大家好，这里是最佳拍档，我是大飞。如今的AI已经能写代码、生成界面，甚至帮科学家提出研究和证明假设了。但是你有没有想过，下一次真正的突破会发生在哪里呢？是继续堆更多的卡、喂更多的数据，还是会出现一条完全不同的路呢？最近我看了一期Google Research的播客，主持人西尼德·博维尔（Sinéad Bovell）对话了Google Research的负责人约西·马蒂亚斯（Yossi Matias）。

马蒂亚斯拿过理论计算机科学领域的哥德尔奖，Google Trends、搜索自动补全、还有最早的对话式AI系统Duplex背后都有他的推动。这期播客聊的范围很广，从模型架构到科学发现，从洪水预测到量子计算。但贯穿始终的是同一个问题：当AI把执行工作的成本压得越来越低，人类应该提出什么问题？又该怎么判断答案对不对？马蒂亚斯开场说的一句话让我印象很深，他说我们正处在一个研究的黄金时代。

过去从来没有任何一个时代能够像今天这样，让我们真正去想象未来，并以现在的速度和规模把它变成现实。现在他们关注的范围非常广：从基础机器学习、新算法，到医疗健康、气候、教育、科学发现，当然还有生成式AI。甚至量子计算也在探索范围内。马蒂亚斯有一个很有意思的观察：技术的进步不是简单地从过去的一切中线性外推的。

真正美妙的地方在于预测接下来会发生什么，不只是看未来三个月、六个月能做到什么，还要看更远的视野：看拐角之后有什么？看哪些事情即将成为可能。他们内部有一种很有意思的动态，无论取得了什么突破、什么进步，这些都会成为一层新的基础，然后在此之上继续迈向下一层。比如对话式AI就是这样一个例子：大约十年前，马蒂亚斯逐渐意识到对话体验将会成为现实。

他们已经站在实现它的门槛上了，因为当时语音处理已经变得越来越好，早期的语音合成技术也在出现。为什么对话体验这么重要？马蒂亚斯说：“因为这就是我们彼此沟通的方式，它才是终极的用户界面。”Duplex就是这样一个产物。到现在为止，借助Duplex技术通过致电商家询问营业时间等信息，已经促成了超过一万亿次商业信息查询。

这还不只是对话体验。另一个重要方向是消除不同模态之间的障碍，比如在文本、图片和视频之间转换内容。通过多模态的方式跨越不同语言实现交流，消除语言障碍，这些现在对我们来说已经变得理所当然了。马蒂亚斯提了一个概念叫“环境智能”（ambient intelligence），意思是AI最成熟的状态是人们根本注意不到它的存在。

就像电一样，你默认它就在那儿；AI也会变成这样：好到你把它视为理所当然，然后继续去关注别的事情。先进的技术和魔法几乎无法区分，但只要你体验过几次它就不再是魔法了。它不会直接默认它本来就能工作，然后去探索下一件事。那这个环境智能的愿景具体怎么落地呢？其中一个方向是生成式用户界面（Generative UI）。

简单说就是，AI不光生成内容，还能判断用什么方式把内容呈现给你最好。比如你问一个视觉相关的问题它就给你看图片，你问一个算法它直接给你写一段代码再加一个交互模拟。你问分形是什么，它把生成代码写出来还让你调参数自己探索。教育也可以这么做：你想给一个十岁的孩子讲二次方程，最好的方式可能不是念公式而是让他看一个人投篮。

然后展示投篮的抛物线和二次方程之间的关系。Google做了一个叫Learn Your Way的实验就在探索这件事，根据一个人的年龄、语言、兴趣用不同的方式来解释同一个知识点。这是一个挺大的转变：以前是“我把信息展示给你”，以后是“我以最适合你的方式把信息呈现给你”。界面不再是静态的、标准化的，而是会跟着你的问题、你的语境、甚至你用的设备一起变化。

聊到这里，主持人问了一个问题：如果从技术层面来说，要实现刚才描述的环境智能和生成式UI的愿景究竟还需要发生什么？现在整个行业都在谈缩放定律，都说我们正在触及预训练的极限，不能再指望投入更大的数据集、更多的算力就能继续看到进步。那从架构的角度来说是不是需要一种不同的架构呢？马蒂亚斯的看法不太一样，他说现在很多讨论都在问今天的方法究竟有怎样的极限。

我们是不是已经触及了这个极限？但是某种意义上，人们似乎忽略了一个事实：就在几年前，我们甚至还没有今天这样的架构。那为什么我们要假设这就是唯一可能的路径呢？生成式AI还有很多领域需要进一步的工作和研究，比如如何让模型更高效、更事实准确、更可信。Google从2021年就开始推进这方面的研究，2022年还发布了专门的基准测试用来衡量大模型的功能性和一致性。

