Google首席AI架構師談Gemini逆風翻盤的18個關鍵

在近期一次罕見訪談中，Google(GOOGL-US) 首席 AI 架構師、DeepMind 首席技術長 Koray Kavukcuoglu 表示，Gemini 專案的真正起點並非技術突破，而是承認自身落後。

他指出，Google 在大型語言模型（LLM）競賽中曾處於「遠遠落後」的狀態，這促使公司從頭重構訓練、產品、工程、組織及安全體系。

Gemini 3 的成功，源自於指令遵從、國際化能力與工具執行的整合，實現了真正「能做事的模型」。

多模態與統一模型則象徵理解世界的新途徑，而 DeepMind 的企業文化、全球規模化基礎設施以及跨部門協作模式，構成 Google 在 2024–2025 年實現技術反超的核心基礎。

從「會回答」到「會行動」，Gemini 展示了科技巨頭如何以結構化工程、產品化思維和真實用戶需求，打造可落地、可持續的 AI 系統。

一、真正的起點不是技術突破，而是承認落後

在訪談中，Kavukcuoglu 直言不諱地說：「當 Gemini 項目開始時，我們離最先進水準還很遠，那是一場追趕。」

分析指出，這不僅是坦承，更是一個認知上的巨大轉折，Google 在大型語言模型的起跑線上，確實是落後的，且是「遠遠落後」。

這迫使 DeepMind 拋棄過去十年的自信，從最基礎的用戶使用場景重新學習。

然而，正是這種自我承認，成為一切變革的源頭。Koray 強調，真正的轉捩點不是單一技術的突破，而是 Google 接受必須從零重建訓練方式、產品設計、工程流程和組織體系。

二、為何中國用戶最先感受到 Gemini 的進步？

訪談一開始，主持人提到一個來自中國用戶的特別回饋：Gemini 3 被形容為「像 Windows XP 一樣穩定好用」。

Kavukcuoglu 興致勃勃地解釋，這並非模型突然「智商暴漲」，而是 Google 終於將「模型 × 使用者介面 × 任務流程」統一整合。

過去的大模型或許「聰明」，卻不「好用」。Gemini 3 的轉折，來自多個方面的改進：

• 使用者介面更加直覺
• 任務拆解更穩定
• 模型更能理解人類意圖
• 產品團隊從訓練階段就介入設計
• 真實用戶數據能直接回饋訓練

換言之，Google 終於開始像一家真正做產品的公司去打造大模型。這也是 Gemini 3 變化最直觀的原因，也解釋了為何中國用戶最先感受到它的進步。

三、Benchmark 正在失效，但真實世界永遠存在需求

外界常批評 Google 的 benchmark 成績起伏不定，但 Kavukcuoglu 的解釋罕見地觸及核心本質：主流 benchmark 正逐漸接近自然上限。

像 GPQA、ARC-AGI 這類「智力測驗題」模型已經能應付，而曾經難度極高的 HLE 測評，也能持續取得提升。

然而，benchmark 可能枯竭，真實世界的需求卻永遠不會消失。學生寫作、科學研究、專業翻譯、跨語境複雜對話、跨語言表達等等，這些場景永遠無法被固定測試集完全覆蓋。

Google 將模型的最終價值從「得分」轉向「能否完成任務」，這正是 Gemini 採取的第一性原理轉變。

四、Gemini 3 核心：讓模型「能幹活」，而非只追求智力提升

從 Gemini 3 開始，Google 明確確立了三個優先能力方向：

首先是指令遵從，模型必須能夠「無二義性地理解並執行用戶的真實意圖」，這對用戶體驗的影響遠超單純提升推理指標。

其次是國際化能力，由於 Google 的用戶遍及 200 多個國家，模型必須理解全球不同文化語境，這已成為能力的核心指標，而非僅是翻譯能力的延伸。

最後是工具調用與程式執行，這是未來代理的基礎能力，模型不僅要理解問題，還需能執行任務、操作工具鏈，並處理工程環境中的真實任務。

這三者結合，形成了 Google 的 Gemini 設計哲學：真正的智慧，不在於「對話更聰明」，而在於「執行更可靠」。

五、為何多模態技術強大的 Google，代理起初卻不好用？

這是主持人問得最尖銳、外界也最想了解的矛盾。Kavukcuoglu 的回答出乎意料地樸實：研究人員可以在實驗室中推進視覺理解，但代理的真正任務並非由研究者想出，而是由用戶的需求「逼出來」的。

真正的代理使用場景來源於各類實際需求，例如創作者的任務流程、學生的寫作過程、工程師的工具操作模式，以及商業用戶的複雜工作需求。

換言之，Google 採取的路線不同於 OpenAI：不是以「炫酷 Demo 為先」，而是以「真實用戶需求為先」。

代理的能力並非靠華麗演示推動，而是靠「每天被百萬用戶實際使用」來驅動成長。

六、Google 真正的反超武器：模型、產品與工程首次統一協作

Kavukcuoglu 多次強調一個過去被低估的事實：Gemini 3 並非「模型團隊」的單打獨鬥勝利，而是「工程、產品、模型、安全」首次從第一天就被統一協作推進的成果。

以往，流程通常是模型訓練完成後，產品團隊才接手，安全團隊在最後進行審核，工程團隊負責部署。

而如今，產品團隊從訓練伊始就參與其中，安全成為訓練目標的一部分，而非後置規則；真實用戶數據（如 AI Studio、AI Overviews、Anti-Gravity）能直接回饋給模型，使用成本、延遲與推理路徑也在訓練階段就被優化。

