谷歌宁愿少卖云算力，也要先把算力留给 Gemini：皮查伊罕见长访谈，披露 AI 自我改进与算力争夺内幕

谷歌内部由AI生成的代码占比是多少？去年，首席执行官桑达尔·皮查伊（Sundar Pichai）曾给出一个具体数字：25%。但当主持人再次询问这一比例时，他的答复有了变化：“这个数字已经没有太大意义。”

因为AI已全面融入谷歌的代码开发流程。Gemini 4 Argon发布后的四周内，谷歌的代码变更提交量上升了约30%，回滚次数降低了约三分之一，开发人员开始利用Gemini 4 Argon处理涉及数百万行代码的复杂项目。相较于AI编写代码的具体比例，谷歌现在更关注代码变更量、回滚情况等指标。在皮查伊看来，这些变化更能体现AI对开发效率和质量的影响。

近日，皮查伊做客Big Technology Podcast，与主持人Alex Kantrowitz探讨了谷歌在AI竞争中的投入与取舍。新上线的Gemini 4 Argon，在前72小时内的使用量接近25万亿Token，大约是Gemini 3.0同期的三倍，但算力供应无法满足需求。外界曾一度认为谷歌可能放弃AI前沿竞争，转而专注于将能力足够的模型整合到现有产品中，但皮查伊的回应很直接：“这个判断错得离谱。”皮查伊透露，为保障前沿模型研发，谷歌已将算力优先分配给AI研究团队，云业务也因此让渡了一部分短期收入。

除了模型研发与算力争夺，他还谈到了AI参与模型开发、持续运行的个人智能体、世界模型，以及谷歌如何应对来自OpenAI的竞争。以下是本次访谈的整理内容。

太长不看版：

Alex：外界曾认为，谷歌不再追求最前沿的AI，模型够用就好。但Argon的推出说明，事实并非如此？

**Pichai：**这个判断错得离谱。追求技术前沿一直是谷歌的核心目标。Argon上线后的前72小时，使用量接近25万亿Token，约为Gemini 3.0同期的三倍。我们对它的表现很满意，也看到了需要改进的地方，会继续提升它的能力。

Alex：有人认为，普通模型就足以做好地图、Gmail和搜索，只有生物学研究等特定任务才需要前沿模型。谷歌为什么还要追求最前沿的能力？

**Pichai：**我们希望持续推动技术进步。部分云客户需要前沿模型，更强的模型也能帮助开发下一代模型。Argon在内部已经解决了一些过去模型处理不了的问题。当然，不同规模、不同能力的模型都有适用场景，我们也会继续投入。

Alex：你说，站在技术前沿能让你更早看到未来。那么，你已经看到了哪些即将到来的变化？

**Pichai：**我们一直在研究让智能体持续执行长时间任务，接下来还会走向多个智能体相互协作。未来，个人用户和企业用户都可能拥有持续为自己工作的多智能体系统。

Alex：模型还不能完全按照人的意愿行事，我们却在追求递归式自我改进，让它们更快地提升能力。我感到担忧，是不是应该采取措施，让科技行业在这件事上冷静一些？

**Pichai：**担忧是合理的，但首先要分清当前的发展阶段。目前，是智能体协助研究人员开发模型，仍然有人类参与，距离完全自主的递归式自我改进还很远。安全也不能只依靠对齐，还需要实时监测、沙箱隔离、异常干预和客户控制权。下一步，行业需要更完善的标准、独立评估，以及监管的参与。

