DeepMind 运作模式曝光！暗示根本没输 OpenAI：员工20% 时间重启创新，保守巨头直接变 “实验狂”

很多人知道，Transformer 是谷歌发明的。但 ChatGPT，却不是谷歌做出来的。这件事，在过去几年，几乎成了硅谷最大的“遗憾注脚”。

但如果真正走进今天的 Google DeepMind，你会发现谷歌并不是“慢”，而是在下一盘更大的棋。

近期，Google DeepMind 首席运营官 Lila Ibrahim 与谷歌研究、技术与社会高级副总裁 James Manyika 在一档播客中，第一次系统性拆解了这家公司正在发生的变化：

• DeepMind 到底怎么运作？
• 为什么 Gemini 可以每 6 个月迭代一代？
• 谷歌如何在量子计算、材料科学、气象预测、太空算力这些领域同步推进？
• 以及，AI 原生产品是如何真正落地，而不是停留在实验室？

如果说 OpenAI 是一家高速冲刺的创业公司，那么今天的谷歌，更像一座重新启动的 “现代版贝尔实验室”。

DeepMind 运作模式有两个核心方法论：

• 只给方向，不给答案。

制定宏大的研究议程，但不规定路径，研究者拥有高度自由。

• 广泛的跨学科研究。

生物伦理学家、神经科学家、计算机科学家可以在同一张桌子上工作，这是谷歌的日常。

而在这套机制背后，还有一个关键变量，即 Google DeepMind 的灵魂人物 Demis Hassabis。他拥有对时机的精准判断，既能自上而下设定方向，又允许自下而上产生创新。

比如 Demis Hassabis 判断，2026 年 Gemini 已经足够成熟，可以全面吸收 DeepMind 在“学习科学”上的积累。 这种判断，决定了资源如何倾斜，决定了产品什么时候进入爆发期。

James Manyika 提到，过去三年最大的变化，是把 Google Brain 和 DeepMind 合并，围绕 Gemini 建立了一个中央 AI 引擎。在这一模式下：

• Gemini 是全公司的底层基础设施
• 每 5、6 个月完成一次重大迭代
• 模型一发布，立刻进入搜索、Workspace、Gemini App 等核心产品

与此同时，谷歌实验室文化正在回归，而且规模比过去更大。

James Manyika 透露，实验室目前同时推进约 30 个项目。

谷歌有一套闻名硅谷的创新机制，即全体员工拿出 20% 的时间用来做项目以外的探索，这会源源不断爆发出好产品来反哺谷歌。比如能消化资料的 Notebook LM ，AI 电影制作工具 Flow。

如果只看生成式 AI，你会低估谷歌。因为 DeepMind 同时在推进生物研究、教育体系、材料科学、气象预测、量子计算、太空算力计划等。而在不少领域，谷歌已经取得里程碑式成就。

从量子纠错的突破，到覆盖 150 个国家的洪水预测系统，再到试图把 TPU 送入太空进行训练的 Project Suncatcher，这些布局显示出一种极少见的长期视角。

“从谨慎地发布”到“在发布中学习”， 谷歌完成了新节奏的转变。这家公司，正在重新定义什么叫“长期主义”。当它真正开始加速时，人们是否已经意识到，它的棋局，比所有人想象的都要大？

以下是播客的精彩细节，有更多谷歌最新进展，欢迎来看：

谷歌 DeepMind 的运作模式：贝尔实验室与阿波罗计划

主持人：DeepMind 首席执行官 Demis Hassabis（戴比斯・哈萨比斯）之前在我们节目里，把 DeepMind 形容为现代版的贝尔实验室。Laya，这具体意味着什么？你能介绍一下它的研究模式吗？它是实验室模式还是公司化运作？

Laya Ibrahim：我想先从我们的使命“负责任地构建 AI，造福人类”说起，因为一切都以此为基础。

首先，我们会制定极具雄心的研究议程，只明确大方向，不规定具体做法。 我们的思路借鉴了 贝尔实验室的黄金时代，也参考了 阿波罗计划，甚至还有 皮克斯。核心是汇聚顶尖人才，打造能让他们成功、能放手探索的环境。

