可以把資料、書籍、論文、草稿、任何你想匯入的內容放進 Notebook，然後和它互動。這個創意一定程度上也受到作家 Steven Johnson 的啟發，他會保存幾十年的筆記、書稿草稿，他希望有一個產品能把所有資料放進去，然後互動提問：我 1997 年是怎麼想的？那份草稿寫了什麼？ Notebook LM 最終就變成了這樣一款強大的研究工具，基於用戶自有內容，生成摘要或文稿時會附帶引用來源，這是它的核心功能。如果它引用了你的內容，會標註出處，你可以點擊跳轉回原文，非常實用。
後來我們又想：有時候我不想只讀資料，想聽資料。於是我們加入了 AI 音音概覽功能，效果就像 Podcast，有兩位主持人對話解讀。這個想法最早來自 Jeff Dean 等團隊，他們每天要讀大量電腦科學論文，希望能在通勤時聽論文總結，篩選要精讀的內容。而且人們透過對話、討論學習的效果更好，這也是研討會的價值，於是就有了音概覽功能，產品也因此真正爆發。每次我做 AI 演示，都會現場建一個 Notebook，然後播放 Podcast，第一次接觸的人都會非常震撼。很多觀眾和聽眾問我：「你們是不是用你的聲音訓練的？」因為聽起來很像我。我都會說：不是，只是它開頭總會說「我們來拆解一下」，幾乎所有 Podcast 都會這麼開場。
Notebook LM 還有一個很好的使用場景：你可以匯入各種格式內容——論文、YouTube 影片、本機檔案。我曾經用過一個場景：處理來自 100 多個國家、不同語言的論文，全部匯入後直接跨語言互動，現在它還支援生成影片概覽，帶圖表和投影片的那種。這就是實驗室裡發生的事情：把 DeepMind 和 Google 研究的頂尖成果，轉化為優秀的 AI 原生產品。
另一個例子是 Flow（是 Google Labs 推出的 AI 電影製作工具，由 DeepMind 的 Veo、Imagen 與 Gemini 模型驅動，專為創意人士打造，能把文字、圖像轉化為連貫、高品質的影片片段與完整場景）。我講個小故事：我人生第一次也是最後一次登山，是厄瓜多的科托帕希火山。我想做一段影片記錄，但有些瞬間我沒有拍，只想專心登山。比如我的水壺從背包掉出來，滾下冰川消失在暗處。我想用動畫還原這個片段，就用了 Google 的影片生成工具 Flow，輸入指令生成紀錄片風格動畫，插入到影片裡。放在以前，我得專門找動畫師。Flow 就是實驗室誕生的神奇產品。
當時實驗室負責人 Josh Woodward、Demis Hassabis 和我們幾個人聚在一起討論：如果把現有工具整合起來，能做出什麼實用的東西？最初版本比較粗糙，後來我們找了真正的電影製作人交流，獲取回饋。實驗室的一大特點就是和創作者深度合作，讓他們幫助我們打磨工具。 Flow 就這樣誕生了。你可以逐鏡頭提示生成影片，並且支援連貫生成，這也是「Flow」這個名字的來源。最初的版本不夠好用，電影製作人提出：他們需要逐鏡頭創作、拼接、連貫製作。於是我們做了優化。
實驗室大概同時在推進 30 個實驗專案，你去 Google 實驗室網站就能看到。
主持人：我有個請求，擴大開放範圍，很多專案看起來很有意思，但每次都顯示候補名單。
James Manyeka：我們會努力的。比如 Pomello（面向傳統中小企業的 AI 行銷工具，由 Google Labs 與 DeepMind 聯合開發），面向中小企業的工具，不是那種科技新創公司，而是傳統中小企業，幫助他們快速搭建富有創意的線上展示頁面。還有 AIR Studio（面向開發者的無程式碼/低程式碼 AI 原型開發平台），面向開發者。我們希望為各類創作者，比如開發者、藝術家、電影製作人、音樂人，打造頂尖 AI 工具。
20% 的時間用來創新
