谷歌創始人罕見反思：低估 Transformer，也低估了 AI 編程的風險，“代碼錯了，代價更高”

　　編譯| Tina

　　很多人喜歡用一句話概括過去兩年的變化：AI 終于開始“會寫代碼了”。

　　從 Copilot 到 Cursor、從 Claude Code 到各類 Coding Agent，生成代碼的速度與覆蓋面早已超過大多數人的手寫能力。但在一場公開對話中，谷歌聯合創始人 Sergey Brin 給這種樂觀判斷潑了盆冷水——問題不在“能力不夠”，而在風險。AI 寫代碼“有時并不能正常工作”，一旦出錯，往往會是“相當嚴重的錯誤”。

　　他還用一個反差很強的例子解釋這種風險：如果是一篇比較文學論文，“寫錯一句話，通常不會造成那么大的后果”。因此在他看來，AI 也許更適合先去承擔那些“寫錯了也沒那么要命”的創意類、文字類工作。

　　在同一場對話里，他也罕見回顧了谷歌在生成式 AI 路線上的遲疑與誤判：包括對 Transformer 之后技術浪潮的低估、對擴大量級算力的投入不夠，以及“太害怕把它交到用戶手里，因為聊天機器人會說蠢話”，結果讓競爭對手搶先把產品化窗口打開。他甚至笑著提到，自己在疫情前一個月選擇“退休”，后來發現那是個“非常糟糕的決定”，最終還是被這一輪 AI 浪潮拉回了辦公室。

　　但他也不認同把今天的 AI 競賽簡單理解成“砸錢堆算力”。在他看來，過去十年左右，算法層面的進步“實際上跑得比‘規模擴張’還快”，而且“快很多”。當然，頭部公司“永遠不會拒絕站在算力前沿”，但算力更像“甜點”：真正的“主菜和蔬菜”，仍然是算法與工程層面的深技術工作。

　　這段對話發生在斯坦福大學工程學院百年紀念活動的公開論壇上。下文為 InfoQ 對現場內容的整理與翻譯，以饗讀者（為方便閱讀，內容有所刪節）。

　　回憶谷歌早期：

　　一切從“亂試”開始

　　Jennifer Widom：（工程學院院長）：如果回顧斯坦福工程學院過去 100 年的歷史，Google 的誕生無疑是其中最耀眼的時刻之一。1995 年，Sergey Brin 在考慮是否攻讀博士時來到斯坦福，結識了 Larry Page，兩人隨后參與了由美國國家科學基金會（NSF）資助的“數字圖書館”項目。后來誕生的 BackRub 算法演變為 PageRank，成為搜索引擎革命的起點，也深刻改變了互聯網的發展軌跡。

　　但如果把時間撥回到更早的 1990 年代初期，一切遠沒有后來那么清晰。那時電子郵件剛剛普及，創業浪潮尚未真正加速，斯坦福技術創業項目仍在構想階段，科學與工程四合院甚至還停留在圖紙和設想中。

　　John Levin（斯坦福校長）：1993 年，Sergey 作為博士生來到斯坦福。那時 Jennifer 是新入職的教師，而我還是斯坦福的一名本科生，1993 年秋天正讀大四。

　　幾年前，《紐約時報》的一位記者寫了一篇關于我那一屆畢業生的文章——1994 屆。文章的核心觀點是：這是史上最幸運的一屆大學畢業生，因為我們畢業的時間點，正好處在互聯網和科技爆發的前夜，而我們身處硅谷的中心。

　　那位記者在寫文章時給我打了電話，那是大約 10 年前。她說：“我想跟你聊聊這件事。”當時我已經是斯坦福的一名教授了。她說：“你是我為這篇文章打的第一個電話。”我說：“我真的很抱歉，可能要讓你失望了。沒錯，我 90 年代初在斯坦福，是 1994 屆畢業生，但當時我完全一無所知。事實上，我 1994 年離開斯坦福，去了英國牛津讀研究生——一個連制冰技術都好像忘記了的國家。等我幾年后、2000 年回到斯坦福時，一切已經全面起飛了。所以我真的幫不上你什么。”

　　她說：“沒關系。我寫這類文章時，喜歡先從邊緣人物聊起，然后再一步步往核心靠攏。”（全場笑）

　　如果我算是在邊緣，那確實有一些人站在互聯網革命的絕對核心。而其中，沒有誰比 Sergey Brin 更接近中心。他看到了技術未來的潛力，并且做出了一件非凡、改變世界的事情。正是這種事情，工程學院在過去一個世紀里多次孕育過，也希望在下一個世紀繼續發生。

