2025-12-14 13:00 谢尔盖布林在斯坦福的最新访谈。 引用内 容: “谷歌Al 落后了”。这是ChatGPT 诞生以 来 ，很长一段 时间内 ，科技行业的主流声 音。过去三年，全球科技圈的主流叙事中 有且仅有两个主角: 灿伟达负责卖铲子， 提供GPU 人硬件基础;OpenAl 负责 挖金矿， 凭借ScalingLaw定义 前沿模型。 谷歌则长期被认为是在Al 充赛中落后的 巨头 ，模型不如OpenAl, 甚至连搜索业务 也面临被取代的风险。直到谷歌 创始人谢
尔盖。布林(Sergey Brin) 回归一线，亲自管 理Al 业务，并先后Gemini2.5 和Gemini3 系列 大模型后，一切才彻底发生了改变。 上个 月,谷歌 推出最新的Gemini3 系列模 型 和第七代TPU Ironwood ,彻底改变了AI 行业 的游戏规则 。现在，轮到OpenAl 拉 响红色和警报 了。 月13 日 ，谢尔盖。布林现身母校 斯坦 福大学工程学院的百年校庆活动。面 对台 下数百名年轻的工科生, 布林首次坦诚谷 歌在Al 浪潮初期的战略误判，并深入剖 析了这场绝地反击背后的布局。 当被问及谷歌在Al 早期的被动局面时，
谢尔盖。布林说，尽管谷歌早在八年前就 发布了Transformer 论文 ，但公司内部却 并未给予足够的战略重视。 “我们当时在算力扩展上的投入过于保 守，甚至可以说是有些胆愤 。胆导源于谷 歌作为搜索巨头的包 罕。” 由于担心 聊天 机器人可能会输出错误信息或不当言论， 谷歌在产品化路径上迟疑不决。这种犹豫 给了OpenAl 绝佳的空窗期，OpenAl 敏锐 地抓住了机会,通过chatGPT 一举占据市 场前沿 。谢尔盖。布林重返一线很大一部 分原因 是去救火。回到谷歌后，布 林并没 有选择坐在高层会议室里听取汇报，而是 直接投身于Gemini 模型的研发中。他透 露, 目己现在每天上下班的路上都在与内
部 版本的Gemini 进行语音对话 ，测试其 极了上限。资料交流 群+nungerrong “你 们现在公开版用到的模型 版本其实 相当古老,我自己在车里用的那个版本要 强得 多,大概几周后我们就会把它推向市 局“ 这某种程度上印证了外界对于Gemini3 代速度的猜测,谷歌正在快速将实验室里 的前沿成果转化为产品。 谷歌基于深厚的底层技术积累实现绝地 芭南，作 贤睛属，果 下人八TUITonwood 为Gemini3 系列模型的性能释放提供了硬 件支 撑，在性能、能效比和互联带宽上，
均 显示出对GPU 的显著优势 在模型层 ，Gemini3 系列原生多模态能力 和超长上下文窗口,将行业标准提升 到了 一个新的量级。不同于竞争对手将多模态 能力进行接口缝合的做法 ，Gemini3 从基 础架构层面就支持文本、人代码、图像、音 频和视频的统一理解和生成,展现 了更高 在 应用层, 谷歌模型能力深度融入其核心 应用生态。在Workspace 生产 力套件中， Gemini 被葵入到用户的日常 工作流。在核 心搜索产品 中 ，传统链接列表转变为由 Gemini 驱动的摘要性 、多模态答案。此 外， 结合veo 等视频生成应 用,谷歌 在内容生
成领域也展示了模型能力的商业 化落地， 实现了从模型突破到应用生态的全家桶 式 体验升级。 尽管谷歌错过了Transformer 技术商业化 的 最佳窗口, 但其深度学习和算法的原创 积累仍在。谷歌的人才库和基础研究功底， 使他们能够迅速调整策略 ，将研究 成果直 接转化为下一代架构的优势。这种全链条 自主 可控能力，为谷歌提供了可观的的模 型迭代效果,使其能够迅速缩小差距并实 现超越。 在 谈及行业目前 普过迷信的ScalingLaw (扩展定律 ，即单纯通过堆砌算力和数据 来提升 模型性能)时 ，谢尔盖。布 林给出