Alex：有些机构把大语言模型视为通向AGI的主要道路，而谷歌还在同时推进世界模型研究。为什么你认为这条路线也很重要？

**Pichai：**理解物理规律、准确模拟现实世界，是发展智能的重要基础。Argon在具身推理上的表现，也得益于世界模型研究积累的经验。未来，这些能力可能通过新的架构融合起来，我们希望在不同的技术路径上都保持领先。

Alex：云业务希望通过对外出售算力获得利润，AI研究则需要大规模计算资源来开发最好的模型。你如何在这两方面分配算力？

**Pichai：**首先保障前沿AI研究和模型开发，再根据各项业务的长期规划、需求预测和合同安排算力。前沿研发所需的资源必须得到保障，这是我们的首要原则。

Alex：如果你真的相信AI的影响会像火和电一样深远，那么，即使牺牲云业务等业务的眼前利润，是不是也应该给研究人员提供尽可能大规模的计算资源？

**Pichai：**我们已经在不同程度上这样做了，云业务也因此放弃了部分短期收入。不过，适当的约束也能激发创造力，推动算法效率的突破。我们的原则，是确保投入足够的资源，保持前沿地位。

Alex：Greg Brockman认为，足够聪明的AI应该让人直接通过交谈表达需求，减少对屏幕和按钮的依赖。你怎么看AI时代的交互界面？

**Pichai：**技术应该适应人的生活习惯，让交互尽可能自然顺畅。但界面仍然有作用，比如观看视频、欣赏AI创作的内容。关键是减少用户为了使用技术而付出的精力。

Alex：谷歌有类似Muse、Dots的产品吗，或者是否准备开发一款与它们竞争的新产品？

**Pichai：**我们对Gemini的目标，就是把它打造成了解个人需求、能够主动提供帮助的强大助手。用户只需要提出需求，不必先区分是在聊天还是交办任务，它会采取合适的方式，在后台持续执行，并在不同产品中提供连贯的体验。

Alex：你之前说过，谷歌内部有25%的代码由AI编写。现在这个比例是多少？

**Pichai：**这个比例已经不太有意义，因为AI深度参与了开发工作。我们更关注效率和质量：Argon发布后的四周内，代码变更提交量增加约30%，回滚减少约三分之一，开发人员也开始用它处理涉及数百万行代码的复杂项目。

Alex：有没有哪个尚未取得突破的AI研究方向，是谷歌正在重点攻克的？比如，让模型发布之后仍能持续学习和更新？

**Pichai：**我们正在并行探索合成数据、持续学习、更高效的架构和世界模型等方向，并投入相当一部分算力。其中一些研究成果会直接应用到主要模型中。

1 谷歌放弃AI前沿竞争？Pichai：这个判断错得很离谱

**Alex：**今天，我们邀请到Alphabet首席执行官Sundar Pichai，聊聊谷歌如何参与AI前沿竞争，如何平衡前沿AI研究与云业务的资源投入，以及未来的交互界面会是什么样子。Sundar今天来到了我们位于山景城的演播室。Sundar，很高兴见到你，欢迎来到节目。

**Pichai：**谢谢你，Alex，很高兴来到这里。

**Alex：**随着Gemini 4 Argon的推出，谷歌重新回到了AI前沿。用直白的话说，这是一个处于世界领先水平的模型，刷新了多项基准测试成绩，在编程、数学、科学和知识工作等多项测试中，超过了OpenAI和Anthropic已经公开的模型。此前，外界普遍认为，谷歌基本上已经放弃了前沿竞争，打算开发一些速度快、能力够用的模型，再把它们应用到自家的产品中，不再追求最前沿的AI。但事实证明，这种判断是错误的。

**Pichai：**而且错得很离谱。我们始终非常坚定地要站在技术前沿，追求技术前沿可以说是我们骨子里的东西，我们一直都是这样做的。十多年来，我们一直在思考AI前沿的发展。这个领域变化很快，竞争非常激烈，也令人兴奋。

我对Argon的最终表现非常满意。在开发过程中，我们没有急于求成，而是确保充分开展安全测试，谨慎地部署。考虑到它的能力，我们在它身上花的时间比其他模型更长一些。但整体来看，无论是智能体任务、知识工作、编程，还是创意任务，我认为Argon都是非常出色的前沿模型之一。

