Gemini 3橫空出世，谷歌這家曾被認為在AI時代稍顯落后、有點沉睡的巨頭，正在全面覺醒，奧特曼在深夜罕見地發推承認“OpenAI在某些關鍵維度上確實落后了”。在斯坦福大學工程學院百年慶典的收官活動上，谷歌聯合創始人謝爾蓋·布林重返母校，與校長Jonathan Levin以及工程學院院長Jennifer Widom展開了一場對談。

1993年，謝爾蓋·布林進入斯坦福工程學院，攻讀計算機科學研究生；讀研期間，他結識了拉里·佩奇；兩人共同開發了一種搜索算法，并于1998年創辦了谷歌。

回顧谷歌的來時路，布林坦言谷歌在Transformer論文發表后曾錯失機會 —— 他們沒有予以足夠的重視，而且他們擔心聊天機器人會說“蠢話”而未敢快速推廣技術。這導致公司在AI商業化部署上失去了先機，讓競爭對手搶占了優勢。但他同時認為，他們這些年也做了很多正確的事情，在AI領域的持續競爭力源于其對深層基礎技術的長期投入，例如十多年前谷歌就開始開發的AI專用芯片（TPU）以及大規模數據中心。這種對算法、半導體和計算設施的全面掌控，使其能夠站在現代AI的前沿。

訪談主要內容

斯坦福校長：谷歌已經是一家市值4萬億美元的公司，業務范圍極其廣泛。你們這些年肯定做了很多正確的決定。有沒有什么是你們在創建谷歌初期就做對的事情？

謝爾蓋·布林：我覺得早期的話，拉里一直非常有雄心。他現在也是。對你提出的每個計劃，他幾乎都會說「這不夠有野心」。我們確實很早就有了非常宏大的使命宣言 —— 整合全球信息。我認為這是創辦公司的一個很好的理念基礎。另外，我們創建了一家相當學術化的公司。我和 Larry 都是從博士項目出來的，當時很多創業公司是大學生創辦的。我確實認為這會稍微改變你思考問題的方式。我們從早期就非常重視基礎研發投入。

斯坦福校長：談談AI吧。每個人都在關注它。你回到谷歌從事這方面的工作。你們在很多方面都處于前沿，競爭非常激烈。投入AI基礎設施的資本達到數千億美元，單個公司層面都是這樣。你怎么看當前AI領域的格局？

謝爾蓋·布林：我們確實在某些方面搞砸了 —— 我們投資不足，大約八年前發布Transformer論文時沒有足夠重視。我們沒有太當回事，沒有投資擴展計算規模。而且我們太害怕把它展示給用戶，因為聊天機器人會說蠢話。OpenAI抓住了機會，他們做得很好。這是非常聰明的洞察，而且是我們的人比如Ilya去那里做的這些事。

但我確實認為我們仍然受益于那段漫長的歷史。我們在神經網絡的研發上有很長的積累，可以追溯到Google Brain。這也有點運氣成分。雇到Jeff Dean不是運氣，能得到他我們很幸運，但我們當時就有「深度技術很重要」的心態，所以我們雇了他。我們從DEC挖了很多人，因為他們當時有頂級研究實驗室。Jeff對神經網絡很有熱情，源于他大學時的實驗，他16歲時就在做治療第三世界疾病和研究神經網絡之類的瘋狂事情，他建立了整個團隊。

當時在我負責的Google X部門，我讓他做他想做的。他說「我們能區分貓和狗了」，我說「好吧，酷」。但你要信任你的技術人員。很快他們就開發出各種算法和神經網絡，用于我們的一些搜索功能。然后有人提出了Transformer，我們能做的事情越來越多。

所以我們有基礎，有研發積累。確實有幾年投資不足，沒有足夠重視。但我們當時也開發了芯片，TPU大概有12年歷史了。最初我們用GPU，可能是最早使用GPU的公司之一，然后用FPGA，然后開發自己的芯片，現在已經迭代了無數代。對深度技術的信任、獲取更多計算能力、開發算法 —— 同時我們長期以來一直是計算的大投資者，數據中心規模很大。除了亞馬遜AWS，很少有公司有那種規模的數據中心、自己的半導體、深度學習算法等所有這些堆棧組件，能夠在現代AI前沿競爭。