了一个反直觉的判断:虽然 外界的目光都 聚焦在庞大的数据中心和GPU 集群上,但 真正的决胜点可能在于算法效率。 “如果仔细梳理过去十年的发 展，你会发 现算法层面的进步速度其实是跑赢了单 纯的算力扩张 速度。”这也解释 了为何谷 歌在Gemini3 的研发 中，不再单纯追求参 数量 的盲目膨胀，而是转向了更高效的 MoE (混合专家) 架构和长上下文处理能 则. 谢尔盖。布林还提到，人谷歌 从未停止在算 力基础设施上的投入 ，TPU 项 目早在12 年前就已启动 ，软硬一体的长期积累，是 谷歌能够在算力紧缺的当下,依然保持快
速迭代的护城河 所在。 面对学生关于Al 未来的提问，他表示， 目前尚不清楚智能是否存在天花 板，AI 是否能做到人类无法做到的事情。Al 不仅 是代码生成的工具,更是人类能力的倍增 器。建议年轻一代不必过分焦虑于Al 对 职业的替代，而是应该学会利用Al 来提 升创造力。
- 谷歌在AI 当潮早期曾出现决策 失误 谷歌在Transformer论文 发表后曾错失 机会。 他们担心聊天机器人会说“ 春话”而 未敢快速 推广技术, 这导致公司在AI 商业化部署上失去 了先机，让竞争 对手抢占了优势。
- 谷歌AI 核心优势在于全栈基础设施 尽管早期有失误 ，但Google 在AI 领域 的持续 竞争力源于其对深层基础技术的长期投入。例 如十多年前谷歌就开始开发的AI 专用芯片 (CTPU) 以及大规模数据中心。这种对算法、半时 体和计算设施的全面掌控 ，使其能够站在现代 AI 的前沿。
3.未来AI 的突破点可能是算法 Al 未来发展的方向将更多地依赖于算法进步和 潜在的新架构，而不是仅仅通过扩大数据和计 算规模。在过去十年 中，算法的进步速度实际 上已经超过了计算能力的增长速度。 4.AI 做那种创造性的事更容易 不应该仅仅因为觉得Al 擅长写代码就转去学 比较文学，AI 在比较文学上可能表现得更好。 不是要不尊重比较文学专业的学 生，但当你使 用AI 写代码的时 候，有时候它并不奏效，像是 它会犯一个相当重大的错误。然而，你在一篇 关于比较文学的论文里把一句话写错了，并不 会真的有那种后果。AI 做一些那种创造性的事 情 更容易。
- 建议 年轻人将AI 作为增强个人能力的工具 AI 是一个强大的赋能工具, 可以用来头脑风暴、 获取 专业知识概览，学生们应该积极利用它来 增强 自身的个体能力。
- 布林在斯坦福的教育背景 主持人: 欢迎 大家。这是我们百年纪念年 的闭 幕活 动，我是Jennifer Widom, 第十任工程学 院 院 长 我 想铺垫 一下背景。在90年 代早期 ，Sergey Brin 作为计算机科学博士研究生来到斯坦福。
电子邮件正开始成为许多人交流的方式 。创业 才刚开始加速。工程 学院第六任院长JimGi bbons 孕育了斯坦福科技创业项目(Stanford Technology Ventures ptogram) 的想法，这也 是今天这个课程的主办方。我于1993 年以助理 教授身份加 入，与Sergey 是同一 年到达的。当 时斯坦福还有一位本科生在同一时间开始他的 大四，那就是John Levin。 John 曾在这里攻读数学和英语的本科学位。他 去采省理工 学院(MIT) 攻读博士学位,并于2000 年回到该校任教 。他曾任经济学系主任、商学 院院长，并于2024 年8 月成为斯坦福大学第 13 任校长。因此，我现在很高兴请斯坦福校长 John Levin 以及Sergey Brin 上台，加入我们 的对话。Sergey Brin: 好啦 ，你们夸我太过头
