谷歌创始人罕见反思：低估 Transformer，也低估了 AI 编程的风险，“代码错了，代价更高”

很多人喜欢用一句话概括过去两年的变化：AI 终于开始“会写代码了”。

从 Copilot 到 Cursor、从 Claude Code 到各类 Coding Agent，生成代码的速度与覆盖面早已超过大多数人的手写能力。但在一场公开对话中，谷歌联合创始人 Sergey Brin 给这种乐观判断泼了盆冷水——问题不在“能力不够”，而在风险。AI 写代码“有时并不能正常工作”，一旦出错，往往会是“相当严重的错误”。

他还用一个反差很强的例子解释这种风险：如果是一篇比较文学论文，“写错一句话，通常不会造成那么大的后果”。因此在他看来，AI 也许更适合先去承担那些“写错了也没那么要命”的创意类、文字类工作。

在同一场对话里，他也罕见回顾了谷歌在生成式 AI 路线上的迟疑与误判：包括对 Transformer 之后技术浪潮的低估、对扩大量级算力的投入不够，以及“太害怕把它交到用户手里，因为聊天机器人会说蠢话”，结果让竞争对手抢先把产品化窗口打开。他甚至笑着提到，自己在疫情前一个月选择“退休”，后来发现那是个“非常糟糕的决定”，最终还是被这一轮 AI 浪潮拉回了办公室。

但他也不认同把今天的 AI 竞赛简单理解成“砸钱堆算力”。在他看来，过去十年左右，算法层面的进步“实际上跑得比‘规模扩张’还快”，而且“快很多”。当然，头部公司“永远不会拒绝站在算力前沿”，但算力更像“甜点”：真正的“主菜和蔬菜”，仍然是算法与工程层面的深技术工作。

这段对话发生在斯坦福大学工程学院百年纪念活动的公开论坛上。下文为 InfoQ 对现场内容的整理与翻译，以飨读者（为方便阅读，内容有所删节）。

回忆谷歌早期：一切从“乱试”开始

Jennifer Widom：（工程学院院长）：如果回顾斯坦福工程学院过去 100 年的历史，Google 的诞生无疑是其中最耀眼的时刻之一。1995 年，Sergey Brin 在考虑是否攻读博士时来到斯坦福，结识了 Larry Page，两人随后参与了由美国国家科学基金会（NSF）资助的“数字图书馆”项目。后来诞生的 BackRub 算法演变为 PageRank，成为搜索引擎革命的起点，也深刻改变了互联网的发展轨迹。

但如果把时间拨回到更早的 1990 年代初期，一切远没有后来那么清晰。那时电子邮件刚刚普及，创业浪潮尚未真正加速，斯坦福技术创业项目仍在构想阶段，科学与工程四合院甚至还停留在图纸和设想中。

John Levin（斯坦福校长）：1993 年，Sergey 作为博士生来到斯坦福。那时 Jennifer 是新入职的教师，而我还是斯坦福的一名本科生，1993 年秋天正读大四。

几年前，《纽约时报》的一位记者写了一篇关于我那一届毕业生的文章——1994 届。文章的核心观点是：这是史上最幸运的一届大学毕业生，因为我们毕业的时间点，正好处在互联网和科技爆发的前夜，而我们身处硅谷的中心。

那位记者在写文章时给我打了电话，那是大约 10 年前。她说：“我想跟你聊聊这件事。”当时我已经是斯坦福的一名教授了。她说：“你是我为这篇文章打的第一个电话。”我说：“我真的很抱歉，可能要让你失望了。没错，我 90 年代初在斯坦福，是 1994 届毕业生，但当时我完全一无所知。事实上，我 1994 年离开斯坦福，去了英国牛津读研究生——一个连制冰技术都好像忘记了的国家。等我几年后、2000 年回到斯坦福时，一切已经全面起飞了。所以我真的帮不上你什么。”

她说：“没关系。我写这类文章时，喜欢先从边缘人物聊起，然后再一步步往核心靠拢。”（全场笑）

如果我算是在边缘，那确实有一些人站在互联网革命的绝对核心。而其中，没有谁比 Sergey Brin 更接近中心。他看到了技术未来的潜力，并且做出了一件非凡、改变世界的事情。正是这种事情，工程学院在过去一个世纪里多次孕育过，也希望在下一个世纪继续发生。

