谷歌云的AI大佬迈克尔·格斯滕哈伯最近聊了聊他们在模型能力上的三个主要发力方向。作为Vertex AI平台的负责人，迈克尔在谷歌有一个独特的视角，能看见企业到底怎么用AI，还有就是还得做点什么才能把智能体AI的潜力彻底释放出来。我跟他聊的时候，他说了个以前从没听过的观点，挺让人印象深刻的。他说，现在的AI模型其实是在三个地方同时使劲：一个是原始智能，也就是质量这块；另一个是响应速度；还有一个呢，虽然跟原始能力没啥关系，但跟成本关系大得很，也就是能不能用很低的成本把模型跑起来，好去干那些大规模、不确定的活儿。 这算是看模型能力的一个新思路，对想搞前沿模型的人特别有用。这部分是被编辑过的，为了更清晰点儿。先说说您在AI这块混了多久，还有在谷歌具体干些啥？我在AI圈子里转悠了大概两年。之前在Anthropic待了一年半，现在在谷歌干了快半年了。我主要是管Vertex AI这一块，这是个给开发者用的平台。咱们的客户大多是程序员自己动手做应用的。他们要想用智能体模式，或者想蹭一蹭世界上最厉害的模型来推理东西。我只管把这些能力给他们用上，但不做应用本身。像Shopify、汤森路透这些公司，还有各行各业的客户，他们自己开发的那些应用才是最实际的。 当初是怎么被谷歌吸引过去的？我觉得谷歌在这行挺特别的，从界面一直到基础设施层什么都有。我们能造数据中心、自己买电盖电厂、有自己的芯片和模型、有控制推理层和智能体层的能力、还有搞内存和交错代码编写的API。在此基础上，还有负责合规性治理的引擎。最后我们还有面向企业的Gemini enterprise聊天界面和面向普通用户的Gemini chat。我来这里有一部分原因是看中了这种垂直整合的能力，感觉这对咱们来说是个大优势。 有意思的是，感觉各大实验室能力都挺接近的。这是不是就只是比谁的智能更高的一场比赛？还是说比这要复杂多了？我看见的是三个界限。像Gemini Pro这种模型就盯着原始智能死磕。比如写代码的时候，你就只想要最好的代码就行，哪怕花上45分钟也没所谓，反正以后我还得维护它、得把它弄进生产环境里去用。我只想要最棒的。 还有就是另一个跟延迟有关的界限。如果你在做客服工作，得知道怎么套政策用才行。比如能不能处理退货？能不能给飞机座位升舱？不管你回答得有多对劲儿，要是花了45分钟才给我答案，那也白搭。所以对于这种情况，你就希望在这个延迟预算里拿到最聪明的产品。因为一旦客户觉得无聊挂断电话了，再多的智能也就没啥用了。 最后还有一种情况是像Reddit或者Meta这种公司想管住整个互联网呢？他们手里钱多得是，但如果搞不清怎么扩展规模，那在这种级别的项目上他们可不敢随便冒险碰运气啊！不知道今天或者明天会冒出来多少有害的帖子。所以他们就必须把预算卡在能承担的最高智能模型上，但还得保证能把数量无限多的主题都给处理掉才行。这种时候成本就变得至关重要了。 我一直没搞懂的是为啥智能体系统普及得这么慢？感觉技术上已经具备了相关的本事了。我也看过不少让人惊叹的演示，但也没见到像大家一年前想象的那种翻天覆地的变化。您觉得到底是什么拦着了它的发展脚步？ 这个技术也就刚发展了两年左右吧？基础设施还缺了很多。咱们现在还没有审计智能体行为的模式、也没有给智能体授权数据的模式啊！有些模式搞起来得花大力气才能放进生产环境里去用。而生产环节通常都是技术能力的滞后指标嘛！所以两年时间根本不够让你看清这技术在生产里到底能顶多大用——这也正是大伙儿正在拼命想办法解决的问题呢！ 我感觉在软件工程这一块儿发展得特别快？因为它特别适合软件开发生命周期这块儿的逻辑嘛！咱们有个地方可以放心大胆地乱搞代码搞坏东西测试测试的环境；然后再把它从测试环境升级到正式运行的环境里去用。 比如在谷歌写代码的时候就得经过两个人的审核签字确认才行呢！两个人都得点头说这个代码足够好、能代表谷歌的品牌、也能拿给咱们的客户用才行。所以咱们这边有很多人机配合的流程啊！把实施这件事的风险压得特别低！ 但现在咱们得在别的地方、别的行业里面建立起这些模式来才行！