主持人：有兩個產品我特別想試用，可能會成為下一個 Notebook LM：一個是 CC（基於 Gemini 的個人 AI 助理、生產力智慧代理，類似「超級版 Notion AI + 個人行程管家」），Google 內部的實驗性生產力智慧代理；另一個是 Disco（基於 Gemini 3 的生成式瀏覽器，核心能力是 GenTabs），你可以基於一堆連結生成網頁應用。比如你規劃週末活動，打開一堆網頁，它就能自動生成對應應用，比如自訂地圖，標註各個活動地點，你選定日期，它會高亮當天可用的專案。
我想問兩位：過去 Google 有所謂「20% 時間」的機制，員工可以用 20% 的工作時間做本職以外的專案，很多重磅產品比如 Gmail 就來自於此。這些實驗專案是誰做的？20% 時間是不是以某種形式回歸了？這麼多有趣的實驗，在公司內部是如何推進的？
James Manyeka：我可以先回答。這種機制實際上依然存在。回到實驗室，大概 80% 的專案來自實驗室團隊，另外 20% 就來自 20% 時間專案。
我舉個教育領域的例子，這也是 Laya 和我非常重視的方向。Google 研究的一位員工，本職工作和教育無關，但他提出一個想法：能不能讓人們用自己適合的方式學習？現在的 AI 工具已經可以支援多樣化的學習方式。這個專案最終變成了「Learn Your Way」（是 Google Labs 推出的、基於 LearnLM 的 AI 個人化學習實驗工具，核心是把靜態教材、資料變成適配年級、貼合興趣、多模態互動的學習體驗），你可以在 Google 實驗室裡找到這款實驗產品。它不是實驗室團隊做的，而是公司其他部門員工的創意。 我們持續從全公司收到各種出色創意。
另一個例子是 Co-Scientist（是 Google Research 基於 Gemini 2.0 打造的多智慧代理科研協作系統，定位是人類科學家的虛擬研究夥伴，核心是模擬「假設生成—辯論—驗證—迭代」的完整科研流程，幫研究者加速發現、突破思維局限），來自 DeepMind 和 Google 研究，是幫助科學家進行科研發現的工具，之後會放到實驗室裡測試、迭代，但它並不是在實驗室內部建構的。全公司員工產生創意的機制依然非常活躍，也帶來了很多令人興奮的創新。
Laya Ibrahim：DeepMind 的研究者同樣有機會建構實驗性產品。 這其實是我們文化的一部分，給大家探索的空間，並且堅持跨領域方式，不只局限於研究者，這一點非常令人興奮。我們會匯聚不同視角，解決真實挑戰。有時候甚至是用 AI 工具提升自身工作效率： 比如讓法務團隊更快審核研究論文、獲取回饋；為責任團隊做更自動化的紅隊測試；還有解讀古代文獻。
我們有一個專案，是一位研究者自主發起的探索：不只關注今天的智慧，還要挖掘被遺忘的歷史知識。他牽頭做了一個專案，不僅能鑑定泥板年代，還能補全缺失內容、進行翻譯。這就是 Project ANEKS 專案（是 Google DeepMind 的一個 AI 研究專案），專注古代文獻研究。正如 James 所說，Google 最不缺的就是聰明、有好奇心的人，而且公司文化支持這種探索。
主持人：我解釋一下我為什麼這麼關注這一點。上世紀，S&P 500 公司（美國 500 家頂尖上市公司的股票指數）的平均存續時間是 67 年，現在只有 15 年。AI 時代到來，變化會更快，創意來源、實驗和新專案的能力，對一家公司的長期存續至關重要。所以我非常關心 Google 內部是如何運作的。
Laya Ibrahim：我之前做過創投，我曾覺得創投是最了不起的地方，因為能接觸到大膽想法的創業者。但我在 Google 的感受是：創新就是日常文化的一部分，在各個部門都在發生。 只是 DeepMind 和 Google 其他部門的呈現方式不太一樣，但整個公司都在支持創新。
James Manyeka：我再補充一點。Google 的研究文化非常獨特，回到你最開始提到的貝爾實驗室，不管是 DeepMind 還是 Google 研究，我們都堅持一個理念：從研究走向現實。很多研究突破會非常快地轉化為現實影響力。 AlphaFold 就是很好的例子，它是諾貝爾獎等級的突破，而現在全球已有超過 190 個國家、350 萬研究者在使用它。還有天氣預報領域的突破，現在已經投入實際使用，我們的洪水預警系統已經覆蓋 150 個國家、20 億人。把科研突破轉化為社會影響力，是我們非常獨特的一點。