　　Sergey，非常感謝你來到這里，參與工程學院的百年慶祝。

　　Sergey Brin：你們真的把我夸得太過了。我覺得其中有非常多的運氣成分。不過還是非常感謝你們的邀請，很高興能在這里。

　　John Levin：那我們就從那段時間說起吧。帶我們回到你在斯坦福讀研究生的時候。跟我們講講，在工程學院學習是一種什么樣的體驗，它是如何塑造了你，又是如何為 Google 的誕生創造了條件的。

　　Sergey Brin：回過頭來看，我當時可能并沒有完全意識到，但那確實是一段非常自由、非常有創造力的時光。讀博士期間，我幾乎可以完全自己安排時間，去嘗試各種想法。最早我做過一些現在看起來挺“離譜”的項目，比如嘗試把碎紙機碎掉的文件再拼回去。這個項目我其實從來沒有真正做成功，但也沒人跟我說過“你不能做這個”。

　　我有過幾位導師，他們偶爾會問我在做什么，但基本不會給我設太多限制。這種高度自由的研究環境，對我后來做事情的方式影響很大。

　　我們圍繞 Google 背后的想法，其實研究了好幾年，大概從 1995 年開始。要特別稱贊 Larry，他非常專注于 Web 的鏈接結構。當時 Web 本身還是個新東西，大家都在不斷嘗試新點子。

　　我記得我第一個“賺錢”的想法是做一個在線訂披薩的網站。

　　那在當時聽起來很瘋狂——居然可以在網上點餐。現在當然覺得理所當然了。我還開玩笑地在頁面頂部放了一個可樂廣告，覺得“互聯網廣告”這件事特別搞笑。

　　結果當然證明，這個玩笑一點也不好笑。（因為成真了）

　　總之，那個項目徹底失敗了。它的運作方式是：用戶在網站上下單，而當時披薩店基本都不在網上，但我想到他們有傳真機，于是系統會自動給他們發傳真訂單。

　　后來我才發現，這些店根本不怎么看傳真，于是項目就此夭折。

　　雖然沒成，但在當時，我們計算機系的人基本都很懂互聯網是怎么運作的，Web 服務器怎么搭。你可以非常快地搞出一個網站。于是大家就在 Web 上瘋狂試驗各種東西。那真的是一個非常有創造力的時期。

　　與此同時，Larry 在研究鏈接結構，我在做數據挖掘。后來我們就走到了一起。很快我們發現，我們的東西在搜索上確實很有用。但我們在斯坦福花了不少時間做實驗，一直在想，這到底是個學術項目，還是該拿出去做成產品。

　　我們嘗試把技術授權給一些互聯網公司。有一次我們去給 Excite 做了演示，Vinod Khosla 倒是很有眼光，說“這東西很好，你們應該買下來”。但 Excite 本身并不太感興趣。

　　后來我們和 Vinod 有過郵件往來，我們發了一封郵件說：“好吧，我們可以把技術授權給你們，160 萬美元。”15 分鐘后就收到回復，說：“這是一大筆錢啊。”但語氣是“好像也可以”。

　　作為研究生來說，這真的是天文數字，我們當時特別激動。后來我們一個朋友 Scott 走進來，笑得不行。原來那封回復是他偽造的。因為在當時，你可以偽裝成任何人發郵件。（全場大笑）

　　所以那筆交易當然沒有發生。最后 Larry 和我意識到，如果要把這件事真正做大，就必須籌到真正的資金。后來我們很容易就找到了天使投資人。

　　對我來說，離開博士項目是個大決定。我父母很失望，但我的導師 Jeff 跟我說：“你不如先試試看，不行再回來。”

　　所以我現在技術上還在休學狀態，說不定哪天還會回來。

　　John Levin：這個我之后還要再問問你，看你是不是真的想回來把學位讀完。我特別喜歡這個故事。而且現在回頭看也挺有意思的——創業在當時其實是你們嘗試授權失敗之后的“最后一個選項”。從某種意義上說，你們后來也改變了這種路徑。

　　Sergey Brin：我也不知道。我們的經歷挺特殊的。Scott 和 Alan 當時都離開去做自己的公司了，這也是他們走得比較早的原因之一。說實話，當時真的有很多人都在創業。Alan 當時已經在參與 Weather Underground 之類的項目，后來好像被 weather.com 之類的公司收購了。Scott 做的是郵件列表歸檔公司 e-Groups，后來被 Yahoo 收購。

　　所以創業在當時其實并不罕見。只是我們做決定的速度，可能比很多人都慢。

　　John Levin：從那個起點走到今天，Google 已經是一家 4 萬億美元市值的公司，每分鐘處理上千萬次搜索，產品線遍布各個領域。當年你和 Larry 創辦公司時，這一切對大多數人來說都完全無法預見。你們一定在很多關鍵節點做對了決定。回頭看，有沒有哪些在公司創立之初做的事情，你現在覺得“那一點真的非常重要”？

