模型能力终将普及，AI 的终局是能力与成本之比｜对话 Google DeepMind 研究副总裁 Ed Chi
- Ed Chi 的判断是，模型能力可能逐步普及（commoditize），但并非所有能力都会如此；当能力普及后，竞争关键在 capability over cost。Google 作为 full stack 公司，涵盖模型、application、hyperscaler、token factory、chip 和能源；他称 Google 有能力以最低 cost 提供 token，这“可能会成为未来最重要的护城河”。“所有经济问题最终都是 capability over cost，这是毋庸置疑的。”
- 模型能力差距变小后，value creation 可能往 application 和 token factory 两端走——这是他给创业者的方向判断。application 端的护城河是用户 lock-in、stickiness 和体验；hyperscaler 端则涉及成本问题：能源用量、chip design、memory 与 computation 的关系、多少跑在 on-device 上。“这些都还是 open questions，非常 exciting。”
- 通用助理仍处极早期，他预测六个月到一年内，通用助理与 AI Mode Search 的 interface 关系会更清楚。Instinct、Muse Spark 这类产品想从问答走向代办（订机票、买东西），但受制于权限与 reliability——人们担心把信用卡交给通用助理后，它到处乱买东西；confirmation 层面的新 data 还没真正看到。他的 “Grandma Test” 是：当奶奶指着机器人骂“你怎么这么笨”，通用助理的时代才真的到了。
- 开源模型追上闭源模型的原因之一，是他与合著者写的 Chain of Thought 论文；开源模型用 CoT 方法发掘并复制推理方式，而大厂正尝试把思维链藏起来，降低被复制的可能。他认为这件事还不能说成定论：部分能力确因蒸馏而变得更 commoditize，但 multimodality 等能力目前还看不出会 commoditize。
- DeepMind 近期发表的小模型主要服务应用，大模型仍在开发；Google 放弃模型开发“完全不可能发生”。用户期望 Google 拥有自己的技术，有一种技术 sovereignty 的意味；大小模型的资源分配“连大厂内部都是难题”。他提到湾区 “AGI-pilled” tech bro 对 ultra-size model 的热爱——他们相信 software took over the world、做好 coding 就能 take over the world；他个人不希望应用完全依赖 ultra-size model，因为运算所需能量太高。
- Memory 是尚未被想清楚的 bottleneck：Transformer 的 context buffer 目前大约可做到 100 万或 200 万 token，在他看来完全不够。他的核心框架是：memory 不只是存储与提取，也是 ranking 问题（说 Paris 时，想起哪些记忆是排序，而非所有相关内容一齐涌出）；从认知角度看，memory 也是用来 program AGI machinery 的 program。面对主持人提到的 DRAM、NAND、HDD 可能短缺，他认为 memory 与 computation 可互相转换；有长远投资计划，就比较不会担心一时的 memory 短缺。
- 泡沫是局部性的而非整体性的：physical intelligence 可能有不切实际的预期，很多模型的 visual reasoning capability 也“非常糟糕”。若你相信 agent 解决 software 就解决一切，他刚才讲的很多东西就不适用；若不信，“我们还有很多戏可以唱”。推理能力三四年间从小学数学（当年 accuracy 仅 33%）发展到解决 Navier–Stokes 方程；下一个更 exciting 的变现机会，他看好 consumer 崛起——consumer services 一直是 Google 的强项，也是他留在 Google 的原因。
1. 推理能力三四年从小学数学走到 Navier–Stokes，但目前仍集中于特定领域
- Ed Chi 的 panel recap：过去三十年、特别是前二十年，关注点多在 recommendation 与 search；近十年靠神经网络的 next-token prediction 与 Chain of Thought 发掘机器的基本认知与推理能力。下一步的学术问题包括更复杂的 reasoning、memory，以及 RSI（recursive self-improvement）。
- 他反复用的时间轴：三四年前写 CoT paper 时在解决小学生数学题——“买了 5 个 apple，再买 6 个 apples”，accuracy 只有 33%；今年已经在解决 Navier–Stokes equation 这类困难的物理或数学问题。他指出推理能力目前仍集中在 specific domain：“我是高尔夫爱好者，它对杆、球、equipment 的推理能力有多少？这跟数学不一样”——做应用必须先搞清模型在不同领域的推理 level。
