智东西
智东西4月13日报道，4月7日，金融科技公司Stripe发布了其对谷歌CEO桑达尔·皮查伊（Sundar Pichai）长达一个多小时的采访视频。在这期播客中，Pichai正面回应了业界关于谷歌在AI领域“起大早，赶晚集”的调侃，称谷歌早在多年前就已构想出类似ChatGPT的产品，并推动了基于Transformer架构的产品化落地原型——LaMDA，但因其“有害内容含量高”而最终未发布。
Pichai还认为，OpenAI推出ChatGPT时前景并不明朗，只是OpenAI比较幸运，通过GitHub找到了AI编程这一落地的突破口。
聊到中国时他忍不住感慨：“中国的（基建等）建设速度之快令人惊叹。”他还特别提到，中国现在的开源模型做得非常出色，而谷歌刚发布的Gemma 4，算是除了中国开源模型之外，另一款很能打的优秀开源模型。
在运营层面，Pichai揭示了当前谷歌面临的全新管理挑战，他每周会花1小时时间亲自分配TPU。他称，目前谷歌受晶圆产能、内存和电力的供应限制，还甚至说道：“我们连足够的电工都找不到。”
在这些制约因素中，Pichai认为内存是最关键的组件。由于头部内存厂商很难大幅扩产，短期内内存供应瓶颈仍会存在。但这也会推动技术创新，谷歌计划把内存的使用效率提升30倍。
采访中还谈到了未来搜索形态的变化趋势，Pichai称：“未来的搜索会成为智能体管理器。”
2015年，Pichai正式出任谷歌CEO，至今已十年有余。在这期播客中，Pichai还提到除已披露的太空数据中心与量子计算外，其旗下Wing无人机配送正快速扩围，不久将覆盖4000万美国人。同时，他坦言AI正深刻重构谷歌内部工作流，以Antigravity（Jet Ski）为代表的智能体管理工具已在核心团队全面推广，谷歌第一个完全由智能体完成的内部业务预测会在2027年出现。以下是这期播客的核心内容：
1、智能体的拐点：Pichai预测2027年智能体将迎来拐点。AI将全自动完成谷歌的业务预测，深度改造财务、运营等非技术流程。
2、早已有ChatGPT构想：谷歌的LaMDA模型是ChatGPT早期原型，谷歌因安全与质量标准未达标迟于ChatGPT推出。
3、算力资源的分配：Pichai每周会花1小时时间亲自分配TPU，并统筹内部业务与谷歌云客户的算力供给。
4、传统搜索将进化：传统搜索形态未来或将淡出，因为设备形态本身就会发生改变。而未来搜索将成为智能体管理器，而AI将接替传统搜索功能，在后台异步处理用户复杂需求。
5、否认对AGI态度冷淡：谷歌从创始团队起就深度布局AGI，包括谷歌DeepMind CEO戴密斯・哈萨比斯、谷歌首席科学家杰夫・迪恩，以及前Google Brain核心成员伊利亚・苏茨克韦尔、达里奥・阿莫代伊等人，都深度参与过AGI相关的研究。
6、发展瓶颈：谷歌在晶圆、内存、电力与审批效率面临发展瓶颈，其中电力能源问题相对好解决，真正拖慢项目进度的，往往是审批和监管环节。
7、隐藏王牌：谷歌持续押注太空数据中心、量子计算、Gemini机器人以及Wing无人机，同时同步推进Isomorphic AI制药。
8、转型痛点：年轻公司凭借“AI原生”的组织架构在转型中具备天然优势，而大公司虽然技术架构完整，但需要在组织层面进行大量再培训、流程重构和变革管理，转型相对吃力。
9、看好机器人项目：Pichai称现在Gemini机器人模型在空间推理等方面已经达到业界顶尖水平，谷歌正重新与Boston Dynamics（曾被谷歌收购后又被其出售）以及Agile等公司展开合作，推进相关技术落地。同时在扩大其旗下Wing公司的无人机配送项目规模。
10、谷歌搜索：谷歌搜索能大幅领先同行，其部分关键点突破得益于（谷歌推出的为深度理解语言与上下文，并直接应用于谷歌搜索，大幅提升复杂查询的准确率的模型）BERT和MUM模型。
一、关于Transformer与ChatGPT的“先发后至”John Collison：人们谈及谷歌与AI时，经常提及的一段往事是：Transformer架构诞生于谷歌，却主要被ChatGPT这类外部产品率先落地使用。你现在如何看待这件事？
Sundar Pichai：我觉得这件事值得好好聊聊，其实外界对于这件事本身存在一些误解。
Transformer架构的研发工作，是在大规模使用TPU的背景下开展的。从某种意义上讲，Transformer从一开始就是为了解决具体的产品实际需求而被设计出来的。当时团队正在思考怎么优化翻译效果。
至于TPU，我们面临的问题是：语音识别功能确实有效，但突然要把它卖给20亿用户，芯片算力根本不够，该如何解决推理算力问题——（被主持人打断）
John Collison：这点我之前确实不知道。Transformer特指？
Sundar Pichai：Transformer出自我们的研发团队，但团队的研发方向始终围绕解决产品问题。Transformer问世后立刻就被投入使用。
很多人低估了BERT和MUM模型的价值，因为我们对搜索质量的把控极为严苛。那段时间，谷歌搜索之所以能大幅领先同行，部分关键突破正是得益于BERT和MUM。
我们研发出Transformer后，立刻将它应用于搜索，提升语言理解能力，让系统更好地解析网页内容、理解用户查询，并持续迭代优化模型。
我们内部也在推进产品化落地，当时有团队在研发一个名为LaMDA的模型。显然，我们并不是第一个推出这类产品的公司。但我认为，这并不是因为我们只停留在研究层面、没有朝着产品方向去落地应用。在我看来，实际情况其实是——（被主持人打断）
John Collison：你做了这项研究，然后你发现按照你的预期使用它能带来巨大的的投资回报率。只是并非所有基于这项技术诞生的产品，都是由你们自己创造出来的，不过这也很正常。
Sundar Pichai：ChatGPT这类产品的构想，我们其实早就有了，原型就是LaMDA。大家如果还记得的话，当时谷歌内部有一名工程师认为LaMDA具备了自我意识。他当时在内部所对话的这个系统，本质上就是ChatGPT的早期版本。我们甚至已经在其他项目组里，做出了它的产品化版本，只是谷歌大概晚了九个月才对外推出。
事实上，在2022年的谷歌I/O开发者大会上，我们发布了AI Test Kitchen，其核心就是LaMDA，但我们对它做了限制，因为当时内部还没有推出经过RLHF（基于人类反馈的强化学习）优化的端到端版本。我看到的未优化版本，有害内容含量很高，当时根本不可能对外发布。
