提到AI領(lǐng)域的傳奇人物，Jeff Dean絕對是繞不開的名字。作為谷歌首席人工智能科學(xué)家，Gemini模型的核心推動者，他的簡歷幾乎就是一部現(xiàn)代AI的發(fā)展史——2000年代初重寫谷歌搜索全棧，重啟萬億參數(shù)稀疏模型，主導(dǎo)TPU與前沿機(jī)器學(xué)習(xí)的協(xié)同設(shè)計，低調(diào)地塑造了現(xiàn)代AI技術(shù)棧的每一層。近日，這位“計算機(jī)歷史上最高產(chǎn)的工程師之一”接受了深度訪談，拋出了一系列顛覆性觀點(diǎn)：未來人均能擁有50個虛擬實習(xí)生，大一統(tǒng)模型時代來臨，領(lǐng)域?qū)＜一驅(qū)⒉辉俦匦瑁踔聊Ｐ椭R能像下載軟件包一樣“安裝”。這些言論不僅刷新了人們對AI的認(rèn)知，更勾勒出了幾年后AI與人類共生的全新圖景，讀懂他的預(yù)判，就等于提前看到了AI的下一個十年。

一、核心預(yù)判1：大一統(tǒng)模型來了，不用再依賴領(lǐng)域?qū)＜?/p>

在訪談中，Jeff Dean最引人熱議的觀點(diǎn)，莫過于“大一統(tǒng)模型時代已至，不再需要領(lǐng)域?qū)＜摇?。放在以前，要解決不同領(lǐng)域的問題，得針對性訓(xùn)練專用模型——做語音識別一個模型，做圖像識別一個模型，做醫(yī)療分析又得另起爐灶，還得有對應(yīng)的領(lǐng)域?qū)＜野芽丶?xì)節(jié)。但現(xiàn)在，情況徹底變了。

Jeff Dean解釋說，現(xiàn)在的通用大模型能力已經(jīng)足夠強(qiáng)，哪怕是以前需要專屬系統(tǒng)才能解決的難題，比如國際奧數(shù)題，現(xiàn)在只要用一個統(tǒng)一的Gemini模型，多給一點(diǎn)推理資源，就能輕松搞定。更有意思的是，訓(xùn)練模型的人甚至不需要懂奧數(shù)規(guī)則，只要掌握通用的機(jī)器學(xué)習(xí)技能，有足夠的數(shù)據(jù)和算力，就能完成任務(wù)。

這并不是說專用模型沒用了，而是未來會形成“通用基座+模塊化專用模型”的組合。就像我們手機(jī)裝軟件一樣，模型也能“安裝”不同的知識模塊——需要處理醫(yī)療問題，就裝上醫(yī)療模塊；需要應(yīng)對機(jī)器人任務(wù)，就啟用機(jī)器人模塊；200多種語言的能力，也能隨時調(diào)用。這種“可安裝”的知識模式，讓通用模型能靈活適配各種場景，自然也就不再需要依賴單一領(lǐng)域的專家。

二、核心預(yù)判2：未來人均50個虛擬實習(xí)生，干活效率翻倍

作為頂級工程師，Jeff Dean也大方分享了自己用AI寫代碼的體驗，更透露了一個讓人眼前一亮的預(yù)判：未來，每個人都可能擁有50個虛擬實習(xí)生。

他說，現(xiàn)在的AI代碼工具已經(jīng)比一兩年前強(qiáng)太多，不僅能寫基礎(chǔ)代碼，還能幫忙 brainstorm 性能優(yōu)化思路、寫完備的測試用例。但未來的AI智能體，會比現(xiàn)在更強(qiáng)大，更像“實習(xí)生”——能自主完成分配的任務(wù)，還能組成小組協(xié)同工作。比如你有50個虛擬實習(xí)生，不用一個個對接，只要把他們分成5個小組，明確每個小組的任務(wù)，就能高效推進(jìn)工作。

有人擔(dān)心，這么多虛擬實習(xí)生會增加管理成本，還可能讓人類團(tuán)隊變得孤立。但Jeff Dean并不這么認(rèn)為，他覺得這反而會提升人類的協(xié)作效率。以前50個人的團(tuán)隊，需要層級化管理，各組之間溝通成本很高；但未來5個人，每人管理50個虛擬實習(xí)生，這5個人之間的溝通會更順暢，協(xié)作效率也會更高。更重要的是，和虛擬實習(xí)生配合，會倒逼人類變得更擅長清晰、無歧義地描述需求——這不管對工程師還是普通人，都是一項非常實用的技能。

三、不為人知的細(xì)節(jié)：谷歌AI的“雙軌思路”與能耗密碼

除了對未來的預(yù)判，Jeff Dean還透露了谷歌內(nèi)部做AI的核心邏輯，其中很多細(xì)節(jié)都打破了外界的認(rèn)知。比如大家都知道Gemini有Flash、Pro、Ultra三個版本，但很少有人知道，這背后是谷歌“沖前沿+落地部署”的雙軌思路。