2. 通用助理：Grandma Test 与六到十二个月的 interface 之争
- 他对 Instinct、Muse Spark 这波热潮的定位：Google 的 AI Mode Search 从 search 发展成搜索或问答；这些产品则想从问答走向通用助理——订机票、订旅店、买东西。卡点在权限与 reliability：人们担心把信用卡交给通用助理后，它到处乱买东西；至于买对买错的 confirmation 问题，“事实上还没有真正看到新的 data”。他的预测是六个月到一年之间，通用助理与 AI Mode Search 的关系和 interface 会更清楚。
- 护城河与用户体验的容错边界有关：用户只要遇到一次很严重的错误，就可能对产品改观。这和雇真人私人助理时的容忍度问题类似。他的 Grandma Test 是：“当有一天你的奶奶指着机器人骂它‘你怎么这么笨’，你就知道通用助理的时代真的到了。”奶奶对通用助理的期望很高；产品与科学两方面都还在探索这个 boundary。
3. 生态两边都是空白：consumer hardware 与入口形态均无结论
- consumer 生态分成 hardware 与 software 两块。hardware 端的大问题是 on-device 与 not-on-device model 的 interaction——Apple 提过 hybrid intelligence，但 consumer hardware 未来怎么发展，在他看来仍是很大的空白。software 端如今讲的是 services，而不是 downloadable app；入口未定：经由 search、手机、智慧眼镜还是其他 device？进入通用助理时代后，不应该还要整天往机器人身上下载 app——这是十五年前就在担心的问题。
- 主持人问现象级产品会出自 Google、Meta、Apple 还是初创公司，他认为“从哪儿来可能反而没有那么重要”；重要的是怎么普及、什么才是正确的人机 interface。新创做出来也可能被大厂收购；投资人与开发者希望有一个 healthy ecosystem。他还提到智慧音箱做了四五年后“突然好像没人在做了”，但从私人通用助理的角度看，在冰箱上放个荧幕、连着 Internet，如今比七八年前容易多了——consumer hardware 依然相当 exciting。
4. DeepMind 的小模型节奏、AGI-pilled 与 capability over cost
- 回应人事变动与发布节奏的提问，他强调 Google 没有停下脚步，仍在发展模型；近几个月发表的多是小模型，因为通用助理、个人化等应用需要小模型。大模型也在开发中，“可以拭目以待”。大小模型的资源分配“连大厂里面都是一个难题”、见仁见智。他对湾区 “AGI-pilled” tech bro 的描述是：他们相信 software took over the world，做好 coding、做好 software 就能 take over the world，“所以才会造成对 ultra-size model 的热爱”。他个人不希望未来的应用完全依赖 ultra-size model，因为运算所需能量太高。
- Google 不可能放弃 model development：用户期望 Google 拥有自己的技术，而不是使用别人的或 open-weights model；这也许是一种技术 sovereignty。Google 的优势是 full stack——从模型开发到 application 与 services，往下到 hyperscaler、token factory、chip 开发及能源使用和控制。他说 Google 有能力以最低 cost 提供 token，这可能成为未来最重要的护城河；如果模型 capability 普及，重要的是 cost control，“所有经济问题最终都是 capability over cost”。
- 主持人追问 CapEx、现金流与 AI 应用收入的担忧时，他区分短期与长线视角：短期公司只会想着 quality、accuracy；以五年、十年为投资眼光的公司，还要思考未来该优化什么 metric，不只是 capability，也包括 capability over cost。Google 的做法是到有可能的地方投资、各处 double down；模型、application、chip 和整个 full stack 都在创新。
5. Memory 是没被想清楚的 bottleneck：它是 ranking，也是 program