此外，作为一家始终把搜索质量放在核心位置的公司，我们对产品上线的质量标准要求更为严格。但这并不代表我们没有采取行动，当时我们一直在研究如何以稳妥的方式将它推出。
我还想说，即便OpenAI发布ChatGPT时，他们也是在几个月前才与微软达成合作。回头看，当时的发展前景也并非完全明朗。我认为他们很幸运，因为他们还通过GitHub在编程领域找到了技术落地的突破口。我想我们当时或许错过了某个信号。
在编程领域，模型迭代带来的提升可能比纯语言领域更显著。从GPT-2到GPT-3再到后续的GPT-4，如果将它们用于编程任务，进步幅度会显得尤为突出，这些关键都有据可查。
回到你最初的问题，与其说关键在于研发到产品的过程本身，不如说是其它多重因素共同作用的结果。
Elad Gil：我记得和参与过ChatGPT研发的人聊过，他们是在感恩节那周发布（ChatGPT）的，当时只是一次低调发布，并不像是声势浩大地宣布重磅产品，它也没被视作未来地核心业务。它的爆火显然更像个意外。
Sundar Pichai：在我看来，它当时更像是一个很有意思的测试案例，效果确实很惊艳。
我对这类事件的理解是：在消费互联网领域，意外总会发生。我和Elad Gil早年在谷歌时，公司有个产品叫谷歌视频搜索（Google Video）。后来YouTube出现了，我们最终收购了YouTube。再比如如果你在Facebook，后来Instagram出现了，没人会在当时就觉得大惊小怪，毕竟Facebook后面直接收购了Instagram。
但我始终认为，消费互联网的逻辑就是：两三个人的小团队不断做原型、试错，抛出无数创意。我并不是想贬低什么，只是想说，总会遇到这样的时刻。没人能在车库里灵光一闪，就做出一款比iPhone更好的手机，这不现实，但消费互联网本并非如此。所以我们只需意识到这一点，坦然接受即可。
二、谷歌的速度战略与搜索的未来John Collison：说到2026年的AI竞赛，我有一点让我印象深刻，那就是谷歌长期以来都把速度作为核心差异化优势。初代谷歌搜索速度极快，甚至还会在结果页显示查询耗时，多少带点炫技的意味。后来的Gmail快速搜索、Chrome浏览器，对比同期竞品都具备速度优势。
如今，我会因不同需求使用不同的AI服务，但基于TPU运行的Gemini就是快得出奇。我很好奇，这是明确的产品战略，还是有更复杂的考量？
Sundar Pichai：我一直都很注重速度，为了便于理解我暂且把它称为“延迟”，并且把延迟视作优秀产品的核心特征之一。同时，低延迟也往往意味着产品的底层技术架构足够优秀。还有一种速度同样重要，那就是产品发布、迭代和更新周期的速度。这两者都至关重要。
但单说延迟，嘴上说追求低延迟很容易，可产品功能一直在持续升级，技术边界不断拓展，如何在功能与延迟之间找到平衡，这才是难点。
举个例子，比如搜索功能。我和团队沟通时了解到，他们会为子团队设置毫秒级延迟预算。如果上线一项优化能减少3毫秒延迟，就能获得1.5毫秒的延迟预算奖励，另外的1.5毫秒会直接转化为用户可感知的速度提升。
根据不同团队的业务场景，有的团队延迟预算可能是30毫秒，有的则是10毫秒。团队可以使用这部分预算，但必须接受严格的审核把关。这也足以体现我们对延迟的重视程度。
Elad Gil：人类能感知到的延迟大概是几百毫秒级别，对吗？是这个阈值影响体验吗？
Sundar Pichai：没错。据我最新查看的数据面板，过去五年里，我们把搜索延迟降低了30%，与此同时产品功能还在持续升级。
这也是我们打造Gemini的核心思路，即在前沿性能与速度之间找到平衡。Flash系列模型能达到Pro版本90%的能力，但它的运行速度更快、服务效率更高，垂直整合的技术架构也为此提供了支撑。
Elad Gil：你如何看待搜索的未来？如今很多人都在讨论，对话交互会成为新的信息获取方式。显然，Gemini已经融入了谷歌搜索，AI生成的结果也成为搜索的一部分。但不少人还在进一步谈论智能体工作流（agentic flows）。
例如未来每个人都会拥有专属的个人智能体，无需手动输入查询，它会直接替你完成任务。比如你不用再搜索旅行攻略，它会直接为你规划好一整趟行程。你认为搜索的未来究竟是什么？它只是一种流量分发渠道，还是会进化成一款全新的未来产品？
Sundar Pichai：在我看来，搜索业务每经历一次变革，就能承载更多功能。我们必须吸纳这些新能力，持续拓展产品的边界。
比如移动互联网时代，产品迭代速度就非常快。当人们走出纽约地铁，想要的不是网页信息，而是找到目的地，这时候搜索服务就要跟着该变。用户的期待在不断变化，产品也要随之跟进。
放眼未来，现在很多单纯以获取信息为目的的查询，在之后的搜索中都会变成由智能体主动代劳。系统不再只是给出答案，而是会直接帮用户完成任务，同时处理多项事务。
Elad Gil：十年后搜索还会存在吗？还是会进化成全新形态？
Sundar Pichai：它会持续进化。未来的搜索会成为智能体管理器，帮用户完成各类任务。某种程度上，我现在使用的Antigravity，就是多个智能体协同工作的形态。我能预见搜索会实现类似功能，从而帮用户高效处理事务。
John Collison：（对Elad Gil）我理解的你的问题的核心在于，如果我们把“搜索”定义为：输入不超过一行的提示词，接着它给出一堆网页的查询结果，而不是直接给出正确答案或解决方案。像这种传统（搜索）产品形态未来还会存在吗？
Sundar Pichai：如今谷歌搜索的AI模式下，用户会输入深度研究类查询，这已经超出了你说的传统定义，但用户已经适应了这种变化。我认为未来人们还会发起需要持续一段时间的复杂任务，这些任务完全可以在后台异步完成，不用用户一直盯着等结果。
Elad Gil：这就像生命从单细胞生物演化成复杂生命体，同理，搜索的旧范式是否会彻底消失？说到底，今天的传统搜索终将进化为智能体，未来的交互界面也将以智能体为核心，十年后，搜索框或许将不再是主流形态。
Sundar Pichai：毕竟设备形态本身会发生改变，I/O大会的展示内容也会彻底革新。纠结十年后会发生什么容易让人陷入内耗，但我们很幸运，当下技术迭代速度极快，聚焦未来一年的规划就足够令人兴奋。
如果是在过去，我们可能需要展望五年后的愿景，而如今，模型一年后的形态就会变得截然不同。能紧跟这条技术曲线本身就已经很激动人心了。
搜索会持续进化，当下正是行业扩张期。很多人低估了一点，但在我看来AI领域绝非零和博弈。人类未来能创造的价值正呈指数级增长。想通这一点后，外界的诸多质疑都会不攻自破。TikTok崛起后YouTube依然发展得很好，Instagram出现后Facebook也没有衰落，类似案例比比皆是。