他說，谷歌一邊在全力研發(fā)Ultra這種高端前沿模型，用來解決深度推理、復(fù)雜數(shù)學(xué)問題等難題，因為只有推動前沿，才能發(fā)現(xiàn)新的AI能力；另一邊，又通過“蒸餾”技術(shù)，把前沿模型的能力“壓縮”到Flash這種輕量模型里——成本更低、延遲更低，能適配Gmail、YouTube、搜索等各種日常場景。而且這種“雙軌”是相輔相成的，沒有前沿模型，就沒法蒸餾出高性能的輕量模型；沒有輕量模型，前沿模型的能力也沒法普及到數(shù)十億用戶手中。

還有一個讓人意外的點(diǎn)，就是Jeff Dean對“能耗”的重視，甚至超過了算力。他舉了一個很直觀的例子：在芯片上，把一個模型參數(shù)從片上SRAM傳到乘法單元，要消耗1000皮焦的能量，而一次乘法運(yùn)算，只需要1皮焦。這就是為什么AI加速器一定要用“批處理”——把一個參數(shù)重復(fù)用很多次，才能攤薄能耗成本。他還透露，未來AI的核心瓶頸不是算力，而是能耗，谷歌正在通過TPU芯片的協(xié)同設(shè)計，以及極低精度訓(xùn)練等方式，解決這個問題。

更有意思的是，TPU的設(shè)計和AI模型的架構(gòu)，其實是“互相成就”的。有時候，谷歌會因為TPU的硬件設(shè)計，反過來調(diào)整模型架構(gòu)，讓模型在現(xiàn)有硬件上跑得更高效；有時候，又會根據(jù)未來AI模型的發(fā)展方向，提前2-6年設(shè)計下一代TPU——畢竟一顆芯片從設(shè)計到投入使用，至少需要兩三年時間，必須提前預(yù)判未來的需求。

四、未來可期：萬億token處理+個性化模型，AI會更“懂你”

在訪談的最后，Jeff Dean還分享了兩個他最看好的AI發(fā)展方向，每一個都可能改變我們的生活。

第一個是“萬億token處理能力”——未來的AI，不用真的把整個互聯(lián)網(wǎng)的內(nèi)容都放進(jìn)上下文，而是通過“篩選+精排”的方式，營造出“能處理萬億token”的效果。比如先用水輕量模型篩選出3萬個相關(guān)文檔，再精挑細(xì)選出100多個核心內(nèi)容，最后用最強(qiáng)的模型深度分析，這樣既能覆蓋全網(wǎng)信息，又能保證效率。

第二個方向，是個性化模型。他認(rèn)為，未來能訪問你所有授權(quán)數(shù)據(jù)——郵件、照片、文檔、機(jī)票信息等——的個性化AI，會比通用AI更有價值。它能記住你的習(xí)慣，關(guān)聯(lián)你的所有信息，幫你處理更個性化的任務(wù)，比如整理專屬的工作周報、規(guī)劃私人行程，甚至幫你分析個人的消費(fèi)習(xí)慣。這種“懂你”的AI，會成為每個人的專屬助手。

除此之外，他還預(yù)測，未來AI的延遲會大幅降低，甚至能突破10000 token/秒。到那時候，人類可能不用再逐行讀代碼，AI能在背后完成9000 token的推理，最終輸出1000 token的高質(zhì)量代碼，效率會提升一個量級。

五、AI 不取代人類，只做我們的 “高效助手”

從8歲開始琢磨神經(jīng)網(wǎng)絡(luò)，到主導(dǎo)谷歌AI的每一次重大突破，Jeff Dean的職業(yè)生涯，始終走在AI發(fā)展的前沿。他的預(yù)判，從來不是空穴來風(fēng)，而是基于幾十年的技術(shù)積累和對行業(yè)的深刻洞察。這次訪談中，他拋出的每一個觀點(diǎn)——大一統(tǒng)模型、虛擬實習(xí)生、可安裝知識模塊、能耗優(yōu)先——都在告訴我們：AI的下一個時代，不是“更強(qiáng)大”，而是“更實用、更高效、更懂你”。

有人擔(dān)心，AI的發(fā)展會取代人類的工作，但Jeff Dean的話給了我們答案：AI不是來取代人類的，而是來輔助人類的。

未來，領(lǐng)域?qū)＜业慕巧珪恢貥?gòu)，普通人的工作效率會被AI翻倍，我們會有更多時間去做AI做不到的事情——創(chuàng)新、思考、創(chuàng)造?；蛟S用不了幾年，人均50個虛擬實習(xí)生就會成為現(xiàn)實，而我們現(xiàn)在要做的，就是讀懂AI的發(fā)展趨勢，做好準(zhǔn)備，與AI共生共成長。