Sergey，非常感谢你来到这里，参与工程学院的百年庆祝。

Sergey Brin：你们真的把我夸得太过了。我觉得其中有非常多的运气成分。不过还是非常感谢你们的邀请，很高兴能在这里。

John Levin：那我们就从那段时间说起吧。带我们回到你在斯坦福读研究生的时候。跟我们讲讲，在工程学院学习是一种什么样的体验，它是如何塑造了你，又是如何为 Google 的诞生创造了条件的。

Sergey Brin：回过头来看，我当时可能并没有完全意识到，但那确实是一段非常自由、非常有创造力的时光。读博士期间，我几乎可以完全自己安排时间，去尝试各种想法。最早我做过一些现在看起来挺“离谱”的项目，比如尝试把碎纸机碎掉的文件再拼回去。这个项目我其实从来没有真正做成功，但也没人跟我说过“你不能做这个”。

我有过几位导师，他们偶尔会问我在做什么，但基本不会给我设太多限制。这种高度自由的研究环境，对我后来做事情的方式影响很大。

我们围绕 Google 背后的想法，其实研究了好几年，大概从 1995 年开始。要特别称赞 Larry，他非常专注于 Web 的链接结构。当时 Web 本身还是个新东西，大家都在不断尝试新点子。

我记得我第一个“赚钱”的想法是做一个在线订披萨的网站。

那在当时听起来很疯狂——居然可以在网上点餐。现在当然觉得理所当然了。我还开玩笑地在页面顶部放了一个可乐广告，觉得“互联网广告”这件事特别搞笑。

结果当然证明，这个玩笑一点也不好笑。（因为成真了）

总之，那个项目彻底失败了。它的运作方式是：用户在网站上下单，而当时披萨店基本都不在网上，但我想到他们有传真机，于是系统会自动给他们发传真订单。

后来我才发现，这些店根本不怎么看传真，于是项目就此夭折。

虽然没成，但在当时，我们计算机系的人基本都很懂互联网是怎么运作的，Web 服务器怎么搭。你可以非常快地搞出一个网站。于是大家就在 Web 上疯狂试验各种东西。那真的是一个非常有创造力的时期。

与此同时，Larry 在研究链接结构，我在做数据挖掘。后来我们就走到了一起。很快我们发现，我们的东西在搜索上确实很有用。但我们在斯坦福花了不少时间做实验，一直在想，这到底是个学术项目，还是该拿出去做成产品。

我们尝试把技术授权给一些互联网公司。有一次我们去给 Excite 做了演示，Vinod Khosla 倒是很有眼光，说“这东西很好，你们应该买下来”。但 Excite 本身并不太感兴趣。

后来我们和 Vinod 有过邮件往来，我们发了一封邮件说：“好吧，我们可以把技术授权给你们，160 万美元。”15 分钟后就收到回复，说：“这是一大笔钱啊。”但语气是“好像也可以”。

作为研究生来说，这真的是天文数字，我们当时特别激动。后来我们一个朋友 Scott 走进来，笑得不行。原来那封回复是他伪造的。因为在当时，你可以伪装成任何人发邮件。（全场大笑）

所以那笔交易当然没有发生。最后 Larry 和我意识到，如果要把这件事真正做大，就必须筹到真正的资金。后来我们很容易就找到了天使投资人。

对我来说，离开博士项目是个大决定。我父母很失望，但我的导师 Jeff 跟我说：“你不如先试试看，不行再回来。”

所以我现在技术上还在休学状态，说不定哪天还会回来。

John Levin：这个我之后还要再问问你，看你是不是真的想回来把学位读完。我特别喜欢这个故事。而且现在回头看也挺有意思的——创业在当时其实是你们尝试授权失败之后的“最后一个选项”。从某种意义上说，你们后来也改变了这种路径。

Sergey Brin：我也不知道。我们的经历挺特殊的。Scott 和 Alan 当时都离开去做自己的公司了，这也是他们走得比较早的原因之一。说实话，当时真的有很多人都在创业。Alan 当时已经在参与 Weather Underground 之类的项目，后来好像被 weather.com 之类的公司收购了。Scott 做的是邮件列表归档公司 e-Groups，后来被 Yahoo 收购。

所以创业在当时其实并不罕见。只是我们做决定的速度，可能比很多人都慢。

John Levin：从那个起点走到今天，Google 已经是一家 4 万亿美元市值的公司，每分钟处理上千万次搜索，产品线遍布各个领域。当年你和 Larry 创办公司时，这一切对大多数人来说都完全无法预见。你们一定在很多关键节点做对了决定。回头看，有没有哪些在公司创立之初做的事情，你现在觉得“那一点真的非常重要”？