第一，明确宏大的研究方向，告诉团队聚焦哪些领域，但不规定他们如何工作。

第二，由于研究范围极广，我们要打造跨学科团队。 我们要营造一种文化，让生物伦理学家、计算机科学家、神经科学家能并肩工作，我们认为这才是产生突破、创造价值的关键。这种方式已经带来了很多非凡的成果。我们也敢于探索，并且懂得判断时机。Demis Hassabis 在把握节奏上非常出色：该投入探索、设定宏大目标、评估进展；也敢于果断叫停，或是加倍投入。

一个很好的例子：过去几年我们一直在学习科学领域深耕，研究人类如何学习、如何改进学习方式。今年 Demis Hassabis 判断，Gemini 已经足够成熟，可以把我们在学习科学上的积累全面注入 Gemini，这也是我们的重点方向之一，以此提升 Gemini 为学习者提供的能力。 谷歌 DeepMind 在时机判断上，确实有很独特的地方。

主持人：我们再梳理一下流程。就像你刚才说的，Demis Hassabis 判断 Gemini 已经准备好承接学习科学相关能力，于是 DeepMind 开始推进。谷歌 DeepMind 的工作，自上而下和自下而上的比例大概是多少？Open AI 曾把自己的模式形容为大公司里的一堆初创公司。谷歌是类似模式，还是更偏自上而下？

Laya Ibrahim：因为我们的使命非常宏大，我们要找到 AI 能够帮助人类解开宇宙谜题、应对人类重大挑战的核心方向。这个范围足够广，我们既可以做气象研究、提升天气预报，也可以做 AlphaFold（是 DeepMind 开发的、能精准预测蛋白质 3D 结构的 AI 程序，被称为结构生物学的革命）。这样的蛋白质结构预测，帮助理解疾病、研发疗法；还可以持续优化生成式 AI，改善人们的生活。

我们采取非常宽泛的 组合布局，但同时 给研究者留出探索空间。这也是我一开始说的，我们要找到合适的人才，即使命驱动、价值观一致、愿意探索、追求大影响力、能依托谷歌平台实现规模化的人。Demis Hassabis 在这方面的思考非常出色，他深耕这个领域已经很久了，DeepMind 成立 16 年，这几乎是他毕生的使命。同时我们团队里满是富有创造力、喜欢跨学科协作、希望改变世界的人，他们也会提出自下而上的思路和做法。所以 是两者结合，一部分是 Demis Hassabis 主导的自上而下，一部分是团队自下而上的探索。

主持人：这种组织架构对管理和人才要求很高。我们再把视野放大到整个科技行业。曾经有一段时间，很多科技公司会给顶尖人才很大的自由度，去探索短期看不到成果的方向。后来突然进入 AI 竞赛，很多公司把做长期项目的研究者和产品绑定得更紧，长期研究几乎被要求立刻产生产品价值。这种变化在 DeepMind 内部也发生了吗？

Laya Ibrahim：我加入谷歌大概八年了，我们确实经历了一段发展历程。但谷歌 DeepMind 之所以能让很多员工长期留下来，正是因为我们有足够宽泛的布局。有些人希望继续做前沿 AI 的深度研究，或是偏科学方向的探索，我们有空间支持这种纯探索；同时我们也能落地生成式 AI 的进展，比如去年 Gemini 取得的一系列突破。

主持人：我再进一步追问。谷歌内部的转型被描述为：不再让每个产品部门各自制定 AI 路线，而是公司内部有一个中央引擎，也就是 AI 部门，负责构建 AI 能力，再赋能给各个产品部门。你能介绍一下这个流程吗？