主持人：有個問題我必須問，不然觀眾會問我為什麼不問。很多年裡，外界對 Google 的印象是「不敢發布產品」。最典型的例子：Transformer 模型是 Google 發明的，而 ChatGPT 是第一個基於它的主流應用。我年底採訪過 Sam Altman，他當時說過一句很受關注的話：如果 Google 早期就重視我們，他們早就把我們碾壓了，而現在他們是強大的競爭對手。「發布產品」這件事，在 Google 內部是不是變得更重要了？把實驗推向大眾的野心是不是更強了？
James Manyeka：我認為是的，而且這是一個自然演變的過程。Google 一直在產生大量研究突破，我們始終存在一種良性的張力：產品是否已經準備好？我們並不總能做出完美判斷，但我認為這種張力是好事，是「大膽與負責並存」的體現。同時我們也意識到：很多實驗和創新，只有讓人們使用、體驗，我們才能學到東西。這回歸到科學方法。產品的紅隊測試我們做得很多，但真實用戶的使用，甚至惡意使用，都能讓我們學到更多。這就是一種演變：發布有用的產品，並從發布中學習。 我們現在常說「持續交付」，Gemini 模型大概每 5 到 6 個月就會迭代新一代， 這就是你看到的變化。
AI 與教育：是助力還是隱患？
主持人：AI 與教育是你們都非常關注且投入很多的方向。你們最近的一項研究顯示，85% 的 18 歲以上學生在使用 AI，我猜剩下 15% 是沒說實話；81% 的教師表示在使用 AI，遠高於全球公眾 66% 的 AI 使用率。AI 正在對教育產生真實影響。先從你們的視角開始：這對教育整體是積極的嗎？批評聲音也很多，比如學生用 AI 作弊，教師批改的是作弊生成的作業。實際情況到底是怎樣的？
Laya Ibrahim：首先，正如 James 之前所說，這是一個非常重要的領域。我們對待它的方式和其他領域一致：既要大膽思考 AI 如何改變學習方式、釋放人類潛力，也要保持負責，識別風險並投入資源降低風險。我們在調查中還發現，約 80% 的成年學習者認為 AI 對學習有幫助，它能以適合的形式、在需要的時候提供資訊。我們重點關注的方向之一，是讓 AI 不只給出答案，而是帶你一步步拆解問題。這一切都建立在科學方法之上。
三年前，我們決定把學習當作一流的科学問題去研究：人是如何學習的？Google 內部有相關經驗和專業能力，同時全球也有大量研究者在做這件事。我們非常慎重地與教育學專家、全球教育工作者合作，推出了 Learn LM。
今年我們把這項能力全面注入 Gemini，並在 Gemini App 中推出引導式學習等功能，幫助用戶一步步拆解問題，教會你如何學習、如何分析。我自己也是十幾歲孩子的家長，經常在做「A/B 測試」。
主持人：你應該讓一個用 AI，一個不用，看看最後誰更好。
Laya Ibrahim：我會把這個加入下一輪實驗。我的一個女兒有讀寫障礙，現有教育體系並不適合她。但我發現，當她把 AI 融入學習，不管是拆解數學題，還是幫她整理混亂的思緒、形成通順的文字，她感到前所未有的自信。我還有一個身體有殘疾的妹妹，教育體系也不是為她設計的。放眼世界，太多學生因為沒有合適的技術工具而被落下。
我們的設想是：讓每一位學生都擁有個人化導師，讓每一位教師都擁有教學助手。 AI 是生產力工具，它能改變師生互動的模式。我們不是說 AI 是魔法，教師才是核心，但 AI 能解放教師，讓他們回歸人與人之間的真實互動。我們在教師生產力工具上已經看到很好的進展。我剛去北愛爾蘭，當地教師和政府合作做了試點，他們的便利貼上寫滿了收穫：平均每位教師每週節省 10 小時，多出的時間用來陪伴家人，為班裡 30 多名不同需求的學生設計教案。 這非常鼓舞人心。但我們仍處在早期階段，必須意識到這件事事關重大，關係到人的一生。幫助他們學習、打開機會，並從中學習、反哺研究，這至關重要。