- 主持人提到 DRAM、NAND、HDD 可能短缺。Ed 的框架是 memory 与 computation 可以互相转换：“有一个很长远的 investment plan，就比较不会担心一时的 memory 短缺，因为可以用 computation 来代替。”研究层面的问题包括计算方法需要多少 memory 和 bandwidth，以及神经网络设计是否应该降低 memory requirement。他举 Delta Attention Model 为例：它使用 memory 的方式不同于 full attention（O(N²)）与 sparse attention；此外还有个人化记忆、KV cache 等问题。
- 两个 bottleneck：一是 Transformer 的 context buffer 目前大约能做到 100 万或 200 万 token，在他看来完全不够；二是认知层面——大家仍把 memory 当作存储与提取的 retrieval 机制，但从人类认知角度看，“memory 也是一种 program……一个用来 program AGI machinery 的 program”。研究者还没有把 memory 这件事想清楚。
- 主持人提到人脑能主动遗忘、学习新东西并压缩旧信息，他接着指出，很多学过 computer science 的人会以为机器 memory 不需要忘记；但 memory 也是 ranking 问题：“比如说 Paris，你会想起去巴黎时有什么记忆，这事实上是一个 ranking 问题，而不是所有跟 Paris 有关的东西一下子全涌出来。”硬件领域也有人在探索 memory 与 computation 的新结合方式，未来几年可能会有新发展。
6. 价值往两端流：开源蒸馏的边界、局部泡沫与 consumer 崛起
- 若今天创业选什么方向？他观察到模型 capability 开始有一点 commoditize 的趋势，但并非完全如此；只要最好与最差模型之间的 gap 变小，value creation 就可能往 application 和 token factory 两边走。application 端拼用户 lock-in、stickiness 与体验；hyperscaler 端则涉及能源、chip design、memory 与 computation 的关系，以及未来有多少会在 on-device 上运行。
- 开源 vs 闭源的 gap：开源模型追上的原因之一，是用他与合著者的 CoT paper 方法发掘模型里的思维链，并复制推理方式；大厂现在有很多工作在想办法把推理链藏起来，以降低被复制的可能。他认为不能把这件事说成定论：有些能力会因蒸馏变得更 commoditize，但有些能力至今看不出会 commoditize，multimodality 也是他举的例子。
- 泡沫问题他拒绝一刀切：不觉得整个 market 都是泡沫，但不同地方可能有不同的泡沫；physical intelligence 领域可能存在不切实际的预期，很多模型的 visual reasoning capability 也“非常糟糕”。分歧取决于信念：若你认为用 agent 解决 software 就解决了所有问题，他刚才讲的很多东西就不适用；若不是，“那我们还有很多戏可以唱”。
- 他看好 consumer 这一块接下来的崛起，并指出 Anthropic、OpenAI 的 revenue 有很多由 enterprise subscription revenue 带动。consumer services 一直是 Google 的强项，这也是他留在 Google 的原因。
- 收尾的 AlphaGo 类比回应“孩子还该学数学吗”：十年前 AlphaGo 与棋王对决后，很多人说人类以后不下棋了，结果后来下棋的人反而更多。数学也一样；过去有人为了 exploration、探索知识边界，现在还会有 understanding、entertainment 或乐趣等动机，未来做数学研究的人可能更多出于内心的 curiosity。同理，大语言模型出现后，有人觉得 search engine 不再那么 relevant，但 Google 反而看到 search application 在增加。他不否认 AI 会改变现有结构，也认为它会带来新的可能性。
完整逐字稿
开源模型之所以能够追上闭源模型，其中一个原因就是我和合著者写的这篇关于 Chain of Thought 的论文。大家用 Chain of Thought 的方法来复制推理的方式。当有一天，你的奶奶指着机器人骂它：“你怎么这么笨？”你就知道，通用助理的时代真的到了。所有 AI 的东西，最终都是 capability over cost，这是毋庸置疑的。
Ed，很高兴今天来参加采访。
嗯。
今天想问一问，您在 panel 上讲了哪些内容？能跟我们 recap 一下吗？
当然可以。我今天最主要想让大家知道，过去这三十年来，特别是前二十年，我们很多时候关注的都是 recommendation 和 search。但过去十年，因为神经网络的发展，我们已经知道如何用 next-token prediction 和 Chain of Thought，发掘机器的一些基本认知和推理能力。
从思维链能够做出一些思考动作，到它的由来和背后的理念，今天我主要跟大家分享的就是这些基本认知，以及如何思考下一步更复杂的 reasoning、memory 问题，或者 RSI，也就是 recursive self-improvement 的问题。这些都是未来学术研究可以思考的方向。