了。我想其中有很大程度是运气成分，不过无 论如何，感谢你们邀请我。很高兴能来到这里。 John Levin: 那我们回到那段时间吧，壳我们回 到你在斯坦福读研的时候。跟我们说说那时在 工程 学院就读的情况，以及它如何塑造 了你， 并为创建Google 打开 了机会。 Sergey Brin: 回想起来，也许当时我并没有意 识到它的价值 ，但那是一个非常有创造力且自 由的时期。我想我们在这里进行了工作。Google 背后已经有好几年了，大概从95 年开始。并且 要为Larry 点赞 ，他真的很专注于网页的链接 结构。资 料交流群+tnungerrong 但在那 时，网络是新事物 ，想出一些新点子是
如此容易。比如我想我的第一个赚钱点子是点 披萨。那时候看起来简直不可思议，你居然可 以在线点外卖。如今我们把它视为理所当然。 我喜欢把一则可乐广告放在项部。我以为那很 有趣，会有网络广告。 总之，这个计划彻底失败了，因为它的工作方 式是你要先下单到网 站。总的来说，披萨店通 第不在线，但我想到它们有传真机，所以它会 目动把订单通过传真发给他们。但后来我意识 到他们实际上并不经常查看传真，然后就从那 时候开始失败了。但当时，我想我们大概都是 这样 吧，在计算机科学系，相当理解互联网的 工作原理，所以大家就在网上画各种东西。那 真是一个非常有创造力的时期。
无 论如何，Larry 当时专注于链接结构。那时 我 在做数据 挖掘，于是我们联手了 。很快我们 就发现我们有了一些对搜索非常有用的东西。 但我们花了一段时间只是在斯坦福对它进行实 验，以及是否考虑做一个学术项目。我 们尝试 去把它授权给各种互联网公司。 有一次我们把它推介给了Excite, Excite 并不 太 感兴趣 。但Vinod 觉得这个主意 很棒。我们 和Vinod 通过邮件 来回沟通，然后我们发了个 通知 ，说我们会给你们授权这项技术，以160 万美元 的价格。大约15 分钟后我们收到了回复， 我们都很兴奋，对研究生来 说，那是一大笔钱。 John Levin: 所以从那个起点出 发 ，你现在回头 看,Google现在 是一家市值4 万亿美 元的公司，
并且您每分钟处理1000 万次搜索, 而且涉及各 种不同产品的庞大数量。在一开始你做的事情 中有没有哪些是做对了的 ，你回头 看有什么想 法，而且你认为这是非常重要的事情? Sergey Brin: 我认为在早期，Larry 一直都非 常 有雄心。我们确实在相当早的时候有非常雄 心肠勃的使命宣言, 要组织全世界的信息等等。 我觉得那是一种很好的方式，以茶种哲学 为出 发点创办一家公司。还有，我们确实 开始了一 项相当学术性的研究，志同道 合的公司。我们 俩都是博士项目出来的 ，像当时很多初创公司 一样，我们差不多已经大学毕业了。 我只是觉得那在某种程度上会改变你看竺事情 的方式，有一点点。而且有许多杰出的公司，
明确地 说，它们都是从大学中走出来的 。但对 这种基础研发方面的投资，我确实认为 这是文 化 的一部分，而且很早就存在。 John Levin: 你们还雇了很多博士 ，所以并不只 有你们两个。 SergeyBrin: 是的,非常多。我记得UrsHol1zle， 他是 我们最早的一批人之一。我认识 他是因为 我在斯坦福的教授聘任委员 会 。他一给我发便 条的那一刻，我 就想着，你能明天开始吗?我的 意思是，因为我已经认识他了， 以及他所有的 2.谷歌 的创新哲学与AI 反击
John Levin: 我是次，我认为这是一个有得力的 论点,谷歌 是过去25 年里全球最具创新性的公 司。大型公司确实非常难以做到这一 点 ，保持 高 度创新。每个人都为此苦苦挣扎，而 你们已 经 做到了 。很多人会把那里的重大影响归功于 你 个人，对那里产生了重大影响 。你如何看竺 培养 一种文化，在创新中你的角色是什么? Sergey Brin: 我想，首先，我们确实 在很多事 情 上失败过。我们现在不需要把所有事情都一 一列举 ，但是我们同时也经历了很多失败。所 以，部分原因就是在不断答试。我认为 这与其 某种学术背景有关，也许我们更倾向于演试困 难 的事情 。资 我想这有点像是进入过去十年左右的阶段，尤