James Manyeka：我補充一點。我們發現，教育領域和社會其他領域一樣：新技術到來時，不能只是簡單嫁接到現有流程裡，而是要重新設計工作流程。 舉個學習的例子：大家很擔心作弊問題。在 AI 普及的世界裡，我們或許不應該再用傳統的方式考試和評估。一些學區發現，學生使用引導式學習時，是真的在學習，知識掌握程度會提升；但如果只是為了熬夜趕作業，他們就不會認真用。於是這些學區做了實驗：增加週測。學生聽到要多考試可能會崩潰。但結果是：測試變多，學生為了備考主動使用引導式學習的時間變長，學習效果反而更好。這就是我們需要重新想像學習流程的例子，而不是把技術硬套在現有結構上。我們透過和教師、學校、學區交流，得到了很多有趣的實驗和創新結論。我們仍處在非常早期的階段，但大家對認知卸載等問題的擔憂是真實的，我們必須認真對待。
主持人：這一點我想繼續聊。和很多技術、尤其是 AI 一樣，大家擔心的是：有抱負的人會正確使用它，能力大幅提升；而用錯方式或不用的人，差距會被拉得更大。《紐約時報》最近有篇文章，不只是學生，教師也在用 ChatGPT，有些學生對此不滿。東北大學有學生發現，教授的投影片裡有拼寫錯誤、圖片裡出現多餘肢體，這些都是 AI 生成的痕跡。你如何看待這種可能加劇社會分化的問題？
Laya Ibrahim：這讓我想到當年把電�引入課堂和大學的時候。我們能從那段歷史裡吸取很多經驗。一方面，我們可以主動做一些事情；另一方面，我們也在召集各方領導者，從體系層面探討應對方式。我們把管理者聚在一起，討論在各自機構裡建立負責任使用技術的框架。
現在的情況有點混亂，大家各行其是，而我們需要一種探索性的共識：AI 不會消失，公平的使用機會和素養至關重要。有些學生為了領先而用 AI，有些學生因為害怕被視為作弊而不敢用，這就會造成分化，我們也觀察到了性別上的差異。我們能做的，是把領導者聚在一起，探討如何開啟新篇章，如何在最大化收益的同時建立護欄、降低風險。去年年底，我、James 和幾位同事共同舉辦了一場活動，分享最佳實踐，交流哪些有效、哪些無效，我們的研究者也參與其中。我們還為教師提供實操培訓，教他們負責任地使用工具。這更多是為了釋放生產力和潛力，而不是替代。激勵機制的設計也必須跟上，這一點毫無疑問。
前沿科技進展：量子運算、材料科學、氣象預測、太空計畫
主持人：請問 James：量子運算的現狀如何？它的發展速度比很多人預期的更快。
James Manyeka：我們有一支頂尖的量子 AI 團隊，正在做突破性的工作。 總的來說，量子運算的進展比大眾認知的要快。量子運算的終極目標，是建構完全容錯的量子電腦，路線有很多種。主流方向是超導量子位元，也是我們團隊在做的，全球很多團隊都在研究這條路，複雜度很高，但被認為是最有希望的方向。此外還有中性原子等多種技術路線。
具體進展：底層晶片進步巨大，比如我們的 Willow 晶片，一年半前取得重大里程碑。它完成了一項叫 RCS 的基準測試，一台頂級經典超級電腦需要 100 億年才能完成，而它只用了不到 5 分鐘，還能以突破性的方式糾錯。
量子運算一直以來的另一個核心障礙是平滑糾錯：如何在擴容、增加量子位元的同時降低錯誤率。這是真正的突破，也是我們獲得年度突破獎的原因，是我們首次證明可以實現閾值以下糾錯——系統擴容，錯誤率反而下降，這正是我們想要的結果。
另一個重大突破在去年年底：之前所有的基準測試，包括我剛才說的，都只用於基準測試，沒有實際用途。而去年我們首次實現了有實際價值的運算，也就是Quantum Echoes，相關成果登上了《自然》封面。它完成了一項有用的運算：研究分子的自旋動力學，這是其他方式無法實現的。我們還和柏克萊的團隊合作，他們透過核磁共振實驗在實驗室驗證了結果。這是第一個有實用價值的量子運算案例。
綜合來看，量子運算的進展比大家以為的「還要幾十年」要快得多。未來五年左右，我們會開始看到量子運算的實用化應用，非常令人期待。