　　Sergey Brin：我覺得一開始，Larry 一直都非常有野心，現在也是。幾乎沒有什么計劃是你提出來，他會說“夠了”。他總是覺得還不夠宏大——不只是太陽系，要整個銀河系那種。

　　所以我覺得，那多少體現了他那種熱情吧。我們確實在很早的時候就寫下了非常宏大的使命宣言——“整合全球信息”之類的。我覺得把這種理念當作創業的起點，是很不錯的。

　　另外，我們要創辦的是一家相當具有學術精神的公司。畢竟我們倆都來自博士項目；而當時很多創業公司其實是本科剛畢業就出來做的。我確實覺得，這會在某種程度上改變你看待問題的方式。

　　當然要說明一下：有很多了不起的公司也是從本科階段走出來的。但我們從一開始就很重視基礎研發、底層 R&D 的投入，我覺得這種傾向很早就寫進了公司的文化里。

　　John Levin：你們也招了很多博士，所以不只是你們倆。

　　Sergey Brin：對，非常明顯。我記得 Urs H?lzle，他是我們最早的一批成員之一。我認識他，是因為我當時在斯坦福參加一個教授招聘的委員會——我其實已經面試過他了。他最后沒拿到斯坦福的教職，原因……我也不知道，挺復雜的，你們知道的，候選人都很強。但他一給我發消息，我就直接說：你明天能來上班嗎？因為我已經完全了解他，也完全清楚他的能力。

　　John Levin：我覺得可以說，在過去 25 年里，Google 很可能是全世界最具創新力的公司。無論從產品創新來看——比如 YouTube 的視頻生態、DoubleClick 的廣告技術、Waymo 的自動駕駛——還是從技術創新來看，從最早期一路走到今天，包括芯片等等。

　　但大公司要長期保持強創新能力是很難的，所有人都在這個問題上掙扎，而你們做到了。很多人也認為你個人在其中發揮了關鍵作用。你是怎么思考“如何塑造創新文化”、以及你在其中扮演的角色的？

　　Sergey Brin：好吧，謝謝，你又在夸我了。我覺得，首先，我們也確實在很多事情上栽過跟頭。現在不必一一展開，但我們的失敗清單也很長。所以某種意義上，創新的一部分就是——去嘗試。我想，可能因為我們有比較強的學術根源，我們更愿意去嘗試難題。

　　而且我覺得，尤其是在過去十年左右，難題變得越來越有價值。

　　比如 AI，顯然是個巨大趨勢。僅僅是做 AI 所需要的算力規模、以及其中需要的深度數學，這些都是技術上非常深、非常難的挑戰。

　　某種意義上，這也算是一種命運的轉折：在這個階段，這些東西恰好變得格外重要。

　　以前有一段時間，你知道的，什么 pets.com 之類的——你只要把任何東西放到 .com 上，就能做起來。它并不需要很深的技術，只要對 Web 有一點點邊際理解，就能搞個 whatever.com。

　　幸運的是，我們做的是搜索，這確實需要更深的技術能力，而且這之后技術復雜度只會越來越高。

　　其實，現在我們招的人都——嗯——比我當年強得多。我當時算是偏數學的計算機專業學生，因為我本科同時學了數學和計算機，這在我那一屆還挺少見的。

　　但現在我們從斯坦福、以及其他頂尖項目里招人，這些人在數學和計算機方面都非常強，其中很多還是物理學家。物理學家往往必須做很硬的數學，而且他們處理的很多問題算力資源非常受限，所以他們也需要相當強的計算技能。

　　所以我覺得，事情就這樣發展到了一個狀態：深科技越來越重要。我們只是運氣好，早早把方向“撥”到了這條路上。

　　低估 Transformer 之后，

　　AI 競賽再無僥幸

　　John Levin：這是個很有意思的觀察：技術難題再次成為公司競爭優勢的核心。那我們聊聊 AI 吧。每個人都在想這件事。你現在也回到 Google 做相關工作。你們在很多方面都處在最前沿，而且競爭極其激烈。

　　投入到 AI 基礎設施里的資本規模，已經是數千億美元級別的，甚至單家公司也是這樣，真的非常夸張。你怎么看現在 AI 的整體格局？

　　Sergey Brin：好，我得想想怎么回答，才能不顯得我在自吹自擂。

　　確實，這里面的投資規模非常巨大。

　　我想說的是，從某些角度看，我們確實做錯了：我們當時投入不夠，沒把它當成應該有的那種嚴肅程度。比如大概八年前，我們發表了 Transformer 論文。我們其實并沒有那么當回事，也沒有在擴大量級算力這件事上投入到位。