Sergey Brin：我觉得一开始，Larry 一直都非常有野心，现在也是。几乎没有什么计划是你提出来，他会说“够了”。他总是觉得还不够宏大——不只是太阳系，要整个银河系那种。

所以我觉得，那多少体现了他那种热情吧。我们确实在很早的时候就写下了非常宏大的使命宣言——“整合全球信息”之类的。我觉得把这种理念当作创业的起点，是很不错的。

另外，我们要创办的是一家相当具有学术精神的公司。毕竟我们俩都来自博士项目；而当时很多创业公司其实是本科刚毕业就出来做的。我确实觉得，这会在某种程度上改变你看待问题的方式。

当然要说明一下：有很多了不起的公司也是从本科阶段走出来的。但我们从一开始就很重视基础研发、底层 R&D 的投入，我觉得这种倾向很早就写进了公司的文化里。

John Levin：你们也招了很多博士，所以不只是你们俩。

Sergey Brin：对，非常明显。我记得 Urs Hölzle，他是我们最早的一批成员之一。我认识他，是因为我当时在斯坦福参加一个教授招聘的委员会——我其实已经面试过他了。他最后没拿到斯坦福的教职，原因……我也不知道，挺复杂的，你们知道的，候选人都很强。但他一给我发消息，我就直接说：你明天能来上班吗？因为我已经完全了解他，也完全清楚他的能力。

John Levin：我觉得可以说，在过去 25 年里，Google 很可能是全世界最具创新力的公司。无论从产品创新来看——比如 YouTube 的视频生态、DoubleClick 的广告技术、Waymo 的自动驾驶——还是从技术创新来看，从最早期一路走到今天，包括芯片等等。

但大公司要长期保持强创新能力是很难的，所有人都在这个问题上挣扎，而你们做到了。很多人也认为你个人在其中发挥了关键作用。你是怎么思考“如何塑造创新文化”、以及你在其中扮演的角色的？

Sergey Brin：好吧，谢谢，你又在夸我了。我觉得，首先，我们也确实在很多事情上栽过跟头。现在不必一一展开，但我们的失败清单也很长。所以某种意义上，创新的一部分就是——去尝试。我想，可能因为我们有比较强的学术根源，我们更愿意去尝试难题。

而且我觉得，尤其是在过去十年左右，难题变得越来越有价值。

比如 AI，显然是个巨大趋势。仅仅是做 AI 所需要的算力规模、以及其中需要的深度数学，这些都是技术上非常深、非常难的挑战。

某种意义上，这也算是一种命运的转折：在这个阶段，这些东西恰好变得格外重要。

以前有一段时间，你知道的，什么 pets.com 之类的——你只要把任何东西放到 .com 上，就能做起来。它并不需要很深的技术，只要对 Web 有一点点边际理解，就能搞个 whatever.com。

幸运的是，我们做的是搜索，这确实需要更深的技术能力，而且这之后技术复杂度只会越来越高。

其实，现在我们招的人都——嗯——比我当年强得多。我当时算是偏数学的计算机专业学生，因为我本科同时学了数学和计算机，这在我那一届还挺少见的。

但现在我们从斯坦福、以及其他顶尖项目里招人，这些人在数学和计算机方面都非常强，其中很多还是物理学家。物理学家往往必须做很硬的数学，而且他们处理的很多问题算力资源非常受限，所以他们也需要相当强的计算技能。

所以我觉得，事情就这样发展到了一个状态：深科技越来越重要。我们只是运气好，早早把方向“拨”到了这条路上。

低估 Transformer 之后，AI 竞赛再无侥幸

John Levin：这是个很有意思的观察：技术难题再次成为公司竞争优势的核心。那我们聊聊 AI 吧。每个人都在想这件事。你现在也回到 Google 做相关工作。你们在很多方面都处在最前沿，而且竞争极其激烈。

投入到 AI 基础设施里的资本规模，已经是数千亿美元级别的，甚至单家公司也是这样，真的非常夸张。你怎么看现在 AI 的整体格局？

Sergey Brin：好，我得想想怎么回答，才能不显得我在自吹自擂。

确实，这里面的投资规模非常巨大。

我想说的是，从某些角度看，我们确实做错了：我们当时投入不够，没把它当成应该有的那种严肃程度。比如大概八年前，我们发表了 Transformer 论文。我们其实并没有那么当回事，也没有在扩大量级算力这件事上投入到位。