斯坦福校長：今年是工程學院的百年紀念。如果你是院長，要啟動學院的第二個百年，你會怎么思考？

謝爾蓋·布林：我想我會重新思考大學意味著什么。我知道這聽起來有點煩人，這是拉里會說的那種話，我會對他很惱火。但我們有這個地理上集中的東西，有建筑，有豪華的報告廳。但現實是，現在信息傳播非常快。很多大學已經上線了開放課程，任何人都可以上網學習，可以和AI聊天。

那么擁有一所大學意味著什么？如果你想最大化影響力，限制在地理位置可能不會那么有效。當然，灣區是個特殊的地方。但我不知道在未來一個世紀，工程學院和大學的概念是否還會和以前一樣。人們到處移動，遠程工作，跨地域協作。這有點矛盾，因為我們正試圖讓人們回到辦公室，我確實認為他們在一起工作效果更好，但那是在特定規模下。如果你有一百人在那邊，他們不一定要和另外一百人在同一個地方。

我越來越看到一些個人創造新事物，不管有沒有學位。雖然我們雇了很多學術明星，但我們也雇了大量沒有學士學位的人，他們就是在某個奇怪的角落自己摸索出來的。我不認為我能神奇地給你新配方，但我覺得這種形式不太可能是未來一百年的模式。

學生提問1：谷歌很大程度上源自您在學術界完成的PageRank研究。而在今天，越來越多的創新由工業界主導，您是否仍然認為「從學術到產業」的這條路徑依然重要？如果重要，又該如何去強化它？

謝爾蓋·布林：說實話，我可能只能回答一句：我也不太確定。我讀研究生的時候，一個新想法從被提出，到真正具有商業價值，往往要經歷幾十年的時間。在這樣的時間尺度下，學術研究是非常合理的：你有足夠的自由，可以慢慢思考、申請經費、反復試驗，一個問題可以研究二三十年，最后才慢慢「滲透」到產業里，可能是被大公司吸收，也可能變成一家創業公司。

但如果這個時間被大幅壓縮呢？如果一個想法從出現到落地只需要幾年，甚至更短，那這條路徑是否還同樣成立？我覺得這是一個值得重新思考的問題。

當然，有些事情仍然是有意義的。即便是在AI領域，我們也會持續關注斯坦福等高校的研究，偶爾招聘一些研究人員，或者展開合作。但很多情況下，你很難說這些工作一定 “必須” 在學術界先醞釀很長時間 —— 比如某種新的attention機制，可能在大學里實驗兩年，隨后就被帶進了工業界。但問題是，工業界本身也在做同樣的事情。所以在這些方面，學術界的 “先行期” 未必有特別不可替代的優勢。

也許在更激進、更底層的創新上，情況會不一樣。比如全新的模型架構、全新的計算范式。這類方向，工業界雖然一旦決定投入就能擴展得非常快，但最初的探索，可能仍然更適合在學術環境中進行。量子計算就是一個例子。這個想法在上世紀八十年代左右被提出，之后很長時間都停留在理論和實驗室階段。現在，一方面有很多公司在推進量子計算的工程化，另一方面，大學實驗室仍在嘗試各種完全不同的實現路徑。這類方向正好處在學術和產業的邊界上。

如果你提出了一種完全不同于主流路線的新方法，比如既不是我們在做的超導量子比特，也不是很多初創公司在嘗試的離子阱方案，那它可能確實需要在大學里慢慢發酵幾年。這類問題非常困難，也很冒險，放在學術環境中是合理的。但一旦你真的確信它是可行且有前景的，最終你大概率還是會把它推進到商業化階段，以某種形式進入產業。所以，我很難給你一個明確、非黑即白的答案。