上线后的前72小时，它的使用量就已经接近25万亿Token，差不多是Gemini 3.0上线后前72小时的三倍。目前，我们在提供服务时仍然受到容量限制。我们对此很兴奋，但也始终有一些地方需要改进。AI前沿变化很快，我们需要不断改进模型。我们也看到了Argon还有哪些方面做得不够好，接下来会继续做好这些方面的工作。

**Alex：**具体是哪些方面？

**Pichai：**拿Argon来说，如果和两个月前的模型水平相比，它在各个方面都已经有了提升。但这个领域变化得很快。即使是编程，有些地方也还需要做得更好。我们也收到了明确的反馈，会针对这些问题继续改进。

**Alex：**那我换个角度，说说为什么有人认为，对谷歌来说，普通模型可能就已经够用了。我来复述一下他们的理由。

**Pichai：**好的。

**Alex：**现在很多普通模型已经足够强，Meta的Muse就是一个例子。有人认为，谷歌也完全可以用这些模型做好地图、Gmail和搜索，把最前沿的能力留给生物学研究等特定领域。为什么谷歌还要坚持追求最强模型？

**Pichai：**我一直都不是这样看待这件事的。我们始终致力于不断提高技术水平，探索这项技术究竟能发展到什么程度。从Transformer开始，我们就一直在朝这个方向努力，今后也会继续这样做。

我们很幸运，无论面向个人用户还是企业，都有很多可以应用这些技术的机会。有些云客户确实需要最前沿的模型。而且，在递归式自我改进的时代，前沿模型能够更好地帮助开发下一代模型，因此，保持前沿能力在这方面也很重要。在内部，把Argon提供给开发人员之后，我们确实感受到了明显的变化：它能够处理一些过去的模型解决不了的问题。所以，站在技术前沿，也就让你站到了创新前沿，能够帮助你继续推动创新。

不同规模、不同能力的模型，都有各自适用的场景。我们一直这样认为，所以才会开发Flash、Flash-Lite等模型。我也同意，不一定非要使用最前沿的模型，才能做出很好的产品体验，毕竟这些前沿模型通常也更慢、更贵。不过，我们也很重视前沿技术的进步，因此，这些方向我们都会继续投入。

**Alex：**你刚才说，开发前沿模型，能让你更早看到未来的发展方向。那么，你看到了哪些即将到来的变化？

**Pichai：**现在之所以这么令人兴奋，是因为经过几个月的努力，你终于把成果做出来、发布出去，而这时，你已经能清楚地看到，接下来还可以往哪些方向继续探索。

我们一直在努力，让智能体能够持续执行较长时间的任务。很显然，接下来前沿关注的领域，是让多个这样的智能体相互协作，共同完成任务。这就是一种正在形成、令人期待的新范式。我也很清楚地看到，未来无论是个人用户还是企业用户，都会拥有某种多智能体框架，让这些智能体持续为他们运行、处理事情。所以，你会觉得，这是一个充满无限可能的时刻。

2 让模型参与研发，也让模型理解世界

**Alex：**你提到了递归式自我改进，也就是让模型自己改进自己。这个过程甚至可能不需要人类参与。有人把它称为“智能爆炸”，仿佛“砰”的一声，AI就突然具备了超越人类的能力。我记得，Sergey在和DeepMind研究人员的一次圆桌交流中谈到，Argon的核心创新之一，就是更多地依靠模型来帮助开发模型。

但最近AI模型出现的那些情况，我们也都看到了。它们在对齐方面已经做得不错，但仍然存在偏差，而这些偏差可能带来很大的问题。科技界已经传开了Hugging Face遭入侵的事件，越来越多的公众也逐渐了解：OpenAI的AI智能体突破了隔离限制，入侵了Hugging Face，做出了一些很出格的行为。谷歌也出现过类似情况，你们的AI智能体获得了不该获得的访问权限，后来，它们停止了这些行为。

但是，已经有足够多的证据表明，这些模型并不总是完全按照我们的意愿行事。在这种情况下，继续追求递归式自我改进，甚至只是让模型以更快的速度进步，这个想法都会让我感到不安，甚至害怕。你不觉得，大家有这样的担忧是合理的吗？是不是应该采取一些措施，让科技行业在这件事上冷静一点？