还有一个原因是，我们太害怕把它直接交到用户手里，因为聊天机器人会说蠢话。然后 OpenAI 就把它推进去了——他们做得很好，那是个非常聪明的洞察。我们这边也有人去了那边做这件事，比如 Ilya。

但我也觉得，我们仍然从那段长期积累中获益良多。我们很早就有神经网络相关的大量研发积累，从 Google Brain 那会儿就开始了，这也算是一种运气。

当然，“运气”也不完全是运气：比如我们招到了 Jeff Dean，这不是偶然。

我们确实很幸运能得到他，但当时我们就是认定：深技术很重要，所以会去招这样的人。那段时间我们也从一些研究氛围特别强的公司挖了不少人，说实话，就是看中他们的研究实验室真的很能打。Jeff 对神经网络尤其有热情，我觉得甚至能追溯到他青少年时期的实验——他好像十六岁就一边在想怎么治第三世界疾病，一边研究神经网络。反正他一直很投入，后来也把整个团队和工作做起来了。

其实当时在 Google X，我那条线里也有他，但我基本就是：“好，Jeff，你想做什么就做什么。”他会说：“哦，我们可以分辨猫和狗。”我就说：“哦，好啊，很酷。”

但你也得信任你的技术人才。很快，他们就把各种神经网络算法做出来了，并且开始用于我们的搜索。后来又有了 Transformer，我们能做的事情越来越多。

所以总结一下：我们确实拥有底层基础、拥有研发积累；我们也确实在若干年里投入不够、没把它当成应该有的那么严肃。

但与此同时，我们当时也在做芯片。TPU 大概可以追溯到十二年前左右。最早我们用 GPU，而且可能也是最早一批规模化使用 GPU 的公司之一。后来我们用过 FPGA，然后开始做自研芯片，到现在已经迭代了无数代。

所以我觉得核心在于：我们相信深科技这条路——去榨出更多算力、去开发算法。与此同时，我们长期以来一直是算力的大投资者。

我们很早就拥有大规模数据中心。这种规模，我觉得除了 AWS 这种公司，很少有谁能做到。拥有这种规模的数据中心、拥有自研半导体、拥有深度学习算法等——也就是把现代 AI 的整条技术栈的关键组件都握在手里——这让我们仍然能够站在前沿。

John Levin：那你怎么看未来？技术每年都在变得更强。也有很多不同的 AI 愿景：AI 会不会真的能做所有人类能在电脑前做的事情？甚至更广？那个世界会是什么样？你对技术走向有自己的判断吗？

Sergey Brin：老实说，这个创新速度真的令人震撼，而且竞争非常激烈——你们也都看到了，美国头部公司之间、中国头部公司之间，竞争都很凶。

现在 AI 的新闻，你一个月不看就完全落后了。

那它会走向哪里？我不知道。我觉得我们真的不知道。

智能有没有上限？除了你提到的“它能不能做到人类能做的一切”，还有一个问题是：它能做哪些人类做不到的事？这其实就是“超级智能”的问题。但这件事到底会走到什么程度——未知。一个系统到底能有多聪明——未知。

人类进化经历了几十万年，灵长类可能更久，这个过程很慢；而 AI 的发展速度，和那个相比简直不是一个量级。

John Levin：你觉得我们准备好面对这种速度了吗？

Sergey Brin：到目前为止，我觉得人们确实从技术里获得了非常多的价值。即便偶尔会出现一些末日式的悲观预测，但总体上大家被赋能得更强了。

而且说实话，AI 经常蠢到让你不得不一直盯着、一直监督它。

但它有时候也会非常聪明，给你一个特别棒的想法。还有一种情况是——尤其当你不是某个领域的专家时——比如我想了解怎么设计一款新的 AI 芯片，我当然可以去问我们内部的专家设计师。但作为一个最基础的方案，我至少可以掏出手机，直接跟 AI 聊。它大概率能给我一个 80%、90% 的还不错的概览，让我理解个大概。或者健康问题之类的，也同样如此。