其是那些困难的事情变得越来越有价值。如果 你看人工智能，这显然是一个巨大的趋势，但 是就是那种计算量，深入探讨这一 点，必须投 入的那种深层数学的 量，那些都是从技术上来 说是深奥且具有挑战性的问题。 有一段时间，你什么东西都可以放到. com 上。 它并不是真的那么技术深入，只是对网络的粗 浅理解。幸和运的是我们当时在做 搜索，这确实需要一些更深的技术技能，但技 术复条度水平只会越来越高。 事实上， 我们现在招聘的员工，要么比我更有 资质，要么至少比我当时更有资质。我的专业 是仿数学的计算机科学，在大学期间我同时学 习了数学和计算机科学，这在我的班级里是比
较少见的。现 在，我们喜欢从斯坦福大学以及 所有其他顶级项目招募人才。这些人在数学和 计算机科学方面都非常精通。其中很多人甚至 是物理学 家，因为物理学家必须处理难度很高 的数学运算，而且他们的大部分工作在计算上 都有很大限制。因此，他们必须具备一定的计 算能力和技能。我觉得深层次的技术变得越来 越重要, 我们很早就朝着这个方向做出了准备， 这是一种幸运。 主持人:这是一个很有意思的观察，技术问题 再次成为企业的竞争优势。那我们来聊聊人工 智能。我的意思是，现在每个人都在关注这个 问题。你重新 回到Google 来做这件事。你 们在 许多方面都处于前 沿，而且竞争异常激烈。进 入人工智能基础设施领域的资金达到了数千亿
美元 的级别，即使对单一公司来说也是如此， 这非常 不寻常。你现在如何看待这个行业格局? 人工智能领域正在发生什么? Sergey Brin: 好的，让我想想如何回 答，而不 是一味地自我 吹咕。这确实 是一笔巨大 的投资。 我想阅，在某些方面我们确实犯了错，因为我 们的投入不足，而且没有像现在这样认真对待 它。比如说, 大约八年前我们发表Transformer 论文 的时候，我们没有认真 对待，也没有投入 资源 去扩展计算能力。而且我们当时也过于担 心将它提供给用户使用，因为聊天机器人可能 会说出一些不恰当的话。OpenAI 抓住了这个机 会，这对他们来说是件好事。这是一个非常聪 明的洞察。我们的同事 ，比如伊利 亚(Ilya)， 也加入了他们并做了这件事。
但 我相信，我们仍然从那段悠久的历史中受益 匪浅。我们在神经网络相关的研究和开发方面 有大量的积累，这可以追溯到Google Brain。 这其中也有一些运气成分。不过，我们聘请杰 夫 . 迪 恩(Jeff Dean) 不是徘运气。当然，我们 能请到他很幸运 ，但我们当时就有这种理念， 认为那些深层次的技术非常重要，所以 我们聘 请 我们从Digital Equipment Corporation(Deck) 招募 了很多人，因为实话实说 ，他们当时拥有 顶尖 的研究实验室。 他对神经网络充满热情，我认为这源于他大学 时的实验。他做过很多令人称奇的事情 ，比如 在16 岁左右就能弄懂神经网络, 同时 还在关注
治疗 第三世界疾病，但他对此充满 热情，并建 立 了整个项目。 实际上，当时在他所属的GoogleX部门，他是 在 做这些，但我并没有过多干预,我 的想法是， 好吧，杰夫 ，你放手 去做吧。他说:“哦，我们 可以分辨猫和狗了。” 我当时想:“哦，好 吧， 真 酷。”但你必须信任你的技术人员。很快，他 们就开始开发所有这些算法和神经网络，并将 其应用到我们的部分搜索业务 中。后来，我们 开发了Transformer 模型 ，从而能够做越来越 多 的事情。 所以我们拥有基础和研发部门。虽然多年来我 们投资 不足，没有像本该那样认真对待 ，但我 们也为此开发了芯片 ，比如TPU, 这可以追溯到