　　還有一個原因是，我們太害怕把它直接交到用戶手里，因為聊天機器人會說蠢話。然后 OpenAI 就把它推進去了——他們做得很好，那是個非常聰明的洞察。我們這邊也有人去了那邊做這件事，比如 Ilya。

　　但我也覺得，我們仍然從那段長期積累中獲益良多。我們很早就有神經網絡相關的大量研發積累，從 Google Brain 那會兒就開始了，這也算是一種運氣。

　　當然，“運氣”也不完全是運氣：比如我們招到了 Jeff Dean，這不是偶然。

　　我們確實很幸運能得到他，但當時我們就是認定：深技術很重要，所以會去招這樣的人。那段時間我們也從一些研究氛圍特別強的公司挖了不少人，說實話，就是看中他們的研究實驗室真的很能打。Jeff 對神經網絡尤其有熱情，我覺得甚至能追溯到他青少年時期的實驗——他好像十六歲就一邊在想怎么治第三世界疾病，一邊研究神經網絡。反正他一直很投入，后來也把整個團隊和工作做起來了。

　　其實當時在 Google X，我那條線里也有他，但我基本就是：“好，Jeff，你想做什么就做什么。”他會說：“哦，我們可以分辨貓和狗。”我就說：“哦，好啊，很酷。”

　　但你也得信任你的技術人才。很快，他們就把各種神經網絡算法做出來了，并且開始用于我們的搜索。后來又有了 Transformer，我們能做的事情越來越多。

　　所以總結一下：我們確實擁有底層基礎、擁有研發積累；我們也確實在若干年里投入不夠、沒把它當成應該有的那么嚴肅。

　　但與此同時，我們當時也在做芯片。TPU 大概可以追溯到十二年前左右。最早我們用 GPU，而且可能也是最早一批規模化使用 GPU 的公司之一。后來我們用過 FPGA，然后開始做自研芯片，到現在已經迭代了無數代。

　　所以我覺得核心在于：我們相信深科技這條路——去榨出更多算力、去開發算法。與此同時，我們長期以來一直是算力的大投資者。

　　我們很早就擁有大規模數據中心。這種規模，我覺得除了 AWS 這種公司，很少有誰能做到。擁有這種規模的數據中心、擁有自研半導體、擁有深度學習算法等——也就是把現代 AI 的整條技術棧的關鍵組件都握在手里——這讓我們仍然能夠站在前沿。

　　John Levin：那你怎么看未來？技術每年都在變得更強。也有很多不同的 AI 愿景：AI 會不會真的能做所有人類能在電腦前做的事情？甚至更廣？那個世界會是什么樣？你對技術走向有自己的判斷嗎？

　　Sergey Brin：老實說，這個創新速度真的令人震撼，而且競爭非常激烈——你們也都看到了，美國頭部公司之間、中國頭部公司之間，競爭都很兇。

　　現在 AI 的新聞，你一個月不看就完全落后了。

　　那它會走向哪里？我不知道。我覺得我們真的不知道。

　　智能有沒有上限？除了你提到的“它能不能做到人類能做的一切”，還有一個問題是：它能做哪些人類做不到的事？這其實就是“超級智能”的問題。但這件事到底會走到什么程度——未知。一個系統到底能有多聰明——未知。

　　人類進化經歷了幾十萬年，靈長類可能更久，這個過程很慢；而 AI 的發展速度，和那個相比簡直不是一個量級。

　　John Levin：你覺得我們準備好面對這種速度了嗎？

　　Sergey Brin：到目前為止，我覺得人們確實從技術里獲得了非常多的價值。即便偶爾會出現一些末日式的悲觀預測，但總體上大家被賦能得更強了。

　　而且說實話，AI 經常蠢到讓你不得不一直盯著、一直監督它。

　　但它有時候也會非常聰明，給你一個特別棒的想法。還有一種情況是——尤其當你不是某個領域的專家時——比如我想了解怎么設計一款新的 AI 芯片，我當然可以去問我們內部的專家設計師。但作為一個最基礎的方案，我至少可以掏出手機，直接跟 AI 聊。它大概率能給我一個 80%、90% 的還不錯的概覽，讓我理解個大概。或者健康問題之類的，也同樣如此。

　　我確實覺得，它讓個體變得更有能力。因為一般情況下，你不會隨時隨地身邊都有 X、Y、Z 領域的專家。

　　而這種賦能會帶來巨大的潛力——不管是職業發展、企業創新、健康管理，還是更好的生活。

　　所以你看，我也沒有全部答案。我只是覺得，它擁有極大潛力去提升個體能力。

　　John Levin：這是非常積極的愿景：AI 可能成為增強人類能力的強大工具。你這么看待它，我很高興。我想問一個問題——在“創業思想領袖”這門課里幾乎總會被問到，而且在 AI 的語境下可能更尖銳。因為我覺得每一個斯坦福學生、也可能是全國范圍內所有大學生，都在想：這項技術會怎么影響他們的職業、他們未來的工作機會、以及他們要做什么。你對學生有沒有什么建議？他們應該學什么，應該怎么思考就業市場和未來？