Laya Ibrahim：这也是过去几年最令人兴奋的变化之一，即 Google Brain 和 DeepMind 合并，把谷歌最优秀的 AI 团队和研究力量汇聚到一起，让我们可以布局更广泛的领域。正如你所说，我们的定位是 AI 创新引擎。但我不会说我们是 “分发” 技术给其他谷歌团队，而是和产品部门、用户紧密协作，了解真实需求，从一开始就把模型做得更贴合场景，以协作、负责任的方式推进。等到技术落地到谷歌各个产品时，已经经过大量测试，并可以针对特定场景优化。 这也带来了很好的结果，比如我们发布 Gemini 3 之后，立刻就能向大量开发者和用户开放使用。

主持人：最后一个问题，然后我交给 James。我们节目有一个观察：Sundar Pichai（桑达尔・皮查伊）曾在麦肯锡工作，现在谷歌的重组、集权、再协同各团队的方式，很像麦肯锡式思路。这一点是否属实？

James Manyika：我本人也曾在麦肯锡工作，或许我能回应这个组织架构的问题。现在谷歌的格局非常特别：一方面是 Gemini 项目，这是所有能力的基础，构建大规模模型，Gemini、Gemini 2.5、Gemini 3 等等。三年前，我们整合 Google Brain 和 DeepMind 团队，启动 Gemini 项目。如今这个项目支撑着全公司的产品 ，你能在搜索、Google Workspace、Notebook LM 等所有产品里看到 Gemini。它是底层基础，这也是为什么谷歌 DeepMind 和 Gemini 项目成为了核心引擎。

除此之外，公司还有大量深度科学研究，聚焦最根源的问题，打开大量研究和创新的入口。 我们还有很多其他雄心勃勃的项目，比如 Genie 构建世界模型，还有为 Waymo 做的专项工作，提升自动驾驶模型的能力。所以并不是严格的自上而下，而是以 Gemini 项目为基础，确保每一次快速迭代。现在我们大概每 6 个月就有新一代 Gemini 问世，并且立刻全产品落地，没有延迟。最新版 Gemini 一推出，就会出现在搜索、Gemini App 等所有地方。这就是过去三年发生的核心变化。

 谷歌实验室的回归与 AI 原生产品的落地

主持人：我们来聊聊实验室。早期用过谷歌产品的人都记得，谷歌曾经有一个实验性极强的时代，后来实验室一度消失。虽然实验没有完全停止，但实验室被重启后，我们开始看到谷歌推出大量实验性项目，已经很久没有这种景象了。实验室在其中扮演了多大角色？为什么实验室重新回归？

James Manyika：实验室非常有意思。三年前，在 Sundar Pichai 的推动下，我们重启了实验室。 当时正处在 AI 爆发的节点，我们想探索、实验、打造完全以 AI 为核心的原生产品。实验室的思路是：把谷歌 DeepMind、谷歌研究以及公司内部所有顶尖研究成果拿过来，专注打造实验性的 AI 原生产品。

大家最熟悉的应该是现在的 Notebook LM（是 Google Labs 推出的、基于 Gemini 模型的 AI 原生研究与学习工具，核心是让你把自己的资料 “喂” 给 AI，让 AI 基于你的专属内容提供服务）。它的起源非常有意思。一开始它叫 Tailwind，只有四五个人做，想法是打造一款 AI 原生的研究工具，基于用户自己的内容来工作。你可以把资料、书籍、论文、草稿、任何你想导入的内容放进 Notebook，然后和它交互。这个创意一定程度上也受到作家 Steven Johnson 的启发，他会保存几十年的笔记、书稿草稿，他希望有一个产品能把所有资料放进去，然后交互提问：我 1997 年是怎么想的？那份草稿写了什么？Notebook LM 最终就变成了这样一款强大的研究工具，基于用户自有内容，生成摘要或文稿时会附带引用来源，这是它的核心功能。如果它引用了你的内容，会标注出处，你可以点击跳转回原文，非常实用。