我确实觉得，它让个体变得更有能力。因为一般情况下，你不会随时随地身边都有 X、Y、Z 领域的专家。

而这种赋能会带来巨大的潜力——不管是职业发展、企业创新、健康管理，还是更好的生活。

所以你看，我也没有全部答案。我只是觉得，它拥有极大潜力去提升个体能力。

John Levin：这是非常积极的愿景：AI 可能成为增强人类能力的强大工具。你这么看待它，我很高兴。我想问一个问题——在“创业思想领袖”这门课里几乎总会被问到，而且在 AI 的语境下可能更尖锐。因为我觉得每一个斯坦福学生、也可能是全国范围内所有大学生，都在想：这项技术会怎么影响他们的职业、他们未来的工作机会、以及他们要做什么。你对学生有没有什么建议？他们应该学什么，应该怎么思考就业市场和未来？

Sergey Brin：我觉得这真的非常难预测会发生什么。

如果我们回头看，从 Web 的出现到手机普及，这些东西深刻改变了社会，也深刻改变了人们的工作类型、职业路径和学习内容。AI 也百分之百会带来这样的改变。

但现在这个格局变化太快，很难说清楚它具体会怎么改。

而且今天的 AI，和五年前的 AI 完全不同；五年后的 AI，也会和今天完全不同。所以我也不知道，很难做出可靠预测。但我肯定会建议：用 AI 来帮助你自己。它能做的事情太多了。

就拿我个人来说——不管是给朋友或家人挑礼物、为产品做头脑风暴、或者做艺术创作之类的——我现在都经常求助 AI。它不会替我完成一切，因为我通常会这么问：“给我五个点子……”然后其中三个可能明显就是垃圾，我一眼能看出来。但另外两个可能会有一点“天才的火花”，或者能帮我换个角度、把问题放到一个新的框架里。然后我再基于它去打磨、去思考、去发展我的想法。

John Levin：我插入一个更具体的问题。现场大概有 250 名学生，很多是本科生。斯坦福也给本科生很大自由，所以不少同学还没选专业。几年前我们还可以预测：其中有相当一部分会选择计算机科学。你还会建议他们继续选计算机科学吗？他们都在认真听。

Sergey Brin：我当年选计算机科学，是因为我真的热爱它，所以对我来说是个不用想的决定。你也可以说我运气好，因为我恰好站在一个极具变革性的领域里。

我不会因为“AI 现在写代码还不错”就不选计算机科学。AI 现在很多事都做得不错。只是写代码恰好市场价值很高，所以很多人会追它。更重要的是，更好的代码会带来更好的 AI。所以很多做 AI 的公司——包括我们——都非常重视软件工程能力。

我们内部也大量用 AI 来写代码，甚至用来辅助算法思路的构思。但这正是因为编码真的很重要。

所以我想说，我不会因为 AI 写代码变强了，就跑去改学比较文学。因为如果你真要说实话，AI 可能在比较文学上更强。

John Levin：（点头）

Sergey Brin：我不是要冒犯比较文学专业的同学。但你知道，当 AI 写代码的时候——说实话——它有时候会写错，而且可能是非常严重的错误。但你在比较文学论文里写错一句话，通常不会造成那么大的后果。

所以相较之下，AI 反而更适合先去做那些“写错了也没那么要命”的创意类工作。

在 AI 时代，大学还承担什么角色？

John Levin：我觉得这是一个非常有意思的技术观察。很多人对 AI 的直觉是：它会非常擅长技术问题，但不一定擅长那些我们更愿意归为“人类特质”的东西，比如同理心、复杂对话。但如果你让 AI 去模拟一段对话，它其实能相当好地给你一个复杂对话的结构。所以我也很喜欢你指出的那种不确定性。我再问最后一个问题，然后就开放给观众提问。今天是工程学院百年校庆。如果你是 Jennifer，需要为工程学院开启第二个百年，你会怎么思考工程学院的下一个世纪？

Sergey Brin：这是个大责任。我想，我会重新思考“大学到底意味着什么”。我知道这听起来有点烦人。（全场笑）

这也是 Larry 可能会说的话，而我会因此有点烦他。但你知道——我们现在有这种地理上高度集中式的机构：有校园、有楼、有很豪华的讲堂。但认真说，现在信息传播得太快了。很多大学都已经在线化了，斯坦福也一样。MIT 很早就有 OpenCourseWare，还有各种创业公司在做在线教育：Coursera、Udacity，等等。