這一改變，使 Google 首次建立起「模型 × 產品 × 工程」的統一體系，成為其在 2024–2025 年實現真正反超的結構性基礎。

七、Nano Banana Pro 的突破：不只是「畫得更好」，而是「理解世界結構」

外界在評估圖像模型時，往往只關注「清晰度」或「風格」，但 Kavukcuoglu 在訪談中反覆強調，真正的突破在於模型能理解複雜結構：

• 能理解 PDF、表格、圖表等複雜文檔結構
• 具備結構化的視覺推理能力
• 首次能生成「概念一致的資訊圖」

Kavukcuoglu 指出：「當一個模型能把複雜概念準確地用一張資訊圖呈現出來，你就能感受到真正的理解。」

這正是多模態模型的真正價值，也直接指向未來代理的能力發展方向。

八、多模態不是功能疊加，而是真正的「世界模型」入口

Kavukcuoglu 提出了一個簡潔但極具說服力的框架：文本是線性的，視覺是空間的，音頻是時序的。

而真實世界並非僅靠線性序列就能描述，因此，一個真正智慧的模型必須同時具備這三種感知維度。

這也是為什麼 Google 在推進統一多模態模型上，比任何公司都更加堅持，並非因為多模態「更炫酷」，而是因為它構建了理解世界的基礎。

九、統一模型不是「把視覺塞進語言模型」，而是一場架構革命

外界常將「統一模型」視為一種正確趨勢，但 Kavukcuoglu 的解釋更具技術深度。

他指出，文本與圖像的輸出結構本質不同。文本是平面的，而圖像是 2D 的。這意味著訓練方式、損失函數、優化器，以及 token 化方式，都需要重新設計。

統一模型並非僅僅是「時代潮流」，而是一項必須突破的工程極限。Google 的敘事中沒有浪漫，也沒有玄學，只有一道道實實在在的工程難題。

十、DeepMind 的文化基因：謙遜、科學與大規模協作

這部分是整場訪談中最具「人味」的內容。Kavukcuoglu 指出，DeepMind 的文化主要由三個核心元素構成：

• 科學心態：所有問題都回到實驗與學習，而非沿襲既有路徑。
• 謙遜 ：「我們不知道終極配方」並非客套話，而是一種策略。
• 協作能力 ：從 25 人撰寫論文，到 2500 人共同推進單一模型，協作是核心。

當一家公司試圖從科研轉向工程、再從工程轉向產品時，這種文化結構變得至關重要，是推動 Gemini 項目成功的底層基因。

十一、規模：Google 的最大挑戰，也是最強武器

Kavukcuoglu 承認，規模越大，一致性管理越困難，但規模本身同時也是推進力。

Google 能夠同時推動統一模型、多產品落地、跨部門協作、全球化數據管線，以及超大規模的訓練與部署，正是因為擁有世界上最成熟的基礎設施鏈路。

過去兩年，這條基礎設施從「沉睡」狀態恢復為「主力」，重啟了 Google 的攻勢。

十二、安全：不是限制，而是訓練能力

Google 與 OpenAI 在安全策略上的最大差異，不在於嚴格程度，而在於方式。

Google 將安全設計融入訓練過程，而非事後加上過濾器。這是確保模型可靠性的關鍵，同時天然適配 Google 的大規模基礎設施。

十三、統一模型與專用模型：不是路線之爭，而是成本與效率的抉擇

Kavukcuoglu 表示，這不是意識形態問題，而是效率問題。

未來統一模型與專用模型將並存，Google 的策略是「用最合適的工具做最合適的任務」，而非堅持單一範式。

這種務實態度，正是 Google 過去缺失、如今重新找到的重要品質。

十四、Google 的真正底氣：基礎設施的重新激活

Kavukcuoglu 表示：「我們能成功，不是因為更聰明，而是因為基礎設施足夠強。」這句話揭示了大模型時代的一個底層事實，智慧的規模化並非依靠天才，而是依靠完善的管線。

能夠訓練、部署、更新、處理全球數據，並保持安全一致性的，核心在於基礎設施，而非算法本身。

十五、沒有單一路徑，也不依賴「持續擴參」

Kavukcuoglu 說：「我們不知道最終配方。」其潛台詞是：擴參並非終局，統一模型不是最終答案，多模態也不是最終形態。

未來模型的發展路線仍遠未定型。這種「帶著不確定性前行」的態度，反而比某些公司聲稱的「xxx 是通往 AGI 的唯一路徑」更具長久生命力。

十六、下一階段的重點：推理、執行與真正自主性

Gemini 3 的故事才剛開始。Google 下一步的目標包括深層推理、多步任務執行，以及在複雜場景下的穩健性。

從「會回答」到「會行動」是整個行業的共同方向，而 Google 已為內部設計了相對清晰的發展路徑。

十七、Google 內部時間分配：研究 × 工程 × 產品等權推進

Kavukcuoglu 透露，團隊的時間分配不是以研究優先，而是研究、工程與產品三者等權。

這意味著模型從訓練到使用的全過程統一推進，而非線性流程。這正是 Gemini 模型「真正可用」的關鍵原因。

十八、Gemini：全公司規模的「科學工程項目」

在訪談的最後，Kavukcuoglu 用「全公司的科學工程任務」來形容 Gemini 的誕生。

這更像是一個內部視角的注腳：模型的進步源自結構性的調整，而這種調整本身比模型本身更具挑戰性。

訓練、數據、工程、產品、安全與協作等各環節重新對齊，才成就了今天的 Gemini。

過去兩年，Google 並非在尋找捷徑，而是在恢復整個體系應有的速度與一致性。當這些基礎再次穩固，一種屬於 Google 的節奏，也隨之重新出現。