后来我们又想：有时候我不想只读资料，想听资料。于是我们加入了 AI 音频概览功能，效果就像播客，有两位主持人对话解读。这个想法最早来自 Jeff Dean 等团队，他们每天要读大量计算机科学论文，希望能在通勤时听论文总结，筛选要精读的内容。而且人们通过对话、讨论学习的效果更好，这也是研讨会的价值，于是就有了音频概览功能，产品也因此真正爆发。每次我做 AI 演示，都会现场建一个 Notebook，然后播放播客，第一次接触的人都会非常震撼。很多观众和听众问我：“你们是不是用你的声音训练的？” 因为听起来很像我。我都会说：不是，只是它开头总会说 “我们来拆解一下”，几乎所有播客都会这么开场。

Notebook LM 还有一个很好的使用场景：你可以导入各种格式内容 —— 论文、YouTube 视频、本地文件。我曾经用过一个场景：处理来自 100 多个国家、不同语言的论文，全部导入后直接跨语言交互，现在它还支持生成视频概览，带图表和幻灯片的那种。这就是实验室里发生的事情：把 DeepMind 和谷歌研究的顶尖成果，转化为优秀的 AI 原生产品。

另一个例子是 Flow（是 Google Labs 推出的 AI 电影制作工具，由 DeepMind 的 Veo、Imagen 与 Gemini 模型驱动，专为创意人士打造，能把文字、图像转化为连贯、高质量的视频片段与完整场景）。我讲个小故事：我人生第一次也是最后一次登山，是厄瓜多尔的科托帕希火山。我想做一段视频记录，但有些瞬间我没有拍，只想专心登山。比如我的水壶从背包掉出来，滚下冰川消失在暗处。我想用动画还原这个片段，就用了谷歌的视频生成工具 Flow，输入指令生成纪录片风格动画，插入到视频里。放在以前，我得专门找动画师。Flow 就是实验室诞生的神奇产品。

当时实验室负责人 Josh Woodward、Demis Hassabis 和我们几个人聚在一起讨论：如果把现有工具整合起来，能做出什么实用的东西？最初版本比较粗糙，后来我们找了真正的电影制作人交流，获取反馈。实验室的一大特点就是和创作者深度合作，让他们帮助我们打磨工具。Flow 就这样诞生了。你可以逐镜头提示生成视频，并且支持连贯生成，这也是 “Flow” 这个名字的来源。最初的版本不够好用，电影制作人提出：他们需要逐镜头创作、拼接、连贯制作。于是我们做了优化。

实验室大概同时在推进 30 个实验项目，你去谷歌实验室网站就能看到。

主持人：我有个请求，扩大开放范围，很多项目看起来很有意思，但每次都显示等候名单。

James Manyika：我们会努力的。比如 Pomello（面向传统中小企业的 AI 营销工具，由 Google Labs 与 DeepMind 联合开发），面向中小企业的工具，不是那种科技初创公司，而是传统中小企业，帮助他们快速搭建富有创意的线上展示页面。还有 AIR Studio（面向开发者的无代码 / 低代码 AI 原型开发平台），面向开发者。我们希望为各类创作者，比如开发者、艺术家、电影制作人、音乐人，打造顶尖 AI 工具。

 20% 的时间用来创新

主持人：有两个产品我特别想试用，可能会成为下一个 Notebook LM：一个是 CC（基于 Gemini 的个人 AI 助理、生产力智能体，类似 “超级版 Notion AI + 个人日程管家），谷歌内部的实验性生产力智能体；另一个是 Disco（基于 Gemini 3 的生成式浏览器，核心能力是 GenTabs），你可以基于一堆链接生成网页应用。比如你规划周末活动，打开一堆网页，它就能自动生成对应应用，比如自定义地图，标注各个活动地点，你选定日期，它会高亮当天可用的项目。

我想问两位：过去谷歌有所谓 “20% 时间” 的机制，员工可以用 20% 的工作时间做本职以外的项目，很多重磅产品比如 Gmail 就来自于此。这些实验项目是谁做的？20% 时间是不是以某种形式回归了？这么多有趣的实验，在公司内部是如何推进的？