如果把行业视作零和博弈，发展前景会显得艰难。但只要我们坚持创新、推动产品进化，就总能抓住新的增长机会。
我们现在同时做搜索和Gemini，两者在某些方面会重叠，在某些方面又会彻底走向不同方向。我觉得两条线并行、坦然接受这种共存，反而是件好事。
John Collison：我们谈到搜索的未来的时候，我想起一件事。大约一年前，也就是2025年的春夏，谷歌的用户情绪非常负面。主流观点认为，搜索业务已穷途末路，谷歌将陷入困境，并且该公司得核心商业模式会遭受重创，诸如此类。当时谷歌股价约为150美元。
现在大家才意识到，这种看法有多么荒谬。谷歌拥有全栈技术布局，无论是应用、大模型、TPU，还是Waymo、YouTube等前沿业务。投资者某种程度上代表了市场的专业判断，你认为他们去年到底在哪些问题判断错了？
Sundar Pichai：显然当时存在非常大的的误会。
那时大家的关注点非常偏向于“垂直整合”。对我来说，当时非常清楚的一点是：“嘿，奥弗顿之窗（可接受议题范围）已经移动了。”我觉得这家公司就是为了那个时刻而生的。那种垂直整合的模式并非偶然，而是有意为之的。
我们的TPU已经发展到了第七代。我记得可能是在2016年的Google I/O大会上，我们宣布了TPU，并谈到了我们正在构建AI数据中心。在当时我们已经意识到，谷歌正以“AI优先”的方式运作，并且我们已经从骨子里接受了这一转变。对我来说，我们在前沿的LLM方面虽然落后了，但必须调动谷歌拥有的全部能力来迎接这个关键时刻。而令人兴奋的是，从全栈角度看，我们同时拥有强大的研究团队、基础设施团队和完整的平台体系。
对于我来说，我突然觉得我们掌握了一项能够加速所有业务的通用技术。从搜索到YouTube，再到云服务与Waymo，其发展均依托于这一技术进步。这是一种效能极高的、杠杆化的推进方式，我对此有清晰的认识。
回到之前讨论的观点，我完全不认为这是一个零和博弈的时刻。我觉得AI市场的一切都会扩展十倍，同时也会给其他人留出空间。回顾过去，亚马逊在谷歌出现之后依然做得很好，Facebook也是如此。我们低估了这种发展模式所带来的增长空间。
但作为一家公司，我们必须执行得更好。这就是我之前提到的我更关注的事情。
John Collison：有没有什么事情能向外界证明“哦，他们做到了”？是Gemini 3改变了人们的看法吗？
Sundar Pichai：我不太关注具体的时间线。我认为，真正让外界看到我们实力的模型，可能是Gemini 2.5，它尤其是在多模态领域达到了前沿水平。这要归功于Google DeepMind团队。
我们前期确实投入了更高的固定成本，但从一开始，我们就把Gemini模型设计成真正的多模态架构。我认为它的优势已经在一些领域开始显现，Nano Banana就是一个典型例子，你能看到各项能力完整地融合在一起。
但说实话，AI这个前沿领域的发展节奏极快、变化极大。目前大概有两三支顶尖团队在激烈地互相追赶。几乎每个月你都会觉得“哇，这部分我们做得很棒”，转头又会想“糟了，有几项又被追上了”。
我相信再过几个月，整个格局又会焕然一新。正如你所想，当前的前沿竞争非常激烈。我就是这么看待这件事的。
三、谈全栈优势，反驳“不看好”AGIElad Gil：有意思的是，我和谷歌以外、其他实验室的研究员交流时，他们普遍提到一个观点：谷歌与其他两三家头部团队的区别，在于谷歌没那么“AGI狂热”。也就是说，谷歌内部并不认为AGI近在眼前，也不相信会出现那种激进的跨越式爆发。
显然，谷歌团队其实也在深度思考AGI相关问题。所以我想问两点：第一，你觉得这种说法属实吗？第二，你认为这种心态差异，会不会影响大家对未来的判断，进而影响大家现在选择研发的方向？
Sundar Pichai：说实话，我们的资本支出（CapEx）已经从300亿美元大幅提升到了大约1800亿美元，这已经是实打实的巨额投入。如果不是对技术发展趋势有明确判断，我们不可能这么做。
在我看来，这（对于AGI的谈论）更多只是表述方式上的差异。或许是因为我们体量更大，旗下有太多产品、触达亿万用户，涉及层面极广，所以我们在谈论这件事时，用词风格会不太一样。
谷歌的创始人们，其实本就属于深信AGI前景的那类人。我早年和他们交流时就深有体会。
外界有种说法是，谷歌内部并不真正理解AGI，就连戴密斯・哈萨比斯(Demis Hassabis)（谷歌DeepMind联合创始人、首席执行官）团队、杰夫・迪恩（Jeff Dean）（谷歌首席科学家、DeepMind核心领导者）团队也不例外。
但事实并非如此。除戴密斯、杰夫外，还有伊利亚・苏茨克韦尔(Ilya Sutskever)（前Google Brain研究员）以及达里奥・阿莫代伊(Dario Amodei)（前Google Brain高级研究科学家、现Anthropic联合创始人兼CEO、Claude开发者）这些人，都曾在谷歌共事过，深度参与过AGI相关的研究。
John Collison：我很喜欢这种反驳，简直就像在说：“拜托，过去二十年业界发生了什么，你们难道都没看在眼里吗？”
Sundar Pichai：在我看来，这种说法完全站不住脚。大家之所以会有这种观感，很大程度上是因为一些机构本身比较年轻、更偏向纯研究实验室，或是总部位于旧金山，这类外在差异容易给人造成错觉。
但从底层认知来说，大家对技术发展曲线、对如何理解这项技术的看法，并没有本质区别。
其实就算在谷歌内部，我们当中也有一批人始终站在最前沿，不断测试智能体、观察它们的能力边界，看着它们一步步掌握新技能、完成各种任务，再对比三个月前的水平，感受尤为明显。我们在内部真切体会着指数级增长的速度。
John Collison：我觉得你们两位（Elad Gil和Sundar Pichai）的观点其实都有道理。一方面，谷歌的历史摆在那儿，大家有目共睹；另一方面，Elad想表达的其实是一种普遍感觉。
我之前看到一条推文说得很有意思：“想理解当下硅谷正在发生的事，你必须明白一点：几乎每位科技高管现在都陷入了重度AI狂热，每天花大量时间编程、跟AI对话、做各种相关尝试。”这个说法很有趣，也并非毫无道理。
所以我很好奇，在最近你对AGI有什么感受？或者说你现在又在多大程度上陷入了这种“AGI狂热”？
Sundar Pichai：我第一次真切感受到AGI时刻，是在2012年。当时杰夫展示了谷歌大脑的最早版本，正是在那一次，神经网络成功识别出了猫。