　　Sergey Brin：我覺得這真的非常難預測會發生什么。

　　如果我們回頭看，從 Web 的出現到手機普及，這些東西深刻改變了社會，也深刻改變了人們的工作類型、職業路徑和學習內容。AI 也百分之百會帶來這樣的改變。

　　但現在這個格局變化太快，很難說清楚它具體會怎么改。

　　而且今天的 AI，和五年前的 AI 完全不同；五年后的 AI，也會和今天完全不同。所以我也不知道，很難做出可靠預測。但我肯定會建議：用 AI 來幫助你自己。它能做的事情太多了。

　　就拿我個人來說——不管是給朋友或家人挑禮物、為產品做頭腦風暴、或者做藝術創作之類的——我現在都經常求助 AI。它不會替我完成一切，因為我通常會這么問：“給我五個點子……”然后其中三個可能明顯就是垃圾，我一眼能看出來。但另外兩個可能會有一點“天才的火花”，或者能幫我換個角度、把問題放到一個新的框架里。然后我再基于它去打磨、去思考、去發展我的想法。

　　John Levin：我插入一個更具體的問題。現場大概有 250 名學生，很多是本科生。斯坦福也給本科生很大自由，所以不少同學還沒選專業。幾年前我們還可以預測：其中有相當一部分會選擇計算機科學。你還會建議他們繼續選計算機科學嗎？他們都在認真聽。

　　Sergey Brin：我當年選計算機科學，是因為我真的熱愛它，所以對我來說是個不用想的決定。你也可以說我運氣好，因為我恰好站在一個極具變革性的領域里。

　　我不會因為“AI 現在寫代碼還不錯”就不選計算機科學。AI 現在很多事都做得不錯。只是寫代碼恰好市場價值很高，所以很多人會追它。更重要的是，更好的代碼會帶來更好的 AI。所以很多做 AI 的公司——包括我們——都非常重視軟件工程能力。

　　我們內部也大量用 AI 來寫代碼，甚至用來輔助算法思路的構思。但這正是因為編碼真的很重要。

　　所以我想說，我不會因為 AI 寫代碼變強了，就跑去改學比較文學。因為如果你真要說實話，AI 可能在比較文學上更強。

　　John Levin：（點頭）

　　Sergey Brin：我不是要冒犯比較文學專業的同學。但你知道，當 AI 寫代碼的時候——說實話——它有時候會寫錯，而且可能是非常嚴重的錯誤。但你在比較文學論文里寫錯一句話，通常不會造成那么大的后果。

　　所以相較之下，AI 反而更適合先去做那些“寫錯了也沒那么要命”的創意類工作。

　　在 AI 時代，大學還承擔什么角色？

　　John Levin：我覺得這是一個非常有意思的技術觀察。很多人對 AI 的直覺是：它會非常擅長技術問題，但不一定擅長那些我們更愿意歸為“人類特質”的東西，比如同理心、復雜對話。但如果你讓 AI 去模擬一段對話，它其實能相當好地給你一個復雜對話的結構。所以我也很喜歡你指出的那種不確定性。我再問最后一個問題，然后就開放給觀眾提問。今天是工程學院百年校慶。如果你是 Jennifer，需要為工程學院開啟第二個百年，你會怎么思考工程學院的下一個世紀？

　　Sergey Brin：這是個大責任。我想，我會重新思考“大學到底意味著什么”。我知道這聽起來有點煩人。（全場笑）

　　這也是 Larry 可能會說的話，而我會因此有點煩他。但你知道——我們現在有這種地理上高度集中式的機構：有校園、有樓、有很豪華的講堂。但認真說，現在信息傳播得太快了。很多大學都已經在線化了，斯坦福也一樣。MIT 很早就有 OpenCourseWare，還有各種創業公司在做在線教育：Coursera、Udacity，等等。

　　所以“教學”正在被分發出去，任何人現在都可以上網學習。你可以跟 AI 聊，也可以選一門課、看 YouTube 視頻學習。

　　所以我想問的是：如果任何人都能在線學習，那么——大學到底意味著什么？你們是不是想在這種情況下最大化影響力？那你知道，如果把它限制在某個地理范圍里，可能就不會那么有效。公平地說，灣區確實是個很特殊的地方。