嗯。
今天我们想跟您探讨一下 consumer AI 这个方向。最近硅谷很火的一个产品 Instinct，还有刚刚 release 的 Muse Spark，让我们觉得个人助理似乎又掀起了新一轮讨论。
对。
您怎么看个人助理这样的产品？
从 personalization，也就是个人化的角度来看，Google 的 AI Mode Search 这个 capability，原本是在 consumer services 这边的。它大概是 LLM application 最大的一层，事实上是从 search 开始，然后发展成 AI Mode 这样的搜索或问答趋势。
Muse 或者 Instinct 这样的产品，则是想从问答发展成通用助理。也就是说，它甚至可以帮我们做一些事情，比如订机票、订旅店或者买东西。因为这涉及很多权限问题，过去 reliability 还不够高，大家很担心把信用卡交给通用助理后，它会到处乱买东西。
所以，2026 年刚开始时，像 OpenClaw 这样的探索，让大家慢慢了解这方面的 technology。现在已经有一些小厂和大厂在探索通用助理服务。我个人认为，我们还处在很初期的阶段。比如很多 confirmation 的问题——你让它帮你买机票，结果买对了还是买错了——我们事实上还没有真正看到新的 data。接下来六个月到一年之间，我预测通用助理和刚才提到的 AI Mode Search 之间的关系和 interface 会变得更清楚。
您 envision 的消费级 AI 未来会是什么样子？
从我个人的观点来看——这不代表 Google 公司的观点——我一直觉得，AI 的推理能力在不断加强。想想看，三四年前我们写 Chain-of-Thought 这篇论文时，解决的是小学生的数学问题；到了今年，我们已经在解决 Navier–Stokes 方程这样物理或数学领域里最困难的一些问题。这说明它的推理能力在三四年间已经达到了一个巅峰。
不过，目前这些推理能力还是比较集中在一些 specific domain 里。通用助理的 universal 部分，比如对产品的推理，就跟数学不一样。我个人是高尔夫爱好者，那么它对高尔夫的原理、equipment 的理解，对球杆、球这些东西，到底有多少推理能力呢？所以我们在做这方面的应用时，一定要了解整个模型在不同领域的推理能力达到了什么 level。
其实我们感觉，现在的个人助理有时候很简单，就是在 text message 里面。
对。
或者是一个 app 的形态。您觉得好的个人助理，它的护城河是什么？
我觉得很多人会认为，特别是在 consumer 这边，真正的护城河就是用户，以及用户对产品的体验。用户只要遇到一次很严重的错误，就可能对产品改观。这跟你请的是 AI 通用助理，还是花钱请一个私人助理到家里或公司里做事，是一样的问题：你对它做出错误决定或行为的容忍度有多高？
我之前在台湾参加另一个 podcast 时，提出过一个叫 Grandma Test 的概念：当有一天，你的奶奶指着机器人骂它“你怎么这么笨”，你就知道通用助理的时代真的到了。因为奶奶对通用助理的期望非常高；当它犯的错误变得非常严重时，你就会觉得这个产品有问题。所以现在无论是从产品角度，还是从科学角度，我们都在探索这个 boundary。
您觉得跟市场上已有的竞争对手相比，谷歌做消费者 AI 产品的优势是什么？
从 consumer 的整个 ecosystem 来看，它分成 software 和 hardware 两部分。很多公司现在关注的是 hardware，比如记忆体以及产业链上的问题。Hardware 这边看起来还有很多探索机会，其中一个原因就是 on-device 和 not-on-device model 的 interaction 问题。
Apple 之前提出过 hybrid intelligence 这样的概念。消费级 hardware 以后会怎么发展，我认为仍然是一个很大的空白。另一边是 software，我们现在讲的当然都是 services，而不是 downloadable software 或 downloadable app。比较有意思的问题是，将来大家是通过 search 这样的渠道进入通用助理环境，还是通过手机、智慧眼镜或其他 device？
Services 这边，也就是 software 这边，过去一两年我们已经看到一些新颖、比较大胆的探索，但我觉得还没有得出结论。比如说，为什么我现在还需要整天想着 app 有没有更新？这是十五年前我们就在担心的问题。进入通用助理时代后，不应该还要整天往机器人身上下载 app。所以我觉得 consumer services 这边也还处于起步阶段。
如果以后出现一个现象级的消费级产品，您觉得它会来自谷歌、Meta 这样的公司，还是来自 Apple 这样的硬件公司，或者是一家初创公司？
我觉得从整个生态系统来看，它从哪里来，有时候反而没有那么重要。更重要的是它怎么样普及，以及怎样才能形成与人互动的正确 interface。从科学家的角度来看，这才是发展这方面 research 最有意思的地方。