大概是2014年吧，我还和拉里・佩奇（Larry Page）（谷歌的联合创始人）一起去看过DARPA机器人挑战赛，当时我们看着那些车辆自主行驶。德米斯演示了模型的早期版本，它们已经展现出我们现在所说的想象力。这些年来类似的时刻还有很多，技术在明显不断进步。
而说到当下最直观、最真切的感受，我觉得最接近AGI时刻的体验是，我在编程时，交给它一个复杂任务，完全不用打开IDE，只在某个智能体管理界面里看着它自己完成，而且能力极强。这种时候我会真切感受到AGI的存在。
John Collison：我最近做了个小兴趣项目，过了一会儿我甚至在想：“它到底用的是什么编程语言？”这还是等整个项目跑起来之后，我才想起来要问它的细节。
Sundar Pichai：对，确实有这样的时刻。不过真正令人惊讶的，是技术发展曲线的陡峭程度。我们在多个技术方向上同步推进、持续优化，未来显然还会不断进步。
John Collison：说到这种切身感受，我认为科技公司的CEO都面临一个问题：如何保持对产品体验和普通用户的感知？科技产品过于抽象，仅靠团队报告、PPT和数据表格，根本无法真正理解产品。
托尼・徐（DoorDash的CEO）至今仍会仍会亲自跑外卖，来保持对一线真实体验的感知。我们每周全员大会都会有固定环节：集体演示产品，逐一排查界面问题，比如弹窗位置不合理等，确保团队全员真实使用产品。
我很好奇你是怎么做的？在谷歌，你除了日常使用Gmail等产品之外，是如何确保自己始终贴近真实用户体验的？
Sundar Pichai：我一直试用我们产品的内部版本。我会专门留出整块时间，高强度去使用它，给自己安排专注体验的时间。这很有用。
就在两周前，我在健身房拉伸，手机开着Gemini Live。我当时就想，干脆花30分钟只围绕一个话题跟它对话。我会刻意做这类测试。它有些地方表现不错，有些也很让人抓狂，但我都能从中发现问题、学到很多东西。我会强迫自己以资深用户的方式去使用产品，以此贴近用户真实使用体验。
X（平台）对我也很有帮助，因为我经常能看到最直接的用户反馈。
John Collison：太感谢你们修复了谷歌日历的问题。
Sundar Pichai：当然还有不少问题需要继续修复。X上的用户评论很直白，我会尽量直接按照评论的的建议去做。
我也会在Antigravity内部版中查询：“我们刚上线某项功能，用户评价如何？列出最受好评和最受诟病的五点。”这让我的工作轻松了很多。放在过去，我需要花费大量时间收集反馈，如今AI智能体能帮我完成这件事。当然，仍需平衡“AI汇总”与“亲自体验”的比例，我也在适应这种全新的工作方式。
四、中国有优秀的开源模型，当今AI市场算力面临瓶颈Elad Gil：你提到，第一，AI行业并非零和博弈；第二，AI带来了巨大的生产力提升。回顾过往的技术周期，包括互联网、移动互联网以及SaaS模式，都需要很长时间才能在GDP中体现。而当下，AI的影响首先体现在数据中心建设，拉动了部分GDP增长。
展望未来三到五年，你认为AI会扩大美国经济规模吗？如果会，增幅有多少？
Sundar Pichai：说实话，要让这些投入获得合理回报，就必须在某个阶段实现收支平衡。我记得大概是红杉资本曾经指出，人们现在的投资规模非常大，需要十倍以上的收益才能回本。从那时起，我需要再核对一下（投资和回报的）数字。无论如何，投入和回报最终必须能够匹配。
明确地说，我们目前处于算力供给受限状态，而各个业务场景对算力的需求都在暴涨。
Elad Gil：我丝毫不怀疑这会是一个规模巨大的市场，也将带来可观的回报。我的问题是，我认为有很多事情都被外界低估了，比如软件工程预算中token成本与工程师薪资的占比。
过去优秀软件工程师极度稀缺，如今AI补充了这方面的供给，市场规模可能会扩容十倍。也就是说，软件工程与编程开发的市场规模，远比大众认知的更庞大，用“token成本vs工程师薪资”衡量市场本身就是错误，这个市场会持续高速增长。
我只是好奇，你认为AI最终能带来多大的经济增长？我并非质疑投入与产出的合理性。
Sundar Pichai：我明白。回顾互联网对GDP的影响，数据无法完全体现其真实价值。如果没有互联网，GDP甚至可能出现负增长，这就是消费者剩余。未来很难被预判。
我认为社会各个层面都存在天然的抑制机制。比如算力基础设施建设的速度，跟不上模型优化的速度，这本身就是一种约束；技术向社会普及的节奏也受限制，比如Waymo的自动驾驶技术比人类驾驶更安全，但落地推广必须谨慎把控节奏。如何才能负责任地推动技术普及，这些层面都存在约束。
美国经济规模比十年前大得多，哪怕GDP增速仅提升0.5个百分点也是一份巨大的增量。我预计最终会呈现这样的结果。
John Collison：你提到了供应受限的问题，我认为这会是2026年的核心特征之一。你之前说资本开支是1500亿？还是1800亿？
Sundar Pichai：我们公布的区间是1750亿至1850亿美元。
John Collison：也就是约1800亿美元资本开支。我觉得有意思的一点是，哪怕谷歌想花4000亿美元在资本支出上，它也做不到。因为显存、内存不够，电力供应不足，还有各类零部件都跟不上。
Sundar Pichai：我们甚至连足够的电工都找不到。
John Collison：你能否梳理一下当前遇到的各类瓶颈？
Sundar Pichai：说到底，我们还是受制于晶圆产能。电力能源问题相对好解决，真正拖慢项目进度的，往往是审批和监管环节。
John Collison：即便得克萨斯州、内华达州、蒙大拿州有大量土地支持你们的发展，但可能仍然不够。
Sundar Pichai：我认为我们在改善基建等方面已经取得巨大进展，这对美国而言尤为重要。中国的建设速度之快令人惊叹，我们真的需要学会大幅增加建设速度，甚至要转变思维，思考如何让我们的建设速度提升十倍。我认为建设的阻力可能会越来越大，所以这不是少数人一拍板说“我们要加快建设”就能办到的。
John Collison：比如各地的数据中心建设暂停之类。
Sundar Pichai：核心瓶颈在于晶圆产能，以及项目审批与落地推进的效率。我注意到政府已经在这方面采取了不少积极举措，各界也认识到必须提升相关流程的效率。除此之外，供应链中的关键元器件同样是重要制约。
内存就是典型案例，短期内我们仍会受其限制，不过行业厂商都会针对性地做出调整。
在我看来，所有企业经营者，无论对AGI抱有多大期待、投入多少资源，都必须理性面对不确定性区间：我们的乐观预期该控制在什么范围？能够承受的利润空间又有多大？毕竟现实中存在诸多不可控的外部因素，随时可能引发意外状况。