**Pichai：**你的问题可以分成三个部分来回答。先说RSI，也就是递归式自我改进本身。你说得对，Sergey确实提到，RSI在Argon的开发过程中发挥了重要作用。但有一点需要说清楚：如果把RSI的发展看作一个逐步推进的过程，我们现在距离它的最终形态还很远。更准确地说，目前模型开发中的一些环节已经在利用AI来帮助改进模型，但这个过程仍然有研究人员参与。你可以理解为，智能体通过一定程度的自动化，协助AI研究人员，一起完成模型开发。我认为，至少应该先弄清楚，我们目前究竟处在什么阶段。我预计，到了明年，RSI还会继续取得进展。

第二个问题是安全。安全需要依靠多层防护，也就是纵深防御。你刚才谈到了对齐，我们都在做大量工作，尽可能确保模型与我们的意图保持一致。但对齐仍然是一个需要持续研究的问题，目前也确实存在明显的不足。不过，我们并不是只依靠对齐来保障安全。

除此之外，我们还投入了大量精力，实时监测模型运行时的行为，通过遥测数据充分了解正在发生什么，确保一旦发现异常行为，就能及时介入。具体如何实施、采用什么样的架构，以及如何通过沙箱和隔离机制，在实时监测的同时让模型继续完成任务，都是我们正在投入的方向。如何做到这一点，采用什么样的架构，如何确保相关环节在沙箱中运行并得到隔离，让监测系统在实时监控期间仍然能够持续履行自己的职责，这些都是我们正在投入的方向。

当然，在部署模型时，我们也会让企业客户拥有相应的控制权，包括实时监测模型，以及自行决定模型部署在哪里、可以访问哪些类型的数据。这些工作都非常重要，我们正在大力推进。所以，整个行业都需要不断提高安全水平，花足够的时间把这些工作做好，也要投入必要的算力，确保模型能够安全部署。

第三个问题是，做了这些究竟够不够。这也是行业内不断讨论的问题。我认为，有担忧是合理的，但面对这些担忧，正确的做法是尽早思考，我们还能做些什么。你也确实能看到，整个行业在对齐、安全测试等方面开展的工作越来越多。随着这些模型投入使用，我认为下一步应该制定更完善的标准，让整个行业有共同遵循的规范，包括引入独立评估者开展评估。比如在财务管理领域，我们有会计准则，也有独立审计机构。对AI行业来说，这些都是接下来应该推进的工作。在这个过程中，监管最终也会发挥作用。

**Alex：**接下来问一个技术问题。谷歌有一点比较特别：你们既在沿着Transformer开启的方向研究大语言模型，也在推进世界模型研究。有些AI研究机构，比如OpenAI，基本上已经认定大语言模型就是通向AGI的道路，并且收缩了部分世界模型研究，也就是那些试图理解物理世界的AI模型研究。但你们在同时推进这两个方向。能不能谈谈，为什么你认为世界模型的研究很重要？

**Pichai：**人会感知周围的世界，从中获取各种信息。我认为，让模型理解物理规律、准确地模拟现实世界，都是发展智能所必需的基础能力。我们也在探索这项技术各种可能的应用。拿机器人来说，Argon在具身推理测试中的领先表现并不是偶然的。它在其中多项测试中都达到了目前最先进的水平，这也得益于我们开发世界模型积累的经验。我预计，未来会出现能够把这些能力融合起来的架构。但目前，智能前沿在各个方向的发展还不均衡，我们则希望在各种可能的技术路径上都保持领先。我认为，这会帮助我们开展更好的研究，加深我们对智能的理解，并开发出更好的AGI模型。这就是我们的考虑。