如果是初创公司开始做这些事情，也很可能被大厂收购。所以从投资人或开发者的角度来看，大家希望以后能有一个 healthy 的 ecosystem，让整个 industry 都可以探索这个 space。
关于 DeepMind，我们看到 DeepMind 有很多人事变动，模型发布的节奏也有一些变化。
嗯。
您怎么看 DeepMind、谷歌的模型在整个 Frontier Lab 里的竞争力？
这是个很好的问题。我们当然没有停下脚步，一直在继续发展模型。最近几个月我们发表的一些模型可能比较小型，我们想把小模型用在应用上。像刚才聊到的很多通用助理和个人化功能，事实上都需要小模型，而不是大模型。
大模型的好处是推理能力更强。我们最近这段时间发表出来的大部分模型稍微小一点，希望能在应用上有更多提升。当然我们也在开发更大的模型，这个可以拭目以待。
明白。所以说，追求 AGI 这个前沿目标还会继续，谷歌的算力也还是会给这些 AGI 模型，对吧？
对。我会这样看：从整个生态系统发展的角度来说，如果你有很多资源，要把多少资源放在 application development 上，多少放在大模型、更强推理能力的模型或 coding capability 模型上，怎么分配资源，长远来看是见仁见智的，并没有唯一的答案。
现在所谓 AGI-pilled 的这帮人，特别是湾区、旧金山的 tech bro，会觉得 software took over the world；只要把 coding 做好，把 software 做好，就能 take over the world。这才造成大家对 ultra-size model 的热爱。但从我们刚才聊的应用普及、手机应用这些话题来看，至少我个人不希望未来的应用完全依赖 ultra-size model，因为运算所需的能量实在太高了。所以大模型和小模型之间的平衡，事实上连大厂内部怎么分配投资，都是一个难题。
您觉得 DeepMind 跟其他 frontier lab 相比，团队的优势是什么？
我觉得我们这边可能是人才济济，人才实在太多了，大家都想做大模型，但卡永远不够。从另一个角度来看，Google 的用户对 Google 一定会有一种期许，希望我们的模型不是用别人的，也不是用 open-weights model。用户期望 Google 拥有这项技术，这也许可以说是一种技术 sovereignty。
从这个角度来说，Google 不可能放弃 model development，这完全不可能发生。但 Google 有一个优势，就是你刚刚问的 full stack：从模型开发，到 application 和 services，都在公司里面；再往下，有 hyperscaler、token factory，甚至 chip 开发，还有能源的使用和控制。我们有能力以最低的 cost 提供 token，这可能会成为未来最重要的护城河。
如果模型的 capability 普及了，最重要的其实是 cost control，也就是以最低的成本 deliver 最好的 capability。现在这个领域很多人还没有关注 cost，但所有经济问题最终都是 capability over cost，这是毋庸置疑的。
大家会担心，比如 frontier lab 都已经投了很多 CapEx，今年、明年更夸张，特别是谷歌这样的大厂，现金流也被拖成负的。我们看到 cloud 这块的 revenue 有起色，margin 也在增强，但 AI 应用的收入可能还没有显现。我刚刚听您说，之后谷歌的 focus 也会把应用的 ROI 做得更好。
没错。长远来看，如果你是一家很 short-term 的公司，就只会想着 quality、accuracy 这些问题。如果你是一家以五年、十年为投资眼光的长远公司，就会开始思考 what's in the future，以及真正应该 optimize 的 metric 是什么。不见得只是 capability，也包括 capability over cost。
谷歌最厉害的地方，事实上就是会在技术和很多其他领域都 double down。有可能的地方就投资，这边投，那边也投。它不是不肯 innovate，而是所有地方都在 innovate。我们不只是在模型上创新，也在 application 和 chip 方面创新，整个 full stack 都在做 innovation。
您现在也在做 memory 方面的研究。
对。
我们知道谷歌的哲学是能存的东西就尽量存。现在整个 memory supply chain 又出现短缺，DRAM、NAND 和 HDD 可能都短缺。
嗯。
你们怎么 balance 这个问题？
从 computer science 的角度来看，我们过去的 research 已经知道 memory 和 computation 之间可以转换。有时候你用更多 memory，有时候你用更多 computation。
如果有一个很长远的 investment plan，就比较不会担心一时的 memory 短缺，因为可以用 computation 来代替。所以，memory research 不只是供应链和 hardware 的问题，也包括我们的计算方法需要多少 memory、多少 memory bandwidth，以及神经网络的 design 是不是应该降低 memory requirement。