五、头部内存产商产能不足，短期内存供应紧缺仍将持续John Collison：内存是你最关注的核心部件吗？
Sundar Pichai：内存无疑是当前最关键的组件之一。
John Collison：你刚才提到这只是短期问题，那你是不是认为，只要厂商们加大供应，（内存）高价问题自然就会得到解决？
Sundar Pichai：头部内存厂商很难大幅扩产，所以短期内内存供应瓶颈仍会存在，不过随着时间推移会慢慢缓解。即使这些制约会持续存在，但它们也会反过来推动大量技术创新。我们会把（内存以及算力硬件的）使用效率提升30倍，而且这一系列升级（例如谷歌近推出的Turboquant）正在同步推进中。
Elad Gil：这会不会加剧市场形成巨头垄断的格局？
如果从模型层面来看就会发现，很多关于模型进化路径的判断都指向一点：模型的优化很大程度上会依靠自我进化。模型会开始越来越多地自主编程、自主完成数据标注等等。说白了，现在就是一场抢座位游戏，谁能握有算力，谁的扩张速度就能领先行业整体产能。
如果所有玩家的算力按比例增长，就会形成天花板，没有企业能大幅甩开竞争对手。你认为这个判断是否正确？
Sundar Pichai：这个分析框架有一定合理性，但存在特殊变量。比如我们刚发布的Gemma 4，中国的开源模型非常好，而Gemma 4是除中国的模型以外的一个非常优秀的开源模型。Gemma 4基于Gemini 3架构，从技术迭代时间来看，它的前景既广阔又渺小。
更神奇的是，模型权重文件小到可以装在U盘里。这太不可思议了。它完全不像造一枚SpaceX火箭那样。
Elad Gil：我总是觉得很震惊，你们运行数据中心几个月、烧巨量算力，最后输出的东西就只是一个普通文件。就跟一个Word文档差不多，而这就是你们的AI模型。太不可思议了。
Sundar Pichai：这项技术具备的一些独有的特性让我开始反思现有的分析框架，并提出疑问：“我们到底该如何看待这个问题？”我觉得这是一个合理的视角。至少从推论的角度来看，你提出的思路是非常合理的。
我认为，每个人都在试图找到办法，以突破现有资本驱动模式的束缚，以此打破这些瓶颈。这股力量极其巨大。
John Collison：但正如你所说，全球内存总量有限，人和资本主义激励措施都无法真正解决解决2026或2027年的内存供应问题。
Elad Gil：在这个阶段，我们可能会看到各类模型开始出现更明显的差异化发展。
Sundar Pichai：要知道，这一切还要和晶圆产能提升、数据中心审批落地进度等因素综合权衡。这类约束或许并没有表面看上去那么严峻，但必须把所有需要的条件放在一起整体考量，包括资金、全盘统筹。
John Collison：没错。我觉得有意思的一点是，理论上，企业完全可以在现有资本开支基础上追加投资，但我们现在真正面临的，是2026、2027年现实层面的硬约束。这就像霍尔木兹海峡，无论油价如何，一旦每日减少2000万桶石油供应，需求就必须同步缩减。内存市场同理，最终必然有部分企业无法获得所需内存。
Sundar Pichai：除此之外，安全也是一大限制条件。这些大模型可能攻破现在市面上几乎所有软件，或许已经有了现在我们不得而知。
John Collison：你指的是所有软件？要知道SSH（一种加密的网络协议）这种协议，这么多年来一直有人在想方设法攻破它。
Sundar Pichai：我指的是普通软件、大型平台的大量“零日漏洞（官方不知道的隐藏漏洞）”。这是行业内无法忽视的硬伤。
Elad Gil：有人告诉我，由于AI提升了发现漏洞效率，黑市上零日漏洞的价格正在下跌，这是一个很有意思的市场指标。
Sundar Pichai：我对此并不感到意外。AI这类技术究竟会以何种方式在全社会范围内落地普及，又会对经济、社会与行业生态产生何种深远影响，这类问题在历史上已有类似的技术变革可供参照。
在我看来，其发展过程中或许存在尚未显现的制约因素，也可能给现有运行体系带来突发性的震荡与冲击。即便存在上述潜在风险，我仍坚定认为，该项技术未来具备极为广阔的正向发展空间与巨大价值潜力。
单从安全层面来看，我意识到，未来我们必须加强各方协作，但目前这种协同还远远不够。行业很可能会迎来一个关键转折点，甚至是剧烈的突变节点。这些现实问题都客观存在，绝不是视而不见、心存侥幸就能回避的。
六、被低估的王牌：太空数据中心、量子计算、机器人Elad Gil：谷歌拥有一系列令人惊叹的自研技术与投资组合，你持有相当规模的SpaceX股份，我记得早年间应该是10%左右。同时你也持股Anthropic约10%，控股Waymo，公司内部还存在海量自主研发的顶尖技术。
我们已经聊过AI、Transformer架构，还有TPU芯片和Waymo。此外还有量子计算领域，你们刚刚还发布了一项重磅的量子计算研究成果。那么谷歌还有哪些被外界低估的隐藏王牌？或者你认为哪些是被市场普遍低估的领域？
Sundar Pichai：我们一直在布局长期项目，这些项目刚公布时往往显得不切实际。比如我们正处于太空数据中心的早期研发阶段。正如之前所说，限制能激发创造力。放眼未来20年，我们应该把海量数据中心部署在哪里？这是非常棘手的问题。
这类项目就像2010年的Waymo，它是典型的长期布局。量子计算也是这类项目的其中之一，我们持续投入并取得扎实进展，我对此充满期待。
Elad Gil：你认为量子计算将在哪些方面产生影响？目前大家讨论量子计算的应用时，基本都集中在分子模拟和密码学这两个方向。在密码学领域，业内一直在推进抗量子密码算法的研发。但在分子模拟领域，深度学习模型已经表现出色，谷歌的AlphaFold更是开创了先河。
你认为量子计算真的具备实用价值吗？如果有，核心应用场景是什么？
Sundar Pichai：从抽象层面来说，在我看来，（量子计算的）趋势似乎是越来越多地去模拟自然界。
鉴于自然界本质上是量子的，我们就需要量子系统才能更好地对其进行模拟。我们或许能以一种出人意料的方式，通过经典计算技术实现这一点，或是借助足够的信息压缩、抽象建模来做到，但我从根本上认为，量子计算在这方面会更具优势。
说实话，我们仍未完全理解哈伯法（现代工业合成氨的核心技术）制肥工艺，有很多复杂因素，这可能更多和你大学时期的研究背景有关。我的直觉告诉我，在模拟天气、模拟现实等方面，量子计算都会占据优势。
技术发展的历史就是这样，当某项技术发展到一定规模并能发挥作用时，人们会使用它，同时顶尖的人才会基于它发挥创造力，找到各种能应用的场景。