**Alex：**是的，Argon发布之后，我看了你的推特，上面几乎都是现实世界里的应用，而不只是文本或者模型生成文本之类的例子。

3 算力先给谁？谷歌愿为前沿AI放弃部分云业务收入

**Alex：**算力是你们最宝贵的资源，有人和我说，谷歌应该退出AI研究，直接把自己的云计算资源和芯片拿去卖就行，英伟达就是一个例子。一方面，云业务希望通过对外出售算力获取较高的利润；另一方面，AI研究又需要规模足够大的计算系统，才能开发出最好的AI，两者在算力分配上存在拉扯。你曾说过你工作中的一个重要部分，就是决定如何分配算力。那么，你具体是怎么做，如何平衡这两方面的需求？

**Pichai：**对我们来说，首先要确保投入足够的算力，保持我们站在AI前沿的地位。2015年，我就把公司的方向定为“AI优先”。因此，从搜索到云，再到Waymo，AI都是贯穿我们所有业务的一项关键基础能力。

因此，我们首先要保证，无论是开展研究，还是开发模型，都有足够的算力。在此基础上，我们再为各项业务安排算力。每项业务都有自己的长期规划。它们会根据这些规划预测未来的需求。比如，云团队有业务预测，有客户需求，也有已经签订的合同。这些信息都能帮助我们规划云业务长期的算力投入。

我们很幸运，有这么多可以发展的业务。不过我认为，世界上没有哪家公司完全不需要作出取舍。我们遵循的首要原则，是确保有足够的算力支持前沿AI研发。这一点必须得到保障，其他业务的安排都以此为基础。还要考虑到，我们在建设自己的计算基础设施和数据中心，这些设施的建设周期很长，需要提前规划。因此，我们今天拥有多少算力，取决于我在2024年作出的决策。哪怕只是回想一年前，那时智能体编程还没有迎来爆发。今天再看，显然大家的算力都不够，不只是我们，其他公司也一样。每个人都希望，当初规划的算力规模能再翻一倍。

我认为，这是我们在这个行业里必然要面对的问题。我们始终需要提前规划未来两到三年的算力需求，但两年后，随着技术的发展再回头看，可能就会发现，当初有些决策并不是最优的。我不会花太多时间纠结这些事情。我分配算力的思路，是先确保Google DeepMind在开展研究和开发前沿模型时，能够获得最先进的算力支持，然后再为各项业务作出安排。同时，像我们现在这样，把算力也提供给其他公司，是一件很好的事。这既能帮助我们扩大规模，也能让相关技术在尽可能广泛的实际应用中得到检验，确保我们在AI技术栈的每一层都保持领先。

**Alex：**有一期播客Ben Horowitz转述Andy Jassy的话，大意是算力已经卖到2028年了。你所看到的情况也是这样吗？

**Pichai：**我认为，这样说基本符合实际情况。如果今天有客户来找我们，希望预订2027年的算力，我们很难满足这样的需求。去年，我们还专门租用了一些短期算力，部分原因就是为了满足一些客户的需求，帮他们解决眼前的问题。所以，我认为大家面临的算力供应周期都差不多。

**Alex：**有人说，每一次技术变革都会出现过度建设，比如铁路和光纤。这一轮AI基础设施建设，是不是也存在同样的问题？

**Pichai：**这要看你从多长的时间跨度来判断。如果从更长远的角度来看，现在这样的建设规模，在我看来完全合理。我们正处在有史以来影响最深远的一项技术发展的早期阶段。而且，这和当年的光纤不同，我们建成的算力设施正在实际使用，每天都面临容量不足的问题。应用在不断发展，底层技术也在快速进步。不过，作为一家公司的经营者，我在作决策时，会看实际的需求，看已经签订的合同所对应的收入，再结合底层技术能力、内部评估、我们自己的使用情况，以及模型能力的发展趋势，来规划算力建设。我们既要有信心、积极投入，也要保持审慎，合理安排。

但如果放眼整个经济环境，不同参与者承担的风险差别很大，我很难对所有人的情况作出判断。我会专注于公司能够控制的事情，并据此作出规划。如果你