计算方法也会影响 memory 的使用。比如 Timi[?] 做的 model 叫 Delta Attention Model，它使用 memory 的方式，跟 full attention、O(N²) 的 attention，以及 sparse attention model 都不一样。这只是在讲 sequential Transformer model 里的 memory 问题，我们还没有聊到个人化里的 memory 问题，或者 KV cache 的 memory 问题。
我们现在说的 memory，常常是指硬件或软件里的记忆。但从人类认知学的角度来看，memory 也是一种 program。它不只是一个没有生命的东西，而是一个不断变化、指导事情该如何发生的东西，是一个用来 program AGI machinery 的 program。所以我们做 research 时，也关注的不只是底层 memory 的运用，还包括如何整理 context buffer 里的信息，这方面我们也花了很多精力。
现在 memory 研究最大的 bottleneck、最大的挑战在哪里？
我个人认为，从 Transformer model 的角度来看，我们现在最大的 context buffer 大概可以做到 100 万或 200 万 token。在我看来，这完全不够，这是一个 bottleneck。
另外，我们对 memory 的看法，还是把它当成一个存储和提取，也就是 memory retrieval 的机制，而不是从人的认知或思考能力的角度来看待它。Memory 事实上非常重要，不只是 retrieval。这也是 research 上的一个 bottleneck；大家还没有把 memory 这件事想清楚。
对，感觉人脑好像可以主动遗忘，可以学到新的东西，还可以把原来的东西压缩。这基本上是模型现在……
没错。
Continue learning 是不是？
没错。很多学过 computer science 的人会觉得，机器的 memory 不需要这样想，它不需要忘记东西。但事实上不是这样。很多人觉得 memory 是你还记不记得的问题，其实 memory 是一个 ranking 问题：什么东西最重要，这才是 memory 真正重要的地方。
Memory 最重要的问题之一，就是 ranking。比如说，我随便讲一个地点：Paris。你会想起去巴黎时有什么记忆，这事实上是一个 ranking 问题，而不是所有跟 Paris 有关的东西一下子全涌出来。
对。像现在有很多创业公司专门做 memo、memory layer。您觉得 memory 这么重要的事情，会由初创公司来做，还是基本上都是大厂来做？
现在硬件那边也有一些人，在想怎么把 memory 和 computation 结合起来，提出一些比较新的想法，这些新想法并没有在大厂里面做。当然，大厂也有人在做这方面的事情。我觉得 memory 和 computation 之间的 relationship，未来几年可能会有一些新的发展。
如果您今天要出来创业，您觉得最好的创业方向是什么？
这个问题很好。我觉得现在有一个趋势：模型的 capability 好像开始有一点 commoditize。当然我不是说它完全 commoditize 了，但只要差距变得更小，也就是最好模型和最差模型之间的 gap 变低，value creation 就会往 application 和 token factory 这两边走。因为大家都在找护城河。
当 model capability 不再是最强的护城河时，就得去其他地方找。Application 这边可能是用户 lock-in、stickiness，以及使用体验好不好。Hyperscaler 那边则有很多跟 cost 有关的问题：能源使用量、chip design 好不好、memory 和 computation 之间的 relationship 有没有处理好，以及未来有多少会在 on-device 上运行，有多少不会。所以从我的角度来看，这些都还是 open questions，非常 exciting。
对。您怎么看开源模型和闭源模型？现在我们知道开源模型追得很紧，您觉得未来这个 gap 会变大还是变小？
这个问题很有意思。开源模型之所以能够追上闭源模型，其中一个原因就是我和合著者写的 Chain-of-Thought 论文。大家用 Chain of Thought 的方法来发掘模型里的思维链。
嗯。
也就是模型的思考模式，然后用这个思考模式来复制、拷贝推理的方式。现在大厂里有很多工作，是在想办法把推理链，也就是思维链藏起来。藏起来以后，被复制的可能性就会更低。
事实上不只是这个问题。我认为模型继续发展后，比如 multimodality 的 capability，也都很难复制。所以我觉得很多人好像把这件事说得像定论一样，但我个人认为这种想法还不成熟。看起来有些 capability 会因为蒸馏而变得更 commoditize，但有些 capability 到目前为止还看不出会 commoditize。所以现在还有很多 debate。