因為現在的頭部科技公司，確實也在做大量基礎研究，而且在AI領域，我們已經開始看到這些長期投入的回報。這意味著，學術與產業之間的分工比例正在發生變化。但我仍然相信，有些研究 —— 那種需要十年甚至更久、以純探索為主的研究 —— 產業界往往是不愿意承擔的，因為它們的時間跨度實在太長，不符合「上市時間」的邏輯。而這些，可能仍然是學術界不可替代的價值所在。

學生提問2：隨著AI以前所未有的速度加速，像我這樣年輕有抱負的創業者應該采取什么心態來避免重蹈覆轍？

謝爾蓋·布林：避免重蹈覆轍的心態？當你有很酷的新穿戴設備想法時，在做涉及跳傘和飛艇的炫酷特技之前，一定要把它完全打磨好。這是一個建議。

其實我喜歡我們當年在谷歌眼鏡上做的事情，但那是一個以前犯錯的例子。我試圖在它足夠成熟之前過快商業化，在成本效益和消費者體驗方面都沒準備好。我有點操之過急，以為自己是下一個喬布斯，可以搞定這個東西。

我想說的是，每個人都以為自己是下一個喬布斯，我肯定犯過這個錯誤。但他是一個非常獨特的人。所以我建議確保你的想法在足夠長的時間里得到充分發展，然后才進入那個必須不斷奔跑的階段 —— 外部期望增加，開支增加，你必須在某個時間交付。你可能沒有足夠的時間做完所有需要做的事情。你會陷入一種期望滾雪球的狀態，沒有給自己足夠的時間來處理。這是我會盡量避免的錯誤。

學生提問3：我們看到很多AI公司通過擴展數據和計算來改進大語言模型。一旦數據和計算都用盡了，你認為下一個方向是什么？會是新的架構，transformer的替代品？還是更好的學習方法，比監督學習或強化學習更好的東西？

謝爾蓋·布林：你提到的這些方向 —— 新架構、新訓練方法 —— 在我看來，其實早就已經比單純擴算力、擴數據更重要了。

只是因為擴算力太顯眼了：建數據中心、買芯片，再加上OpenAI、Anthropic關于scaling law的那些論文，很容易讓人覺得一切進步都來自scaling。但如果你仔細對比，會發現過去十年里，算法層面的進步，其實跑得比算力提升還快。

我讀研時見過一張關于N-body問題的圖 —— 就是引力系統里大量粒子相互作用的計算。從上世紀五十年代到九十年代，算力遵循摩爾定律暴漲，但真正讓問題可解的，是算法改進，而且算法的進步幅度遠遠超過了算力增長。所以我認為，像我們這樣的公司當然不會放棄站在算力前沿，但那更像是甜點。真正的主菜，還是算法上的突破。

工程學院院長：我也補充一句。對算力不夠這件事，我們在大學里其實早就非常熟悉了。高校根本不可能擁有和工業界同量級的算力，差距非常明顯。但這反而逼著我們去做另一類創新：在算力受限的情況下，如何把事情做好，如何用更少的資源做更多的事。這些研究我們已經做了很久，而且會持續做下去。

學生提問4：你們認為哪種新興技術的長期影響被嚴重低估了？

謝爾蓋·布林：顯然我不能回答AI —— 很難說它被低估，即便從某種意義上講它可能仍然被低估，但它已經不算是「新興」了。

很多人會提到量子計算，討論它最終能帶來什么。我個人也很支持量子計算相關的研究，但要說這是我最有把握的答案，其實也不是。這里面的不確定性太多了。從計算理論上說，我們甚至都還不知道P是否不等于NP。整個計算領域里，還有大量最基礎的問題沒有答案。而且量子算法通常只對非常特定、結構性很強的問題有效。所以這一方向我很看好，但要精準回答被低估，其實不太容易。

如果一定要說的話，我可能會把目光投向材料科學：無論是AI還是量子計算，在材料領域的應用潛力都巨大。如果我們能創造出性能全面提升的新材料，可能帶來的變化幾乎是無限的。