我常以手机与GPS结合催生Uber（网约车平台）举例。当年研发手机的人，根本无法预见这种平台变革会带来如此颠覆性的成果。我相信，只要量子计算真正实现落地应用，未来必将涌现出数不胜数的全新场景。这便是我的观点。
John Collison：抱歉我们刚才打断你了。你之前正在聊谷歌那些更前沿的项目里你最看好的部分。
Sundar Pichai：GDM团队正在深入钻研机器人技术。对于机器人领域我们公司以前入局得太早了。事实证明，当时很多构想没有落地，主要是因为大约10到15年前缺失了AI这个关键要素的支撑。
但现在Gemini机器人模型在空间推理等方面已经达到业界顶尖水平，我们无疑拥有最先进的模型。
有点讽刺的是，我们正重新与Boston Dynamics（曾被谷歌收购后又被其出售）以及Agile等公司展开合作，推进相关技术落地。
行业里也出现了许多非常出色的初创企业，我们正在投资布局。比如我之前提到的太空量子数据中心，还有旗下Wing公司的无人机配送项目。
我们正在扩大Wing的规模，在未来某段时间之内，将有4000万美国人能够使用Wing的配送服务，我说的不是几年以后的事情。这些项目我们会坚定投入下去。当然还有Isomorphic（Alphabet旗下、由DeepMind分拆出来的AI制药公司）。
Elad Gil：Isomorphic真的令人非常期待。
Sundar Pichai：我认为应当使用这些AI模型，有针对性地去优化药物研发中所有可能出现的环节。尽管像三期临床试验这类流程的周期依然很长，但通过这种方式，能够大幅提高项目最终成功的概率。
Elad Gil：我认为在这么多生物模型方案里，你们的这套方法真的是我见过最高明的，你们真正考虑到了分子设计之外的更广泛的领域。
John Collison：我很好奇，谷歌内部的资本配置（资金分配）是如何运作的？我想说的是，优质的资本配置，核心在于内化资本的机会成本，把业务产生的现金投向最高效、最有价值的用途。
商学院教科书里有提到简单的例子。假如你是波音公司，公司业务产生了一笔现金，你可以选择两个方向：要么去竞标下一份国防合同，投入相应的研发资金，并测算出这份合同能带来多少收入；要么去研发一款全新设计的民航客机，投入相应资金，再测算预期收益。
比如一个项目内部收益率是16%，另一个是19%，那我自然会选19%的。但谷歌的情况是，各个项目极度多元化：你们可以给YouTube团队更多资金，让他们优化推荐算法，从而提升用户使用时长，进而提高变现能力；也可以给Waymo团队更多资金，让他们更快进入市场或更快扩大规模；还可以投资某种新的AI技术路线，可能五年后才会有回报。
我很好奇的是，如果你要把资金投向最优用途，最终需要做比较的话，面对这些性质截然不同、回报曲线形态完全不一样的项目，你们是如何进行对比和决策的？
Sundar Pichai：这个问题问得很好。颇具讽刺意味的是，因为TPU分配的问题，我对资金怎么投这件事的感受比以往任何时候都更深切。在某种程度上，就连Waymo都需要TPU。算力紧张反而把资本配置让这个问题变得更加突出、更受关注。
其实我一直很期待未来AI能作为决策助手，至少给我们的资源分配提供参考建议。一旦我们能把所有数据打通并让信息顺畅流转，模型其实就已经具备相应的能力。现在我们更多是要把所有数据的壁垒打通，我相信这会（对做决策）很有帮助。
回顾历史，谷歌的一大优势在于，我们往往会在技术周期的极早期就做出布局决策。这也近乎回归了我们深耕核心技术的初心。我们确实会思考你不久前问Elad的那个问题，哪些是我们真正值得长期投入的方向。
在（项目启动的）早期阶段做决策会相对容易，因为初期所需的资金规模不用太多。但一旦确定方向，我们就会长期坚定投入，同时确保技术能持续取得进展。
以量子计算为例。我们如何评估它值不值得投？我们依据的是底层指标：比如设定关于逻辑量子比特纠错、实现大规模稳定逻辑量子比特阈值的时间节点目标，然后看团队能否达成。我们就是通过这种方式来评估的。
我不会说这是一种优势。但在我看来极为重要的一条原则是，我们一直以来的思路，也是我们始终恪守的纪律，就是对早期前沿技术进行深度布局和押注。这一点对我们一直很有帮助。
日常做决策时，我一直认为必须评估这些项目的长期价值。在某种程度上近乎靠直觉去判断：估算5到10年后的期权价值与潜在市场空间（TAM），假设它能高速增长，再判断做的这些决策是否合理。
对TPU的投资就是很好的例子，我们持续、稳步加码，效果非常好。Waymo也是一个典型案例。大约两三年前，当整个行业对自动驾驶都持悲观态度、不少玩家纷纷撤退时，我们反而加大了对它的投资。
Elad Gil：我每天上班都会尽量乘坐Waymo，体验堪称神奇。
John Collison：Waymo恰好能说明一个问题：谷歌会砍掉部分项目，比如终止Loon气球互联网项目，但即便Waymo从demo到商业化耗时极长，你们依旧没有放弃。支撑你们坚持的动力是什么？是定性判断还是定量数据？你们如何决定砍掉Loon、保留Waymo的？
Sundar Pichai：核心是要靠量化指标来判断。以Waymo的自动驾驶系统为例，它的核心是底层技术，也就是软件如何操控车辆。我们需要看它在安全性和可靠性方面的进展。这是一个长期项目，我们的目标就是把安全和体验做到极致。
我们会跟踪技术进步曲线，设定阶段性目标，再对照目标看实际进展。我认为这支团队做得非常出色。尽管中间虽然也有过停滞不前的阶段，但这种时候我们更要相信团队能突破瓶颈。
在我看来，越能从这种底层技术层面去评估项目，做出的决策就越靠谱，至少我一直是这么判断的。
Elad Gil：我听到过一种观点，是关于Waymo的：因为过去处理驾驶极端情况或突发状况时，它靠的都是大量手动编写的规则与启发式逻辑，几乎是为车辆制定了一套手动设定的行为准则，能应对的场景非常有限。
它近期取得的诸多重大突破，是在几年前随着Transformer模型浪潮兴起，转向了端到端深度学习。那么你认为，如果Waymo不是在15多年前启动，而是五年前才开始，如今能达到同样的水平吗？毕竟正是那次技术突破推动了它快速发展。
Sundar Pichai：这个嘛，我们之前聊过机器人，你可以把Waymo看作一台机器人。我觉得，过去三年才开始做机器人的团队，进展大概率会更快。但Waymo是一个高度集成的系统，它的复杂程度，有点像台积电的芯片制造，或是SpaceX的火箭发射。我们面对的是极其复杂的系统集成问题。
我认为Waymo在这方面有很多不为人知的积累，如何把握研发周期、打磨相关工艺，这些都至关重要。