James Manyika：我可以先回答。这种机制实际上依然存在。回到实验室，大概 80% 的项目来自实验室团队，另外 20% 就来自 20% 时间项目。

我举个教育领域的例子，这也是 Laya 和我非常重视的方向。谷歌研究的一位员工，本职工作和教育无关，但他提出一个想法：能不能让人们用自己适合的方式学习？现在的 AI 工具已经可以支持多样化的学习方式。这个项目最终变成了 “Learn Your Way”（ 是 Google Labs 推出的、基于 LearnLM 的 AI 个性化学习实验工具，核心是把静态教材、资料变成适配年级、贴合兴趣、多模态互动的学习体验），你可以在谷歌实验室里找到这款实验产品。它不是实验室团队做的，而是公司其他部门员工的创意。 我们持续从全公司收到各种出色创意。

另一个例子是 Co-Scientist（是 Google Research 基于 Gemini 2.0 打造的多智能体科研协作系统，定位是人类科学家的虚拟研究伙伴，核心是模拟 “假设生成 — 辩论 — 验证 — 迭代” 的完整科研流程，帮研究者加速发现、突破思维局限），来自 DeepMind 和谷歌研究，是帮助科学家进行科研发现的工具，之后会放到实验室里测试、迭代，但它并不是在实验室内部构建的。全公司员工产生创意的机制依然非常活跃，也带来了很多令人兴奋的创新。

Laya Ibrahim：DeepMind 的研究者同样有机会构建实验性产品。 这其实是我们文化的一部分，给大家探索的空间，并且坚持跨学科方式，不只局限于研究者，这一点非常令人兴奋。我们会汇聚不同视角，解决真实挑战。有时候甚至是用 AI 工具提升自身工作效率： 比如让法律团队更快审核研究论文、获取反馈；为责任团队做更自动化的红队测试；还有解读古代文献。

我们有一个项目，是一位研究者自主发起的探索：不只关注今天的智能，还要挖掘被遗忘的历史知识。他牵头做了一个项目，不仅能鉴定泥板年代，还能补全缺失内容、进行翻译。这就是 Project ANEKS 项目（是 Google DeepMind 的一个 AI 研究项目），专注古代文献研究。正如 James 所说，谷歌最不缺的就是聪明、有好奇心的人，而且公司文化支持这种探索。

主持人：我解释一下我为什么这么关注这一点。上世纪，S&P 500 公司（美国 500 家顶尖上市公司的股票指数）的平均存续时间是 67 年，现在只有 15 年。AI 时代到来，变化会更快，创意来源、实验和新项目的能力，对一家公司的长期存续至关重要。所以我非常关心谷歌内部是如何运作的。

Laya Ibrahim：我之前做过风险投资，我曾觉得风投是最了不起的地方，因为能接触到有大胆想法的创业者。但我在谷歌的感受是：创新就是日常文化的一部分，在各个部门都在发生。 只是 DeepMind 和谷歌其他部门的呈现方式不太一样，但整个公司都在支持创新。

James Manyika：我再补充一点。谷歌的研究文化非常独特，回到你最开始提到的贝尔实验室，不管是 DeepMind 还是谷歌研究，我们都坚持一个理念：从研究走向现实。很多研究突破会非常快地转化为现实影响力。AlphaFold 就是很好的例子，它是诺贝尔奖级别的突破，而现在全球已有超过 190 个国家、350 万研究者在使用它。还有天气预报领域的突破，现在已经投入实际使用，我们的洪水预警系统已经覆盖 150 个国家、20 亿人。把科研突破转化为社会影响力，是我们非常独特的一点。

主持人：有个问题我必须问，不然观众会问我为什么不问。很多年里，外界对谷歌的印象是 “不敢发布产品”。最典型的例子：Transformer 模型是谷歌发明的，而 ChatGPT 是第一个基于它的主流应用。我年底采访过 Sam Altman，他当时说过一句很受关注的话：如果谷歌早期就重视我们，他们早就把我们碾压了，而现在他们是强大的竞争对手。“发布产品” 这件事，在谷歌内部是不是变得更重要了？把实验推向公众的野心是不是更强了？