　　但……我知道我有點跑題、在這兒一邊想一邊說，不過總之，我就是覺得，在接下來的一個世紀里，“工程學院”“大學”這些概念，是否還會和過去一樣。

　　人們會流動、會遠程工作、會跨地域協作。這里面也有一點矛盾：我們又在努力把人拉回辦公室，我也確實認為人們面對面協作在某種規模下會更高效。但那是某種特定尺度下的結論。

　　比如說，你讓一百個人在那邊一起工作，這沒問題；但他們不一定必須和另外一百個人待在同一個地方。

　　而且我越來越看到一種趨勢：有些個體不管有沒有學位，都能創造新東西。我們確實招了很多學術明星，但我們也招過大量甚至沒有本科學位、什么學位都沒有的人——他們就是在某個奇怪的角落里自己把事情摸索出來。

　　我也不知道。這問題真的很難。我不覺得我能在這里突然給你一個“新配方”。但我確實覺得，這種形式未必就是下一個一百年的那個形式。

　　John Levin：這其實適用于整個大學。你觸及的是大學最根本的問題。大學的一部分使命，是知識的創造與傳播——這是最核心的使命。隨著技術進步，這兩件事可以用不同方式完成。

　　然后還有一個問題：把高密度的人才聚在同一個地方，讓他們不斷碰撞——這種模式本身很重要。它當然是促成你創辦 Google 的生態之一，也促成了很多偉大的事情。

　　未來會不會出現替代品，去替代大學校園里這種生態？或者說，這種生態到底有多“根本”？它會不會繼續存在？所以我其實很感謝你在這場對話里把這個如此深的問題提出來。

　　好，我們要確保給臺下的朋友留一些提問時間。Jennifer，我把提問交給你，請你從現場同學那里選幾個問題。

　　Jennifer Widom：好的。“創業思想領袖”這門課的同學們提前提交了一些問題，其中一部分被選中了。接下來在剩余時間里，我們會請幾位同學來提問。

　　問答精選：算力、算法，

　　以及一次失敗的退休決定

　　學生（Rasha Barve）：我的第一個問題想問 Sergey，也和剛才討論的內容有關。Google 很大程度上源自你在學術界完成的 PageRank 工作。而如今大量創新由產業界驅動。你仍然認為“學術到產業”的輸送管道很關鍵嗎？如果關鍵，你會如何強化它？

　　Sergey Brin：哇，這是個很好的問題。“學術到產業的管道是否關鍵？”嗯……我可能只能回答你：我不知道。

　　因為我想，我當研究生的時候，一個新想法到它在商業上真正有價值，可能需要很多很多年，甚至幾十年。

　　如果這個周期被大幅壓縮了，那“把很多東西放在學術界去做”這件事，可能就沒那么成立了。

　　在學術界，你有自由，可以長時間去想一件事。你申請經費、做項目、反復嘗試，你可以花上幾十年去琢磨，然后它慢慢“發酵”。之后可能會有大公司，或者某個創業公司，把它推向應用。

　　問題是：如果這個時間線縮短很多，那這種模式還合理嗎？我覺得有些事情肯定仍然合理。比如在 AI 領域，我會定期關注斯坦福和其他大學的研究。我們有時會招人、會合作等等。但我不確定他們是否“需要”那種很長的時間窗口——比如他們嘗試某種新的注意力機制，花了幾年做實驗，然后以某種形式走向產業。因為說實話，產業界也在做這些事情。所以從這個角度看，并不能構成一個特別強的論點。

　　也許在“更激進、更全新的架構”層面，學術界仍有價值。但總體上，產業界把東西規模化的速度會快得多。

　　我想到一個例子：量子計算。這個想法大概在八十年代左右被提出，然后現在已經有很多公司在做了。同時也有很多大學實驗室在探索新的實現方式。這可能屬于一個“還在搖擺區間”的領域。

　　如果你有一個完全新的思路——不是我們現在做的超導量子比特，也不是很多創業公司做的離子阱，而是一種全新的實現路徑——那也許確實需要讓它在大學里“發酵”幾年。這類事情很難，所以在學術界醞釀一段時間可能說得通。但到了某個點，如果你發現它真的非常有前景，你大概率還是會想辦法把它商業化，以某種方式走向產業。

　　所以……我也不知道。我很想給你一個明確答案，但現在頭部公司也確實在做越來越多的基礎研究，而且從 AI 的回報來看，這些基礎研究投入正在得到回報。

　　所以我猜測會發生的變化是：不同類型探索的比例會調整。

　　但我確實認為，仍然有一些方向需要那種十年級別的、相對更“純”的研究，而公司可能更不愿意做，因為從上市 / 產品化的角度看，周期太長了。

　　學生（Arnov）：我的問題想問 Sergey Brin：AI 正以前所未有的速度加速發展，像我這樣的年輕創業者，應該保持什么樣的心態，才能避免重復過去那些錯誤？