所以“教学”正在被分发出去，任何人现在都可以上网学习。你可以跟 AI 聊，也可以选一门课、看 YouTube 视频学习。

所以我想问的是：如果任何人都能在线学习，那么——大学到底意味着什么？你们是不是想在这种情况下最大化影响力？那你知道，如果把它限制在某个地理范围里，可能就不会那么有效。公平地说，湾区确实是个很特殊的地方。

但……我知道我有点跑题、在这儿一边想一边说，不过总之，我就是觉得，在接下来的一个世纪里，“工程学院”“大学”这些概念，是否还会和过去一样。

人们会流动、会远程工作、会跨地域协作。这里面也有一点矛盾：我们又在努力把人拉回办公室，我也确实认为人们面对面协作在某种规模下会更高效。但那是某种特定尺度下的结论。

比如说，你让一百个人在那边一起工作，这没问题；但他们不一定必须和另外一百个人待在同一个地方。

而且我越来越看到一种趋势：有些个体不管有没有学位，都能创造新东西。我们确实招了很多学术明星，但我们也招过大量甚至没有本科学位、什么学位都没有的人——他们就是在某个奇怪的角落里自己把事情摸索出来。

我也不知道。这问题真的很难。我不觉得我能在这里突然给你一个“新配方”。但我确实觉得，这种形式未必就是下一个一百年的那个形式。

John Levin：这其实适用于整个大学。你触及的是大学最根本的问题。大学的一部分使命，是知识的创造与传播——这是最核心的使命。随着技术进步，这两件事可以用不同方式完成。

然后还有一个问题：把高密度的人才聚在同一个地方，让他们不断碰撞——这种模式本身很重要。它当然是促成你创办 Google 的生态之一，也促成了很多伟大的事情。

未来会不会出现替代品，去替代大学校园里这种生态？或者说，这种生态到底有多“根本”？它会不会继续存在？所以我其实很感谢你在这场对话里把这个如此深的问题提出来。

好，我们要确保给台下的朋友留一些提问时间。Jennifer，我把提问交给你，请你从现场同学那里选几个问题。

Jennifer Widom：好的。“创业思想领袖”这门课的同学们提前提交了一些问题，其中一部分被选中了。接下来在剩余时间里，我们会请几位同学来提问。

问答精选：算力、算法，以及一次失败的退休决定

学生（Rasha Barve）：我的第一个问题想问 Sergey，也和刚才讨论的内容有关。Google 很大程度上源自你在学术界完成的 PageRank 工作。而如今大量创新由产业界驱动。你仍然认为“学术到产业”的输送管道很关键吗？如果关键，你会如何强化它？

Sergey Brin：哇，这是个很好的问题。“学术到产业的管道是否关键？”嗯……我可能只能回答你：我不知道。

因为我想，我当研究生的时候，一个新想法到它在商业上真正有价值，可能需要很多很多年，甚至几十年。

如果这个周期被大幅压缩了，那“把很多东西放在学术界去做”这件事，可能就没那么成立了。

在学术界，你有自由，可以长时间去想一件事。你申请经费、做项目、反复尝试，你可以花上几十年去琢磨，然后它慢慢“发酵”。之后可能会有大公司，或者某个创业公司，把它推向应用。

问题是：如果这个时间线缩短很多，那这种模式还合理吗？我觉得有些事情肯定仍然合理。比如在 AI 领域，我会定期关注斯坦福和其他大学的研究。我们有时会招人、会合作等等。但我不确定他们是否“需要”那种很长的时间窗口——比如他们尝试某种新的注意力机制，花了几年做实验，然后以某种形式走向产业。因为说实话，产业界也在做这些事情。所以从这个角度看，并不能构成一个特别强的论点。

也许在“更激进、更全新的架构”层面，学术界仍有价值。但总体上，产业界把东西规模化的速度会快得多。

我想到一个例子：量子计算。这个想法大概在八十年代左右被提出，然后现在已经有很多公司在做了。同时也有很多大学实验室在探索新的实现方式。这可能属于一个“还在摇摆区间”的领域。

如果你有一个完全新的思路——不是我们现在做的超导量子比特，也不是很多创业公司做的离子阱，而是一种全新的实现路径——那也许确实需要让它在大学里“发酵”几年。这类事情很难，所以在学术界酝酿一段时间可能说得通。但到了某个点，如果你发现它真的非常有前景，你大概率还是会想办法把它商业化，以某种方式走向产业。