James Manyika：我认为是的，而且这是一个自然演变的过程。谷歌一直在产生大量研究突破，我们始终存在一种良性的张力：产品是否已经准备好？我们并不总能做出完美判断，但我认为这种张力是好事，是 “大胆与负责并存” 的体现。同时我们也意识到：很多实验和创新，只有让人们使用、体验，我们才能学到东西。这回归到科学方法。产品的红队测试我们做得很多，但真实用户的使用，甚至恶意使用，都能让我们学到更多。这就是一种演变：发布有用的产品，并从发布中学习。 我们现在常说 “持续交付”，Gemini 模型大概每 5 到 6 个月就会迭代新一代， 这就是你看到的变化。

  AI 与教育：是助力还是隐患？

主持人：AI 与教育是你们都非常关注且投入很多的方向。你们最近的一项研究显示，85% 的 18 岁以上学生在使用 AI，我猜剩下 15% 是没说实话；81% 的教师表示在使用 AI，远高于全球公众 66% 的 AI 使用率。AI 正在对教育产生真实影响。先从你们的视角开始：这对教育整体是积极的吗？批评声音也很多，比如学生用 AI 作弊，教师批改的是作弊生成的作业。实际情况到底是怎样的？

Laya Ibrahim：首先，正如 James 之前所说，这是一个非常重要的领域。我们对待它的方式和其他领域一致：既要大胆思考 AI 如何改变学习方式、释放人类潜力，也要保持负责，识别风险并投入资源降低风险。我们在调查中还发现，约 80% 的成年学习者认为 AI 对学习有帮助，它能以适合的形式、在需要的时候提供信息。我们重点关注的方向之一，是让 AI 不只给出答案，而是带你一步步拆解问题。这一切都建立在科学方法之上。

三年前，我们决定把学习当作一流的科学问题去研究：人是如何学习的？谷歌内部有相关经验和专业能力，同时全球也有大量研究者在做这件事。我们非常慎重地与教育学专家、全球教育工作者合作，推出了 Learn LM。

今年我们把这项能力全面注入 Gemini，并在 Gemini App 中推出引导式学习等功能，帮助用户一步步拆解问题，教会你如何学习、如何分析。我自己也是十几岁孩子的家长，经常在做 “AB 测试”。

主持人：你应该让一个用 AI，一个不用，看看最后谁更好。

Laya Ibrahim：我会把这个加入下一轮实验。我的一个女儿有读写障碍，现有教育体系并不适合她。但我发现，当她把 AI 融入学习，不管是拆解数学题，还是帮她整理混乱的思路、形成通顺的文字，她感到前所未有的自信。我还有一个身体有残疾的妹妹，教育体系也不是为她设计的。放眼世界，太多学生因为没有合适的技术工具而被落下。

我们的设想是：让每一位学生都拥有个性化导师，让每一位教师都拥有教学助手。AI 是生产力工具，它能改变师生互动的模式。我们不是说 AI 是魔法，教师才是核心，但 AI 能解放教师，让他们回归人与人之间的真实互动。我们在教师生产力工具上已经看到很好的进展。我刚去北爱尔兰，当地教师和政府合作做了试点，他们的便利贴上写满了收获：平均每位教师每周节省 10 小时，多出的时间用来陪伴家人，为班里 30 多名不同需求的学生设计教案。 这非常鼓舞人心。但我们仍处在早期阶段，必须意识到这件事事关重大，关系到人的一生。帮助他们学习、打开机会，并从中学习、反哺研究，这至关重要。