　　Sergey Brin：“什么心態能避免重復過去的錯誤？”

　　嗯……比如你有一個很酷的可穿戴設備點子時，先把產品真正打磨成熟，再去搞什么跳傘、飛艇之類的酷炫特技營銷，這是一個建議。

　　不，我認真說。我其實挺喜歡我們當年做 Google Glass 的那種探索，它確實也是一個“過去的錯誤”的典型例子。問題在于，我把它商業化得太快了。在我們還沒把成本做到足夠低、也還沒把消費級體驗打磨到足夠成熟之前，我就急著推向市場。

　　我當時有點“搶跑”，心里想著：哦，我是下一個 Steve Jobs，我也能把這個東西——噠噠！——做出來。

　　每個人都覺得自己是下一個 Steve Jobs——我也犯過這個錯。但他確實是個非常獨特的人。

　　所以我想說，確保你的想法真的“烤熟了”，把它打磨到足夠成熟、足夠扎實之后，再進入那種必須對外交付的節奏。因為一旦踏上那條跑步機，外界期待會不斷上升，成本也會一路往上，你就會被迫在某個時間點交付成果。到那時，你可能沒有足夠時間把所有該做的事情都做好，期待會像滾雪球一樣越滾越大，而你卻沒給自己留下消化和調整的空間。

　　這是我會盡量避免的錯誤。

　　學生（Esha Bargetag）：我們看到很多 AI 公司通過“擴大數據規模”和“擴大算力規模”來提升大語言模型。我的問題是：如果某一天數據用完了、算力也到頂了，下一步會是什么方向？會不會是新的模型架構，比如替代 Transformer？還是更好的學習方法，比如比監督學習或強化學習更好的訓練方式？或者你們認為會是一個完全不同的方向？謝謝。

　　Sergey Brin：你列出來的這些方向——我覺得都已經比“擴大算力、擴大數據”更重要了。

　　大家之所以特別關注“規模擴張”，是因為它更顯眼：你在建數據中心、買芯片，而且 OpenAI、Anthropic 也發表過很多關于 scaling law 的研究，所以這很容易吸引注意力。

　　但如果你把各條線仔細對齊，你會發現：過去十年左右，算法層面的進步，實際上跑得比“規模擴張”還快，甚至快很多。

　　我記得我讀研的時候看過一個圖，講的是 N-body 問題——比如引力系統，很多天體在互相作用、飛來飛去。你當然會看到從五十年代到九十年代，算力按照摩爾定律增長了很多很多倍。但解決 N-body 問題的算法進展，遠遠快過那段時期的算力增長。

　　所以我覺得，你會看到像我們這樣的公司，永遠不會拒絕站在算力前沿。但那更像是……怎么說呢，算力就像甜點——它是在你真正做完算法工作、做完“主菜和蔬菜”之后的甜點。

　　Jennifer Widom：我也補充一下。關于“算力會不會用盡”“數據會不會用盡”，尤其是“算力不足”這件事，我們在大學里其實早就非常熟悉了。大學很難擁有公司那種規模的算力，我們根本沒法比。但這也倒逼我們做很多創新：當你算力更少的時候，你能做什么？如何“用更少實現更多”？這類研究我們在這里已經做了很多。

　　學生（Andy Zivortsy）：我的問題想問三位：你們認為哪一種新興技術，在長期影響上被嚴重低估了？

　　Sergey Brin：哎呀，這個問題太難了。“哪種新興技術被嚴重低估？”我顯然不能說 AI，因為很難說大家還在低估它。當然你也可以說它仍然被低估，但現在它恐怕不算“新興”了。

　　很多人會提量子計算，但我也不太想把它當成明確答案。我們確實在做，也很支持，但未知數太多；從計算理論上講，甚至像 P 是否不等于 NP 這種問題都還懸而未決，而且量子算法往往只對很特定的結構化問題有效。

　　如果一定要選一個方向，我更愿意說：材料科學可能被低估了。無論是 AI 還是量子計算，一旦能更深入地推動材料突破，潛在影響會非常大，幾乎沒有上限。

　　John Levin：我剛才也在想材料。因為“被低估”這個角度挺有意思的。現在大家對“技術創新機會在哪里”投入了很多注意力。像核聚變、量子這些還沒真正成熟的技術，其實并不缺關注；AI 當然也不缺。但材料科學在我看來，是其中一個可能被低估的方向。另外還有生物與健康領域——分子科學里有非常多機會。它現在可能沒有 AI 那么吸睛，但分子科學也正在發生一場巨大的革命。