所以……我也不知道。我很想给你一个明确答案，但现在头部公司也确实在做越来越多的基础研究，而且从 AI 的回报来看，这些基础研究投入正在得到回报。

所以我猜测会发生的变化是：不同类型探索的比例会调整。

但我确实认为，仍然有一些方向需要那种十年级别的、相对更“纯”的研究，而公司可能更不愿意做，因为从上市/产品化的角度看，周期太长了。

学生（Arnov）：我的问题想问 Sergey Brin：AI 正以前所未有的速度加速发展，像我这样的年轻创业者，应该保持什么样的心态，才能避免重复过去那些错误？

Sergey Brin：“什么心态能避免重复过去的错误？”

嗯……比如你有一个很酷的可穿戴设备点子时，先把产品真正打磨成熟，再去搞什么跳伞、飞艇之类的酷炫特技营销，这是一个建议。

不，我认真说。我其实挺喜欢我们当年做 Google Glass 的那种探索，它确实也是一个“过去的错误”的典型例子。问题在于，我把它商业化得太快了。在我们还没把成本做到足够低、也还没把消费级体验打磨到足够成熟之前，我就急着推向市场。

我当时有点“抢跑”，心里想着：哦，我是下一个 Steve Jobs，我也能把这个东西——哒哒！——做出来。

每个人都觉得自己是下一个 Steve Jobs——我也犯过这个错。但他确实是个非常独特的人。

所以我想说，确保你的想法真的“烤熟了”，把它打磨到足够成熟、足够扎实之后，再进入那种必须对外交付的节奏。因为一旦踏上那条跑步机，外界期待会不断上升，成本也会一路往上，你就会被迫在某个时间点交付成果。到那时，你可能没有足够时间把所有该做的事情都做好，期待会像滚雪球一样越滚越大，而你却没给自己留下消化和调整的空间。

这是我会尽量避免的错误。

学生（Esha Bargetag）：我们看到很多 AI 公司通过“扩大数据规模”和“扩大算力规模”来提升大语言模型。我的问题是：如果某一天数据用完了、算力也到顶了，下一步会是什么方向？会不会是新的模型架构，比如替代 Transformer？还是更好的学习方法，比如比监督学习或强化学习更好的训练方式？或者你们认为会是一个完全不同的方向？谢谢。

Sergey Brin：你列出来的这些方向——我觉得都已经比“扩大算力、扩大数据”更重要了。

大家之所以特别关注“规模扩张”，是因为它更显眼：你在建数据中心、买芯片，而且 OpenAI、Anthropic 也发表过很多关于 scaling law 的研究，所以这很容易吸引注意力。

但如果你把各条线仔细对齐，你会发现：过去十年左右，算法层面的进步，实际上跑得比“规模扩张”还快，甚至快很多。

我记得我读研的时候看过一个图，讲的是 N-body 问题——比如引力系统，很多天体在互相作用、飞来飞去。你当然会看到从五十年代到九十年代，算力按照摩尔定律增长了很多很多倍。但解决 N-body 问题的算法进展，远远快过那段时期的算力增长。

所以我觉得，你会看到像我们这样的公司，永远不会拒绝站在算力前沿。但那更像是……怎么说呢，算力就像甜点——它是在你真正做完算法工作、做完“主菜和蔬菜”之后的甜点。

Jennifer Widom：我也补充一下。关于“算力会不会用尽”“数据会不会用尽”，尤其是“算力不足”这件事，我们在大学里其实早就非常熟悉了。大学很难拥有公司那种规模的算力，我们根本没法比。但这也倒逼我们做很多创新：当你算力更少的时候，你能做什么？如何“用更少实现更多”？这类研究我们在这里已经做了很多。

学生（Andy Zivortsy）：我的问题想问三位：你们认为哪一种新兴技术，在长期影响上被严重低估了？

Sergey Brin：哎呀，这个问题太难了。“哪种新兴技术被严重低估？”我显然不能说 AI，因为很难说大家还在低估它。当然你也可以说它仍然被低估，但现在它恐怕不算“新兴”了。

很多人会提量子计算，但我也不太想把它当成明确答案。我们确实在做，也很支持，但未知数太多；从计算理论上讲，甚至像 P 是否不等于 NP 这种问题都还悬而未决，而且量子算法往往只对很特定的结构化问题有效。