James Manyika：我补充一点。我们发现，教 育领域和社会其他领域一样：新技术到来时，不能只是简单嫁接到现有流程里，而是要重新设计工作流程。 举个学习的例子：大家很担心作弊问题。在 AI 普及的世界里，我们或许不应该再用传统的方式考试和评估。一些学区发现，学生使用引导式学习时，是真的在学习，知识掌握程度会提升；但如果只是为了熬夜赶作业，他们就不会认真用。于是这些学区做了实验：增加周测。学生听到要多考试可能会崩溃。但结果是：测试变多，学生为了备考主动使用引导式学习的时间变长，学习效果反而更好。这就是我们需要重新想象学习流程的例子，而不是把技术硬套在现有结构上。我们通过和教师、学校、学区交流，得到了很多有趣的实验和创新结论。我们仍处在非常早期的阶段，但大家对认知卸载等问题的担忧是真实的，我们必须认真对待。

主持人：这一点我想继续聊。和很多技术、尤其是 AI 一样，大家担心的是：有抱负的人会正确使用它，能力大幅提升；而用错方式或不用的人，差距会被拉得更大。《纽约时报》最近有篇文章，不只是学生，教师也在用 ChatGPT，有些学生对此不满。东北大学有学生发现，教授的幻灯片里有拼写错误、图片里出现多余肢体，这些都是 AI 生成的痕迹。你如何看待这种可能加剧社会分化的问题？

Laya Ibrahim：这让我想到当年把电脑引入课堂和大学的时候。我们能从那段历史里吸取很多经验。一方面，我们可以主动做一些事情；另一方面，我们也在召集各方领导者，从体系层面探讨应对方式。我们把管理者聚在一起，讨论在各自机构里建立负责任使用技术的框架。

现在的情况有点混乱，大家各行其是，而我们需要一种探索性的共识：AI 不会消失，公平的使用机会和素养至关重要。有些学生为了领先而用 AI，有些学生因为害怕被视为作弊而不敢用，这就会造成分化，我们也观察到了性别上的差异。我们能做的，是把领导者聚在一起，探讨如何开启新篇章，如何在最大化收益的同时建立护栏、降低风险。去年年底，我、James 和几位同事共同举办了一场活动，分享最佳实践，交流哪些有效、哪些无效，我们的研究者也参与其中。我们还为教师提供实操培训，教他们负责任地使用工具。这更多是为了释放生产力和潜力，而不是替代。激励机制的设计也必须跟上，这一点毫无疑问。

前沿科技进展：量子计算、材料科学、气象预测、太空计划

主持人：请问 James：量子计算的现状如何？它的发展速度比很多人预期的更快。

James Manyika：我们有一支顶尖的量子 AI 团队，正在做突破性的工作。 总的来说，量子计算的进展比大众认知的要快。量子计算的终极目标，是构建完全容错的量子计算机，路线有很多种。主流方向是超导量子比特，也是我们团队在做的，全球很多团队都在研究这条路，复杂度很高，但被认为是最有希望的方向。此外还有中性原子等多种技术路线。

具体进展：底层芯片进步巨大，比如我们的 Willow 芯片，一年半前取得重大里程碑。它完成了一项叫 RCS 的基准测试，一台顶级经典超算需要 100 亿年才能完成，而它只用了不到 5 分钟，还能以突破性的方式纠错。

量子计算一直以来的另一个核心障碍是 平滑纠错：如何在扩容、增加量子比特的同时降低错误率。这是真正的突破，也是我们获得年度突破奖的原因，是我们首次证明可以实现阈值以下纠错 —— 系统扩容，错误率反而下降，这正是我们想要的结果。

另一个重大突破在去年年底：之前所有的基准测试，包括我刚才说的，都只用于 benchmark，没有实际用途。而去年我们首次实现了有实际价值的计算，也就是 Quantum Echoes，相关成果登上了《自然》封面。它完成了一项有用的计算：研究分子的自旋动力学，这是其他方式无法实现的。我们还和伯克利的团队合作，他们通过核磁共振实验在实验室验证了结果。这是第一个有实用价值的量子计算案例。