大约12 年前。最初我们使用GPU, 我们可能是 最早使用GPU 的用户之 一。接着我们使用了 FPGA, 然后尝试开发自己的芯片。这些芯片现在 已经迭代了无数 代。我认为，正是对追求深层 技术、获取更多计算能力和开发这些算法的信 任，造就了今天的局面。 与此同时，我们也是计算领域长期重要的投资 者。我们拥有规模庞大的数据中 心，我想不出 除了亚马逊AWS 之 外，还有谁能达到那样的规 模。 我们拥有自己的半导体、深度学习算法等， 构成 了整个技术堆栈， 使我们能够在现代人工智能的前沿发挥作用。
- 人工智能的痕潮与未来 John Levin:你是怎么看待这个问题的?我的意 思是，技术每年都在不断进步。有一群人对人 工智能的未来有不同的设想, 比如AI真 的能做 到人类能做的一切吗?至少是在计算机面前, 其 至更广泛 地看。那个世界会是什么样子?你对技 术的发展方向有什么看法? Sergey Brin: 我的意思是，这个领域 的创新速 度本身就非常 怀人，而且竞争异常激烈，尤其 在美国顶级公司和中国顶级公司 之间。如果你 错过 了一个月的人工智能新闻，你就会落后太 多，就 是这样。那么它会走向何方?我不知道， 我觉得我们根本不知道智能是否存在上限。除 了你提出 的问题 ，比如它能做人类能做的一切
吗?还有一个问题是: 它能做人类做不到的事情 吗? John Levin: 是的。 Sergey Brin: 那涉及的就是一个超级智能的问 题。我认为这仍然是未知 数，一个实体 到底能 有多聪明?人燃已经进化了几十万年, 甚至数百 万年(指灵长类动物)， 但与人工智能的发展相比，这个过程是相当组 慢 的。 主持人: 你觉得我们是否已经为技术进步的这 个速度 做好了;准备?
Sergey Brin: 目前为止，我认为 人们确实从这 项技术中获得了巨大的益处。尽管有时会有一 些末日般的预测 ，但目前 每个人都能熟练使用 它。老实说，人工智能有时会愚蠢到让你器笑 不得，以至于你必须时刻监督它。但有时它们 又非常取明，能给你一个很棒的主意。尤 其对 于非专家 来说，偶尔 ，比如我想弄清楚如何制 造 一款新的AI 芯片 ，AI 就能提供帮助。 我认为 这非常难, 很难准确预测将会发生什么。 如果我们回顾互联网、手机等的出现时刻，这 些都深刻地改变了我们的社会 ，确实改变 了人 们从事的职业类型以及人们所学习的内容。而 人工智能将百分之百 会改变这一切 。但现在很 难在一个迅速变化的环境中准确说出会怎样
我们今天拥有的AI 与我们五年前拥有的那种 人工智能大不相同，也与我们将在五年内拥有 的那种AI 不同。所以,我 也不知道。我觉得真 的 很难预测。 我 的意思是, 我上衣定会利用AI 为自己 带来好处。 有很多事情可以用它来做。就我个人而言，无 论是为我的朋友或家人挑选礼物，还是为新产 品集思广益，或者做艺术创作之类的事情，我 现在 一直都在求助于AI。而且它并不是为我直 接完成任务，因为我通常会要求它给出五个想 法 ，诸 如此类。也许其中有三样会是垃圾，我 一眼就能看出来 。但会有两个想法带有某种光 彩，或者能帮有我把它放到更恰当的角度，让我 能够加以润色，帮助我把我的想法理清 楚。主 持人: 让我直接问一个非常具体的问题。我们
大约有250 名学生在这里。他们中很多是本科 生。很多人还没有选择专业，因为我们在斯坦 福给本科生很大的灵活性。几年前我们可以预 测 ，会有大量人选择计算机科学作为他们的主 修。你是在建议他们继续选择计算机科学作为 他们的主修吗?他们应该认真考虑这个专业吗? Sergey Brin: 我选择计算机科学是因为 我对它 充满热情。所以对我来说这有点显而易见。我 想你可以这么 说，我很幸运，因为我也处在一 个变革性的领域里。我不会因为现在的AI 在纺 程方面可以表现得相当不错而选择不学计算机 科学 。资 AI 在许多事情上都相当出色。编程恰好具有很 高的市场价值, 这就是为什么很多人会退求它。