Elad Gil：但话虽如此，我确实认为端到端方案在这个领域会成为必然。而拥有这样一支团队，对Alphabet和谷歌来说无疑是巨大优势。正是因为持续投入，它才赶上了技术爆发的节点，这一布局显得非常明智且具有前瞻性。
我觉得一个很有意思的问题是，这种经验如何应用到其他领域？就像你提到的机器人领域，如今技术迭代速度极快，发展历程可能会完全不同。你们团队是否考虑过重新自研硬件？还是将主要通过合作模式将这些技术推向市场？
Sundar Pichai：我认为我们会保持非常开放的态度。我从Waymo以及AI方面的TPU等项目吸取的教训是，我认为必须全力推动技术曲线发展，尤其是在涉及安全、监管等诸多因素的领域。我需要亲身参与产品反馈的完整流程。所以在现阶段，我认为自研硬件最终会变得非常重要。
七、算力比资金更稀缺：亲自操盘资源分配大战John Collison：抱歉，我还有两个关于资本配置的问题想请教。
外界有一种看法：谷歌长期现金储备过高、财务杠杆用得太保守，一直保持着高额净现金头寸（即持有量、余额）。要知道，谷歌内部从来不缺好项目，创意多到做不过来；核心业务增长又极其稳健，公司对主业理解极深，而且主业增速一直显著高于公司的资本成本。
那么回头看，谷歌是不是本应该更激进一点？比如：“我们可以不再死守保守的净现金姿态，适度提高杠杆，把更多资金投向新业务，或者加大股票回购回报股东，又或者做更多少数股权投资，毕竟谷歌在对外投资这块本来就是顶级水平。”
Sundar Pichai：这个问题很有价值。比如，如果Waymo能更早实现现阶段的进展，我会愿意提前投入更多资本。从某种程度上说，我们的决策依据是项目的成熟度。
我们始终坚持做负责任的资本管理者：如果看好投资回报率，就会全力投入；若存在闲置资金，就会对外投资，比如我们对Stripe、SpaceX和Anthropic的投资，都是我们对资金的负责人应用。
如今随着AI技术变革，给我们带来了更多优质投资机会，我们也在加大投入。我们一直秉持这样的理念。
我其实很愿意更早给Waymo增资，但当时它的技术成熟度尚未达标。从安全角度来看，Waymo始终坚持安全优先，过早增资并不合理。
John Collison：有没有哪些项目，只要你们增加资本投入就能加快它们进展的速度？
Sundar Pichai：大部分项目都有其自然的增长节奏。但总体而言，即便部分决策可能存在偏差，我们的核心原则始终是：只要看好项目、拥有坚定信念，就会投入足够资本去推动落地。
John Collison：另一个关于资本配置的问题是，在以往的科技公司中，研发投入绝大部分是关于人力成本，人员编制管控十分严格。研发资源的分配，本质上就是调配高薪人才。除谷歌图书这类算力密集型项目外，技术成本相对于人力成本几乎可以忽略不计。
而如今，TPU算力分配已成为核心，那么谷歌内部具体的预算机制是怎样的？公司是否设有整体TPU预算？过去你们仅为项目分配人员编制，现在是否会同时分配人员与TPU额度？这两者是否纳入谷歌的统一预算管理？季度及年度评审又如何执行？
Sundar Pichai：我们一直都有算力预算。如今我们同时大规模使用TPU与GPU，对机器学习（ML）算力规划极为严谨。我们同样重视人员编制规划，但算力规划一直是独立环节。机器学习算力有过充裕的阶段，也经历过公司内部算力紧缺的时候，而当前的算力已经到了极度紧缺的程度。
我每周都会专门抽出一小时，精细化梳理算力分配问题。我会细化到各项目、各团队的算力使用量，基于数据评估分配合理性。
John Collison：现阶段，算力是核心稀缺资源，确保谷歌的算力投向最有价值的项目至关重要。
Elad Gil：这一套算力分配逻辑如何适配谷歌云（GCP）？毕竟谷歌云需要将算力分配给外部客户，而非内部使用，在整体供给约束下，如何平衡内外部分配？
Sundar Pichai：我们会提前规划。在制定远期规划时，云团队会同步推进预案，并落实相应计划。公司会为此提供资金支持，同时也会兼顾内部需求进行统筹。所有环节我们都会提前规划。
公司会同步为内部需求规划算力，同时与客户签订长期合约。我们对客户的合约承诺是神圣不可侵犯的。大部分问题通过提前规划解决，即便在供给约束下，谷歌云团队也会面临算力不足的问题，但远期规划能有效平衡需求。
John Collison：说到谷歌云，我有一个积攒已久的产品建议。
Sundar Pichai：你其实可以直接在X上发。
John Collison：哈哈没错。GCP、MCP的功能非常出色，AI能程序化对接谷歌云几乎所有功能，除核心权限模块外全部开放。某种程度上说，谷歌云的痛点在于功能过于丰富，我相信你也经常听到用户反馈平台太难用了。用户登后需要创建组织、项目，查找对应服务，整个流程非常繁琐。
但如今这些都不再重要了，大家只需指令AI调用对应谷歌云功能就行。谷歌云的全面性反而成为了它的巨大优势。我们在Stripe身上也面临类似问题：功能越多，用户越难找到合适的入口和用法，而AI能通读所有API文档，然后直接帮用户操作。这一模式效果非常好。
Sundar Pichai：AI有望成为一切的协调层。回到我之前的问题。即使是在企业内部，作为CEO并非没有掌握所有数据，但如何将这些数据集中到一个地方呢？过去需要搭建大型ERP系统打通数据源，而现在AI成为适配终端用户的智能协调层，体验极佳。
John Collison：产品功能越丰富，AI带来的益处就越明显，这在Stripe已有所体现，而谷歌云的受益程度会更大。
Sundar Pichai：我们还有很大优化空间，但你说得对，我认为这是一个巨大的机会。
John Collison：我对此也十分满意。这就涉及到我的产品建议了。让我感兴趣的是OpenClaw这类产品的市场适配性，它们为C端用户提供有状态AI服务（Stateful AI Service）。比如“汇总我感兴趣的每日新闻，每天早上推送给我”这类需要持久化状态的功能，目前主流AI应用都不支持。这项功能未来会推出吗？
Sundar Pichai：从发展方向上来说，我们应当为用户提供可靠、安全的持久化长效任务功能，同时完善身份、权限等配套机制。这就是智能体时代的未来方向，为C端用户落地这类功能，也是我们正在探索的前沿方向。
Elad Gil：这也是我想提的点。前Stripe CTO创立的Dreamer被Meta收购，其产品就实现了很好的状态持久化。
John Collison：用户还能自定义轻应用，操作极为简便。用户体验到这类功能时，会有明显的惊喜感。