综合来看，量子计算的进展比大家以为的 “还要几十年” 要快得多。未来五年左右，我们会开始看到量子计算的实用化应用，非常令人期待。

主持人：材料科学是 AI 研究中相对被忽视的领域，AI 可以通过预测技术发现新材料。Laya，介绍一下目前的进展。

Laya Ibrahim：这回到我们的核心思路：AI 能帮助我们解开哪些根源性问题、加深对世界的基础理解，从而为整个领域打开大门。AlphaFold 就是其中之一。你提到的 AlphaGeometry（是 DeepMind 开发的、能自动解决高难度奥林匹克几何证明题的 AI 系统，达到了国际数学奥林匹克“IMO”金牌选手的水平。），还有我们的材料科学项目，都非常令人兴奋。我们把已知的 4 万种稳定晶体，拓展到了 40 多万种，目前正在实验室和研究中测试。这意味着什么？你可以想象 更优质的电动汽车电池、超级计算机的超导体。很多突破都要依靠新材料实现。我们仍处在早期阶段，但我们相信这是一个很有前景的方向，有可能改变我们的生活和工作方式。

主持人：发现新材料之后，会带来什么？比如像 T 恤一样薄，但保暖性媲美冬装的材料？

Laya Ibrahim：没错。你身边的所有东西，都可以通过新材料重新想象。比如电池、电动汽车，如何让车身更轻、续航更长、充电更快，突破现有物理限制。这些都有可能通过基础材料的突破实现。

主持人：接下来是气象预测，谷歌在很多方向上都在深耕 AI 气象。

James Manyika：我们有一个非常庞大的气象项目，由 DeepMind 和谷歌研究共同推进。气象预测的维度很多：普通天气预报，下周、明天天气如何，Graphcast（ 是 Google DeepMind 于 2023 年推出的、基于图神经网络“GNN”的全球中期天气预报 AI 模型，是气象预测领域的里程碑式突破）来自 DeepMind，是目前业内顶尖的模型。我们还在预测其他气象事件：季风、飓风、洪水等极端天气。

我举一个影响生命安全的例子：业内早就知道，如果洪水预警能提前 6 天以上发出，就能挽救生命。联合国估计，这样能减少一半的灾害损失。这一直是一个难题。两年半前，我们的团队构建了预测河流洪水的模型，在孟加拉国试点成功。如今，我们的洪水预测已经覆盖 150 个国家、20 亿人。这就是从突破性创新到社会实际价值的典型案例。我们还和国家飓风中心合作，可以提前 15 天预测飓风的 50 条不同路径，并且成功追踪了飓风 Melissa。这类信息对灾害应急意义重大，也能用于航班调度等日常场景。

主持人：最后一个项目：Project Suncatcher（ 谷歌的 “太空 AI 数据中心” 计划，在地球轨道部署由太阳能卫星组成的星座，搭载 TPU，利用太空无限太阳能进行 AI 计算）是什么？

James Manyika：这是典型的谷歌式疯狂构想。我们思考：今天如何训练 AI 系统？100 年之后，考虑到训练模型需要的算力和能源，会怎么做？100 年后，我们肯定会在太空训练，毕竟太阳的能量是地球的百万亿倍，而且 24 小时不间断。为什么不现在就朝着这个未来迈进？ Project Suncatcher 项目就是这样一个谷歌式登月计划。

我们已经完成了几个关键里程碑，计划把 TPU，一款专用 AI 芯片，送入太空进行训练。我们真的要把芯片送上太空。第一个里程碑是我们希望 2027 年在太空完成若干次训练任务。这就是 Project Suncatcher，一步步走向那个未来。有人会联想到 Dyson Sphere（是物理学家弗里曼・戴森在 1960 年提出的科幻级巨型工程构想，核心是用巨大结构完全包裹恒星，捕获其几乎全部能量，是 II 型文明的标志性能源方案），利用太阳系、甚至银河系的能量。一位前谷歌员工曾提出：如果要走向 AGI，地球可能会布满数据中心；但如果把数据中心放到太空，地球就能留给人类生活。 敬请关注，我们下一个里程碑在 2027 年，希望能完成太空训练。

参考链接：

https://www.youtube.com/watch?v=MkZRak7lVcA

文章来自于微信公众号 "InfoQ"，作者 "InfoQ"