而 且，更好的编码造就更好的AI。所以很多公 司，包括我们目己的公司，致力于这项工作的 公司都非常重视它。我们在自己的编码工作， 甚至在我们的算法想法等方面大量使用 它，但 那是因为这是一件如此重要的事情。 我想我不会仅仅因为觉得AI 擅长写代码就转 去学比较文学。老实说，AI 在比较文学上可能 表现得更 好。我不是要不碍重比较文学专业的 学生，但当你使用AI 写代码的时 候，说实话， 有时候它并不奏效，像是它会犯一个相当重大 的错误。然 而，你在一篇天于比较文学的论文 里把一句话写错了，并不会真的有那种后果。 所以 说，老实说，AI 做一些那种创造性的事情 更容易。
主持人: 我觉得这是一个非常有趣的观察，关 于这项技术。因为 我认为，人们有一种倾向， 认为AI 将非常擅长解决这些技术问题, 但它不 一定会做我们与人类相关联的那些特质 ，比如 在对话中表现出同理心 。如果你让其中一个AI 引擎 模拟一段对话，它在很多方面做得相当不 错 ，能够为复杂对话提供结构。我觉得实际上， 我很喜欢你指出的那种不确定性。 还有一个问题，然后我想开放讨论 ，让观众有 机 会提问。所以这是工程学院的百年纪念。如 果你是和詹妮弗，并且必须开启学校的第二个世 纪, 你会为工程学院的第二个世纪考虑些什么? Sergey Brin:哇，好的。那确实是一个需要说 慎规划的重要责任。我想我得重新 思考“拥有
一 所大学”意味 着什么。闹实话 ，现在信息传 播 得非常快。而且许多 大学，显然，很 多东西 都转到了线上，包括斯坦福。不过，厅省理工 学院早期就有开放课程件，以及所有那些 走这 条路的初创 公司 ，比如Coursera、Udacity。 所以教学在某种程度上正在被传播 ，现 在任何 人都可以上网了解它。你可以和一个AI 对话或 参加 这些课程中的一个，并观看 这些YouTupe 那么我想,“ 拥有一所大学”意味 着什么?人们 会搬家，远程工作 ，跨地区协作。这有点矛盾， 因为我们正试图让人们真正回到办公室，而且 我认为他们面对面一起工作确实更有效 ，但那 是在某个特定的规模下。比如在菜种程度上， 如果你有一百个人聚在一起, 情况 就还算可以。
而且我确实越来越多地看到某种个人主义。那 些创造新事物的 人，不太在乎学位与否。 我的意思 是，尽管我们招聘了很多学术明星， 我们也招了大量没有学士学位的 人，或者类似 那种，他们就自己想办法弄清 楚，在某个奇怪 的角落里自己摸索。我不知道。我觉得这真的 是一个很难的问题。 我想我并不觉得我会神奇地交付出你会喜欢这 个新配方，但我只是认为这种格式更可能会是 为未来一百年准备的那个。 主持人: 你把它带到了比我更深的方向。
Sergey Brin:哦，抱 歉。 主持人: 不，实际上很 棒 。语气稍微 更深沉了 John Levin: 我同意。这适用于整个大学 。你实 际上提出了关于大学的最根本问题 。那 一部分 大学的使命在于知识的创造和传播。这是根本 任务。随着技术进步，这些可以通过不同的方 式来实现。然后还有一个关于“有善心”模型 的问题，人才密集于一处，有点像彼此 碰撞， 这当然就是促使你创建谷歌的原因之一，并且 也带来了许多伟大的成果。 那样的替代方案会出现吗?在大学校园上形成 的那种生态系统吗?或者 ，那有多根本? 它会继
续吗?其实我本来以为是那样的, 感谢 你提出这 么深刻的问题在本次会议中。好了，我想确保 我们给观众中的其他人一些提问的机会。 4. 问答环节 听众: 谢谢 你 们的时间。我叫RashaBarve, 来 自堪萨斯城，正在学习MSENIR。我的第一个问 题要问Sergey。这实际上正好涉及我们刚才讨 论的内容。谷歌在很大程度上起源于你在关于 PageRank 撰写的学术作品中的一部分，而 如今 行业在推动大量当今创新方面发挥着如此重要 的作用，你仍然觉得学术界到行业管道至关重 要吗?如果是这 样 ，你会如何加强它?