如果一定要选一个方向，我更愿意说：材料科学可能被低估了。无论是 AI 还是量子计算，一旦能更深入地推动材料突破，潜在影响会非常大，几乎没有上限。

John Levin：我刚才也在想材料。因为“被低估”这个角度挺有意思的。现在大家对“技术创新机会在哪里”投入了很多注意力。像核聚变、量子这些还没真正成熟的技术，其实并不缺关注；AI 当然也不缺。但材料科学在我看来，是其中一个可能被低估的方向。另外还有生物与健康领域——分子科学里有非常多机会。它现在可能没有 AI 那么吸睛，但分子科学也正在发生一场巨大的革命。

Jennifer Widom：对，我也想说类似的观点。聚光灯总是在移动，现在它几乎完全打在 AI 上，但它不该因此离开生物领域。合成生物学里正在发生很多非常令人兴奋的进展，所以我觉得，我们需要把这束光稍微照得更宽一些。

学生（Drew Mi）：我们成长过程中都会有一些“限制性信念”。我很好奇，你在打造 Google 的过程中，有哪些限制性信念或根深蒂固的信念必须被改变？这又如何影响了你的决策？

Sergey Brin：嗯，“限制性信念”……我不确定我能给出一个特别具体的例子。更像是，我的人生很多阶段都经历过那种“世界突然被扩展”的变化。

我出生在莫斯科，当时非常贫穷。我和父母、祖母挤在一个很小的公寓里，还得爬好几层楼。那时候我几乎不会去想外面的世界。后来我父亲去波兰开会，第一次更清楚地意识到外面还有另一种生活，于是决定带我们离开。这个决定在家族里争议很大，但最终我们到了美国。我们依然很穷，还要从零开始。我得学新语言、重新交朋友，那是很痛苦的转变，但也让我“醒过来”了。

后来到斯坦福读研，也有点像另一次扩展。教授们给了我很大的自由和信任，加州本身也有一种更开放、更解放的气质。可能我是在绕着回答你的问题，但我的体会是：那些当下看起来很难的转变，事后往往会带来回报。我更愿意相信，走出舒适区本身就是一种长期收益的选择。

学生（Lu Baba）：你取得了大多数人难以想象的成功。看你现在的人生，你对“好的人生”的定义是什么？在这些成就之外，它对你意味着什么？

Sergey Brin：好，谢谢。“好的人生是什么？”

我想，首先是能够享受生活吧，不管你在建造什么、创造什么。我很重视家庭。今天我有一个孩子也在现场。我的女朋友也在这里。我很感激自己能有条件和他们一起度过高质量的时间。

我也非常感激，在这个阶段我还能持续被智力挑战。

我其实是在 COVID 之前一个月“退休”的。这是一个极其糟糕的决定。我当时的设想是：我要坐在咖啡馆里学物理，因为那时物理是我的热情所在。结果当然没实现，因为咖啡馆都关门了。（全场笑）

我当时就在那儿焦虑，感觉自己在螺旋下降，脑子也不灵光了。

后来我就想：不行，我得回办公室。虽然那时办公室还关着。但几个月后，开始有一些人能偶尔去办公室，我也就偶尔去，然后越来越多地投入到后来被称为 Gemini 的项目里——这非常令人兴奋。能有这样的技术与创意出口，我觉得非常有价值。

相对而言，如果我一直保持退休状态，我觉得那会是个大错误。

学生（Zena）：我想问一个我们经常问嘉宾的问题：你怎么安排时间，才能持续跟上最新进展、保持敏锐？你读什么书？开车时听什么播客？

Sergey Brin：好，我尽量别把回答说得像在打广告。我开车的时候经常会跟 Gemini Live 聊天。但先说清楚，公开版本现在还不是我们内部那个“好版本”，背后用的模型也比较老，有点尴尬。所以你们今天别急着照做，过段时间等我们把更好的版本真正放出来。

我会在路上问它各种很具体的问题，比如“如果要建一个数据中心，需要多少电力、成本大概多少”，一路开车一路聊。听起来确实有点像在给 Gemini 做宣传，但对我来说，这种交互式讨论最能让我保持跟得上。

播客我也会断断续续听不少。“All-In”那几位是我比较喜欢的之一。总体上我会听听他们在聊什么、最近发生了什么，但相比被动听，我更偏好在路上和 AI 互动。

John Levin：我觉得这其实就是未来的缩影。用这个收尾挺好，我们可能都会这么做。

参考链接：

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