主持人：材料科學是 AI 研究中相對被忽視的領域，AI 可以透過預測技術發現新材料。Laya，介紹一下目前的進展。
Laya Ibrahim：這回到我們的核心思路：AI 能幫助我們解開哪些根源性問題、加深對世界的基礎理解，從而為整個領域打開大門。AlphaFold 就是其中之一。你提到的 AlphaGeometry（是 DeepMind 開發的、能自動解決高難度奧林匹克幾何證明題的 AI 系統，達到了國際數學奧林匹克「IMO」金牌選手的水準。），還有我們的材料科學專案，都非常令人興奮。我們把已知的 4 萬種穩定晶體，拓展到了 40 多萬種，目前正在實驗室和研究中測試。這意味著什麼？你可以想像更優質的電動車電池、超級電腦的超導體。很多突破都要依靠新材料實現。我們仍處在早期階段，但我們相信這是一個很有前景的方向，有可能改變我們的生活和工作方式。
主持人：發現新材料之後，會帶來什麼？比如像 T 恤一樣薄，但保暖性媲美冬裝的材料？
Laya Ibrahim：沒錯。你身邊的所有東西，都可以透過新材料重新想像。比如電池、電動車，如何讓車身更輕、續航更長、充電更快，突破現有物理限制。這些都有可能透過基礎材料的突破實現。
主持人：接下來是氣象預測，Google 在很多方向上都在深耕 AI 氣象。
James Manyeka：我們有一個非常龐大的氣象專案，由 DeepMind 和 Google 研究共同推進。氣象預測的維度很多：普通天氣預報，下週、明天天氣如何，Graphcast（是 Google DeepMind 於 2023 年推出的、基於圖神經網路「GNN」的全球中期天氣預報 AI 模型，是氣象預測領域的里程碑式突破）來自 DeepMind，是目前業內頂尖的模型。我們還在預測其他氣象事件：季風、颶風、洪水等極端天氣。
我舉一個影響生命安全的例子：業界早就知道，如果洪水預警能提前 6 天以上發出，就能挽救生命。聯合國估計，這樣能減少一半的災害損失。這一直是一個難題。兩年半前，我們的團隊建構了預測河流洪水的模型，在孟加拉試點成功。如今，我們的洪水預測已經覆蓋 150 個國家、20 億人。這就是從突破性創新到社會實際價值的典型案例。我們還和國家颶風中心合作，可以提前 15 天預測颶風的 50 條不同路徑，並且成功追蹤了颶風 Melissa。這類資訊對災害應急意義重大，也能用於航班調度等日常場景。
主持人：最後一個專案：Project Suncatcher（Google 的「太空 AI 資料中心」計畫，在地球軌道部署由太陽能衛星組成的星座，搭載 TPU，利用太空無限太陽能進行 AI 運算）是什麼？
James Manyeka：這是典型的 Google 式瘋狂構想。我們思考：今天如何訓練 AI 系統？100 年之後，考慮到訓練模型需要的算力和能源，會怎麼做？100 年後，我們肯定會在太空訓練，畢竟太陽的能量是地球的百萬億倍，而且 24 小時不間斷。為什麼不現在就朝著這個未來邁進？ Project Suncatcher 專案就是這樣一個 Google 式登月計畫。
我們已經完成了幾個關鍵里程碑，計畫把 TPU，一款專用 AI 晶片，送入太空進行訓練。我們真的要把晶片送上太空。第一個里程碑是我們希望 2027 年在太空完成若干次訓練任務。這就是 Project Suncatcher，一步步走向那個未來。有人會聯想到 Dyson Sphere（是物理學家弗里曼・戴森在 1960 年提出的科幻級巨型工程構想，核心是用巨大結構完全包裹恆星，捕獲其幾乎全部能量，是 II 型文明的標�性能源方案），利用太陽系、甚至銀河系的能量。一位前 Google 員工曾提出：如果要走向 AGI，地球可能會佈滿資料中心；但如果把資料中心放到太空，地球就能留給人類生活。 敬請關注，我們下一個里程碑在 2027 年，希望能完成太空訓練。
參考連結：
https://www.youtube.com/watch?v=MkZRak7lVcA
聲明：本文為 AI 前線整理，不代表平台觀點，未經許可禁止轉載。