Sergey Brin:哇，这是个好问题。学术界到产 业界的输送管道重要吗?这个我得说我不知道， 因为我想，当我还是研究生的时候，从某个新 想法出现到某些事情可能具有商业价值的大致 时间蜂 度 ，花了几十年。 我 的意思是, 在学术界你有目由考虑 一段时间。 你申请资助 ，做这做那 ，你大概可以花上几十 年去反复思考这件 事，然后它慢慢渗透。然后， 最终也许会有某个大公司或者你的初创公司去 推进它 。问题是 ，如果那个时间线大幅缩短， 这还合理 我认为有， 我认为确实有一些事情是完全合理 的，而且我背 定 ，即使在人工智能领域，我们 也会定期关注斯坦福以及其他大学的研究 ，偶
尔我们会雇佣那些人并与他们合作之类的。但 我想我并不清楚他们是否需要有那种时间段。 他们比如说某种新的注意力机制 ，花了几 年时 间做实验, 然后以东种形式将其带入了产业界。 我 的意思是, 显然工业界也在做所有那些事情。 所以这可能不是一个很有力的论点。激进的全 新架构和类似的东西，或许会有影啊。 但问题在于，这基本上是时间问 题 ，那个行业 将 会扩展，而且会快得多 。我想，量子计算会 浮现 在脑海。茶种程度上首次被头脑风暴 出来， 我 也说不清，费曼大概是什么 时候提出这个想 法的，像是八十年代之类的吗? 有点像假设这个观点关于量子计算的 。现 在有
一大堆公司被包括在 内，他们算是在这么做。 也有大学实验室和尝试一些新的方法来做这件事。 这有点说不 准，可能还处于观望阶段。 如果你有一些完全新的想法，比如你不像我们 那样做超导量子比特，或者其他的，也许你需 要让它在大学里慢慢发酵大干年。那些事情有 点难。这可能有道理，但到了茶个时 候，如果 你觉得它确实很有吸引 力，你很可能会继续推 进并以茶种方式将其商业化。 我想给你一个明确的答案，因为顶级公司现在 确实在投入更多更基础的研究。我认为这在某 种程度上是随着AI 的兴起开始的, 那些投资正 在得到回报。所以我想这会改变你会做的那些 努力的分配。但我确实认为仍有一些事情是这
样的, 确实需要像那种更纯粹研究的十年时间， 那种更偏向基础研究的时期，那可能会让公司 更不愿意去推进，因为那样会导致上市时间太 长。 主持人: 好 的，下一个问题在这边。 听众: 大家好，我叫Arnov, 我是计算 机科学和 数学专业的大一新生。我的问题是给Sergey Brin 的。随着人工智能以前所未有的速度加速， 有抱负的年轻创业者应当有具备什么心态?像我 这样的人如何调整，以避免重复早期的错误? Sergey Brin:我想，当你有一个很酷的新可罕 戴设备想法 时，你要先真正彻底打磨 它，而不 是急着去和弄什么涉及跳伞和飞艇的特技宣传。
这只是一个建议。 其实，我更喜欢我们以前的做法，回到Google Glass 时代。Google Glass 是一个早先 错误的 例子。我想我当时试图太快地将它商业化。我 们本可以做得更 好，在成本上实现更好的性价 比，在精致度上达到消费者所需的水平。我当 时有点操之过急了，以为自己是下一 个史带 夫。乔布斯，可以立刻把这个东西做出来。这 大概就是我犯 下的一个错误。 如果总结起来，大家都觉得自己会成为下一个 史蒂夫。弄布斯。我确实犯过那样的错误。但 他确实是个相当与众不同的人。 所以，我想我的建议是，确保你已经充分酝酿