大家好像觉得 open-source model 能做的事情越来越多，留给 SOTA 模型 monetize 的空间就更小了。
嗯。
这能撑起这样的估值和这么大的 CapEx 吗？您会担心吗？
这就是为什么有些人在想，AI 这个市场里是不是有一部分是泡沫性的。我并不觉得整个市场都是泡沫，但不同地方肯定有不同的泡沫。比如 physical intelligence 那边，可能有一些不切实际的预期。
刚才提到的 multimodality 这块，我们很多模型的 visual reasoning capability 都非常糟糕。所以你可以看出来，这跟大家的信念不一样。如果你觉得 software took over the world，我们用 agent 的方法解决了 software 的问题，那所有问题就都解决了。要是你有这样的 perspective，我刚才讲的很多东西就不适用。但如果你觉得解决了 software，还没有解决所有问题，那我们还有很多戏可以唱。
前面我们聊到，现在很多 frontier lab 在 coding 上已经有了商业化变现。您觉得下一个更 exciting 的机会会在哪些领域？
刚才讲到，现在有很多应用。比如 Anthropic 和 OpenAI 的 revenue，有很多是 enterprise 这边带动的 subscription revenue。我挺看好 consumer 这一块接下来的崛起。
当然，从行业龙头的角度来说，我还留在 Google、继续在 Google 做事，原因就是 consumer services 一直是 Google 最强的地方。当然，这不代表将来不会有新的 space，大家可以拭目以待。
接下来我们应该期待什么产品？比如谷歌在未来一两年内，有哪些 AI 产品值得期待？
我从整个 industry 的角度来回答这个问题。我觉得现在已经有一些人在想，未来会是 super app 的时代，还是整个手机都会改变；甚至我们佩戴在身上的眼镜、耳环、耳机，都会有很大的变化，或者衣着也会有变化。
还有家里的智慧音箱。我们之前做了四五年，突然好像没人在做了。以前还在说什么智慧冰箱。从私人通用助理的角度来看，冰箱上放一个荧幕、连着 Internet，如此而已，就能把整个智慧功能做起来，这比七八年前容易多了。所以 consumer hardware 这边，我觉得还是相当 exciting 的。
我的问题问完了。您有什么想补充的吗？
没有，我觉得你问的问题都很好。作为一个科学家，我觉得非常 exciting 的地方是，大家都可以看得出来，不管是 enterprise 还是 consumer，creativity seems to be everywhere。
我刚才在台上也分享了，当年我们做 Chain of Thought，也就是思维链研究时，解决的只是小学生的问题，比如一加一等于二，买了 5 个 apple，再买 6 个 apples，一共有多少个 apple？5 加 6 等于 11。当时模型的 accuracy 只有 33%。
现在我们才刚经历了最大模型能够解决 Millennium Prize Problems 的阶段，比如 Navier–Stokes 方程。从这个角度来看，我们现在能够想象的 capability 肯定还不够，它会继续扩展。对科学家来说，这是非常 exciting 的事情。
很多人觉得现在 AI 已经可以把数学做得这么好。如果我们现在要从小培养孩子，他们的时间应该花在数学上吗？还是应该把更多精力放在 AI 解决不了的问题上？
我觉得这个问题有意思的地方在于，快十年前 Google 开发 AlphaGo 的时候，很多人在它跟棋王对决之后就说：“完了，人类以后不下棋了。”结果后来下棋的人反而更多了，想研究围棋的人也更多了。
我觉得数学也一样。很多人会觉得，既然现在能用这种方法解决 Navier–Stokes 方程，以后就没人想学数学了。我觉得可能恰恰相反，会有更多人觉得数学这么有趣，想要去研究它。过去可能有人是为了 exploration，也就是探索知识的边界；现在会有很多其他动机，比如 understanding、entertainment 或者乐趣。所以以后做数学研究的人，可能会更多是出于内心的 curiosity。
有没有可能以前数学的门槛很高，但如果能通过 AI 把数学变成一种工具，很多文科生也可以利用它解决更多、更有创意的问题？
以前学围棋，你得请教练、请老师，还要找棋力相当的朋友一起下棋，花很多时间。现在你拿个手机，就可以下载一些相当不错的围棋 application。它反而带动了围棋界很多学习，小朋友也都在用这些软件，所以事实上激励了很多人。
这也跟 search engine 有关系。当时很多人觉得，大语言模型来了，search engine 就没那么 relevant 了。但 Google 反而看到很多 search application 在增加，而不是减少。所以我觉得还是可以保持一些乐观。当然我不否认，它会改变我们现在既有的很多结构，但也会带来新的可能性。
对。
嗯，非常感谢。
哪里。
非常非常感谢。
谢谢，谢谢。