Sundar Pichai：在我看来，未来C端AI产品底层都会搭载完整编码模型，配套完善的执行框架、技能体系，支持在云端、本地安全持久化运行。这些基础技术能力正在整合成型。
至于开发者，我感觉如今全球只有0.1%的人已经身处这种未来之中，他们在为自己构建这类应用。但如何把这套体验推向大众，实现普及，我认为是一个非常令人兴奋的全新前沿领域。
John Collison：我还有一个产品建议，抱歉你得忍受一下这个环节，这是采访的必经流程。我的另一点感受是：谷歌文档的搜索体验，远比Gmail差。明明两者搭载同样优秀的搜索引擎，却出现这种差异。
我认为原因在于邮件的关键词搜索往往很有效，用户能记住独特关键词；但我想查找2026年预算的文档时，在谷歌幻灯片中搜索“2026预算”，这个词在Stripe所有PPT里根本不算什么独特关键词，我永远找不到真正想要的那一份。我很好奇你也会遇到这种问题吗？
Sundar Pichai：我没有像你描述的那样强烈的感受，但你这么一说，我完全有共鸣。我已经想好要和哪个团队负责人沟通这个问题了。我认为我们能大幅优化体验。
未来几个月，谷歌文档等办公服务的AI集成会迎来显著升级。早期我们只是简单嵌入AI功能，但未来我们会优化上下文记忆和缓存机制，全面提升搜索能力，我们有很大的优化空间。
Elad Gil：我参与的很多公司，即便成立时间不长，也不得不彻底重构产品开发、工程实践流程，重新定义设计团队的职责与能力要求。谷歌是否也在重新审视这些流程？在其他方面是否发生了重大转变？
Sundar Pichai：我是这么理解的，你可以把它想象成一层层同心圆。谷歌内部有些团队正在发生力度非常大的转型，而对我来说一个很大的挑战是如何将这种变革扩散到更多团队，尤其是在2026年。
早期有些事情我们没法推进，是因为技术还很不稳定，经常出问题。
就像你看到了一个充满希望的新世界，但它还处在“半残废”状态。但今年，技术曲线迎来的拐点非常明显。尤其是GDM和部分软件工程团队已经彻底重构工作流，使用内部代号Jet Ski（即外部称作Antigravity）的工具，以智能体管理器为核心开展工作。
John Collison：我能否补充几个当前AI产业化落地的痛点，我很好奇你认为何时能够解决它们。在我看来，我们当前存在巨大的智能过剩问题。AI的能力已经极强，但如果你考察一家企业的对AI的掌握程度或运用程度，可能会发现他们存在不足之处。
我看到的问题大概是这样：第一，工程师要真正熟练地引导AI需要时间；第二，AI生成的代码不利于团队协作，代码迭代速度过快、修改频繁，多人协作难度远高于传统开发；第三，非技术部门面临数据权限问题：智能体需要查询“全球企业每日交易状态”，这类企业内部数据需要智能体自动应答，但当前的数据权限和使用习惯尚未跟上；第四，对岗位定义仍停留在旧有模式。工程师、产品经理、设计师此前的分工源自传统开发流程，在AI能力大幅提升后，部分岗位需要进一步融合。
总之，到2026年模型本身的能力已经达标，但我们对它们的实际应用率极低。你认为未来AI的普及节奏会是怎样的？
Sundar Pichai：事实上，Gemini团队、Gemini企业团队以及Antigravity团队正在精准攻克你说的这些问题，这正是我们的产品路线图。我们确实在内部率先使用这些工具，不断遇到障碍后再逐一突破。最终推出的产品就是这么打磨出来的。
我们仍在逐步推广（这套AI工具），因为在实际使用过程中，比如谷歌的SRE团队，他们会突然发现可以用AI搭建某一段自动化工作流。
但要更体系化地推进它落地，就需要解决一系列问题：当大家逐步掌握相关技能后，这些能力如何集中沉淀？如何让模型和全体员工都能便捷使用？同时，身份认证与权限管控是非常棘手的难题，我们也正在逐一解决。
这些也正是目前制约技术普及的关键所在。我们对安全问题高度重视，也必须非常谨慎。这类服务一旦出现失误，代价极高，因此我们必须严谨稳妥地推进。也正因如此，我们最终推出的产品会更加可靠，发挥的价值也会更大。
目前我们正投入大量前期固定成本，等未来将这些能力对外开放后，人们能用AI实现的事情将会迎来跨越式提升。其他企业也在朝着同一方向发力。
八、2027年拐点：智能体将接管非技术流程John Collison：我推测谷歌每年会正式重新预测几次业务走势。至少在Stripe是这样：我们先制定年度预算，之后每年会做三次正式的业务重预测。
仔细想想，所谓重预测，本质上就是一个时点函数：你把当前的业务状态输入进去，一部分在人的脑子里，但大部分散落在各处文档里，比如“这个业务表现如何？那个项目进展怎样？这笔交易能否达成？”等等。把某一时刻的全部业务状态输入这个“函数”，输出的就是更新后的全年业绩数字。
你能想象未来由AI完全全自动、无人介入地完成预测吗？你认为谷歌第一个完全由智能体完成的业务预测会出现在哪个季度？
Sundar Pichai：我确实预计在部分领域2027年会成为一些关键场景的重要拐点。即便人工仍在参与，但他们也会基于AI工作流完成业务预测。可能在前期将采用人工复核方式保障预测准确性，待模型稳定后逐步实现完全自动化替代。到2027年，大量非技术流程会迎来深刻变革。
John Collison：我认为Elad之前的问题是，工程团队是AI的早期使用者，但在工程领域之外呢？所以你的看法是，到2027年很多非工程类流程会真正开始（更深层次的使用AI）？
Sundar Pichai：没错，你之前提问时，其实是在问Waymo或机器人公司这类场景。我认为初创公司会在这方面具备优势，他们的团队更加原生AI化（一开始就完全围绕AI构建工作方式和组织架构，），这一点从招聘面试流程就能看出来。而对我们这样的大公司，则需要开展大量再培训、组织转型等工作。
我觉得这是年轻公司的优势，但我们也必须推动这类变革。
John Collison：我们聊了很多谷歌从小规模起步的项目，比如Transformer，但它诞生时并非公司核心优先级。如今谷歌内部有哪些小规模项目是让你格外兴奋的吗？
Sundar Pichai：这可能出乎很多人意料。我们决定在太空建设数据中心时，只是一个极小的团队。实际上，只有少数人以及有限的预算，才能达到第一个里程碑。
所以我认为即便想法宏大，也应该从小处着手。这就是一个很小的例子。
就在昨天，我还专门花时间听一位工程师讲解后训练环节的某项改进，整场分享只有他一个人介绍自己的研究成果。听完我就觉得：“这会带来非常明显的效果提升。”这正是当下这个时代可贵的力量。
第二个项目我就不具体透露了，但相信未来某天我们会公开。这些小幅的进步都让我感到兴奋。
睿迎网配资提示：文章来自网络，不代表本站观点。