　　Jennifer Widom：對，我也想說類似的觀點。聚光燈總是在移動，現在它幾乎完全打在 AI 上，但它不該因此離開生物領域。合成生物學里正在發生很多非常令人興奮的進展，所以我覺得，我們需要把這束光稍微照得更寬一些。

　　學生（Drew Mi）：我們成長過程中都會有一些“限制性信念”。我很好奇，你在打造 Google 的過程中，有哪些限制性信念或根深蒂固的信念必須被改變？這又如何影響了你的決策？

　　Sergey Brin：嗯，“限制性信念”……我不確定我能給出一個特別具體的例子。更像是，我的人生很多階段都經歷過那種“世界突然被擴展”的變化。

　　我出生在莫斯科，當時非常貧窮。我和父母、祖母擠在一個很小的公寓里，還得爬好幾層樓。那時候我幾乎不會去想外面的世界。后來我父親去波蘭開會，第一次更清楚地意識到外面還有另一種生活，于是決定帶我們離開。這個決定在家族里爭議很大，但最終我們到了美國。我們依然很窮，還要從零開始。我得學新語言、重新交朋友，那是很痛苦的轉變，但也讓我“醒過來”了。

　　后來到斯坦福讀研，也有點像另一次擴展。教授們給了我很大的自由和信任，加州本身也有一種更開放、更解放的氣質。可能我是在繞著回答你的問題，但我的體會是：那些當下看起來很難的轉變，事后往往會帶來回報。我更愿意相信，走出舒適區本身就是一種長期收益的選擇。

　　學生（Lu Baba）：你取得了大多數人難以想象的成功。看你現在的人生，你對“好的人生”的定義是什么？在這些成就之外，它對你意味著什么？

　　Sergey Brin：好，謝謝。“好的人生是什么？”

　　我想，首先是能夠享受生活吧，不管你在建造什么、創造什么。我很重視家庭。今天我有一個孩子也在現場。我的女朋友也在這里。我很感激自己能有條件和他們一起度過高質量的時間。

　　我也非常感激，在這個階段我還能持續被智力挑戰。

　　我其實是在 COVID 之前一個月“退休”的。這是一個極其糟糕的決定。我當時的設想是：我要坐在咖啡館里學物理，因為那時物理是我的熱情所在。結果當然沒實現，因為咖啡館都關門了。（全場笑）

　　我當時就在那兒焦慮，感覺自己在螺旋下降，腦子也不靈光了。

　　后來我就想：不行，我得回辦公室。雖然那時辦公室還關著。但幾個月后，開始有一些人能偶爾去辦公室，我也就偶爾去，然后越來越多地投入到后來被稱為 Gemini 的項目里——這非常令人興奮。能有這樣的技術與創意出口，我覺得非常有價值。

　　相對而言，如果我一直保持退休狀態，我覺得那會是個大錯誤。

　　學生（Zena）：我想問一個我們經常問嘉賓的問題：你怎么安排時間，才能持續跟上最新進展、保持敏銳？你讀什么書？開車時聽什么播客？

　　Sergey Brin：好，我盡量別把回答說得像在打廣告。我開車的時候經常會跟 Gemini Live 聊天。但先說清楚，公開版本現在還不是我們內部那個“好版本”，背后用的模型也比較老，有點尷尬。所以你們今天別急著照做，過段時間等我們把更好的版本真正放出來。

　　我會在路上問它各種很具體的問題，比如“如果要建一個數據中心，需要多少電力、成本大概多少”，一路開車一路聊。聽起來確實有點像在給 Gemini 做宣傳，但對我來說，這種交互式討論最能讓我保持跟得上。

　　播客我也會斷斷續續聽不少。“All-In”那幾位是我比較喜歡的之一。總體上我會聽聽他們在聊什么、最近發生了什么，但相比被動聽，我更偏好在路上和 AI 互動。

　　John Levin：我覺得這其實就是未來的縮影。用這個收尾挺好，我們可能都會這么做。

　　https://www.youtube.com/watch?v=0nlNX94FcUE&t=3s

　　聲明：本文為 InfoQ 翻譯整理，不代表平臺觀點，未經許可禁止轉載。

　　技術人的年度儀式感！年度盤點與趨勢洞察 啟動！

　　《2025 年度盤點與趨勢洞察》由 InfoQ 技術編輯組策劃。覆蓋大模型、Agent、具身智能、AI Native 開發范式、AI 工具鏈與開發、AI+ 傳統行業等方向，通過長期跟蹤、與業內專家深度訪談等方式，對重點領域進行關鍵技術進展、核心事件和產業趨勢的洞察盤點。

　　力求以體系化視角幫助讀者理解年度技術演化的底層邏輯、創新方向與落地價值，并為新一年決策提供參考。內容將在 InfoQ 媒體矩陣陸續放出，歡迎大家持續關注。