推理能力提升、多模态工作能力这些方向现在都在快速进步。他拿投机解码（speculative decoding）举例，几年前Google提出了这种针对大语言模型推理的优化算法。在不牺牲质量的前提下，推理效率直接翻了两倍多。现在基于这个思路已经衍生出了几百种的变体，大家甚至已经把这种加速能力当成理所当然的了。马蒂亚斯说他还在等更多的创新：等10倍、100倍的提升，等新架构出现。

研究最有意思的地方就在这里：不只是把已有的东西不断拉伸，而是提出全新的方法。他还从来没见过哪个结论能真正证明这件事做不到的。所以每一次进步本身又会成为新的基准，就像你爬上了一层楼抬头一看上面还有更高的楼。那我们现在到底处在AI发展的什么阶段呢？马蒂亚斯的回答有一种很有意思的二元性：一方面跟几年前比进展已经大到不可思议，另一方面我们又很难预测接下来会走向哪里。

因为现在我们已经在用AI来加速AI的研究了，AI本身就在推动自己的发展。从很多方面来看我们仍然处在早期，预测未来很难尤其是预测技术的未来。但有一点是确定的：巨大的进步还在持续而且会影响方方面面。接下来两人聊到了科学，AI究竟会怎么改变科学研究？马蒂亚斯说现在最令人兴奋的进展之一是AI在加速科学发现本身。

不只是用AI来解决某个具体问题，而是用AI来为整套科学方法提供工具。他举了一个叫“AI共同科学家”（AI Co-Scientist）的系统，这是一个多智能体系统。你给它一个研究问题它去搜索整个文献库生成假设而且一生成就是一堆，然后自己去验证这些假设、给它们排序最后把结果带回给研究者。这个AI有多厉害呢？他们和帝国理工学院的合作伙伴研究细菌抗药性的问题，AI Co-Scientist只用了三天就提出了那个合作伙伴花了几年才提出来的假设。

而且它还额外提出了另一个假设。不光是细菌抗药性，斯坦福的合作团队在用它研究肝纤维化还有其他团队在研究药物重定向。马蒂亚斯说那些用过的合作伙伴告诉他感觉就像在和一位能力极强的合作者一起工作。更何况，这个合作者还不只是聪明它能读各个学科的文献就像把一个通才装进了你的口袋。能预见到的是未来任何一个研究者、每一个学生都能拥有一个为自己工作的虚拟实验室。

今天只有少数资深科学家才能拥有的能力未来每一位研究者都可能拥有，每个人都能提出更大的问题、更快地取得进展。当然光有假设还不够你要验证假设就得构建模型，而今天一个生物学家或者化学家哪怕在自己领域再厉害要构建一个能检验假设的计算模型可能得花几天、几周甚至几个月。Google还有另一个系统叫“实证研究助手”（Empirical Research Assistance）就是干这个的。

你给它一个定义明确的问题和相关数据它自动帮你搜索、构建合适的模型。这两个系统几周前都刚发表在《Nature》上，到发表的时候已经有相当多的论文在用实证研究助手加速研究了领域横跨宇宙学、流行病学、工程学、经济学。这两个东西加在一起再加上DeepMind的AlphaEvolve基本上就是在给整个科学方法加速。这些能力已经通过Gemini for Science项目开放给研究者使用了。

那科学家还有什么用呢？马蒂亚斯的回答很直接：人的创造力比以往任何时候都更加重要。当你拥有一个随时可以调用的虚拟实验室的时候，最值钱的就变成了提出正确问题的能力。一个初级科学家要做到今天拥有虚拟实验室才能做到的事通常需要很多年的成长，但是如果AI能帮你跳过那些入门级的任务那你就可以更早地进入更高级的阶段：提出正确的问题、给出正确的指导、对结果做出判断。

所以问题就变成了我们的教育体系、培养体系能不能跟得上这个变化？我们需要重新思考怎么培养研究生，怎么让学生更早地学习如何指导AI、如何检查AI的工作。这里马蒂亚斯引用了一句爵士乐大师杜克·艾灵顿（Duke Ellington）的话：“If it sounds good, it is good.”说到底，判断什么是好的、什么是有价值的这件事本身就是未来我们越来越需要依赖人类的地方。

所以判断力的重要性会比以往任何时候都更高，结果从来不是非黑即白的实际情况总是有几种可能性存在不同的取舍。比如这个结果好不好？要不要比较这些不同的参数？这些都需要判断。主持人接了一句很有意思的话，她说科学教育可能会变得更难而不是更容易：因为你原本需要十年、十五年才能建立起来的技能现在你开始期待初级科学家也具备了。

你需要建立相应的判断技能才能真正做到这一点。马蒂亚斯也同意，他说这就像一种视觉上的错觉：以前谷歌和维基百科刚出来的时候大家也担心孩子会不会变懒，但后来社会适应了。我们实际上提高了期望那些能力现在被视为默认具备的基础能力然后我们又不断提高标准。他举了个数学的例子，现在经常能看到研究者甚至孩子说用AI解出了某个埃尔德什（Erdős）问题。

这是传奇数学家保罗·埃尔德什（Paul Erdős）提出的一系列数学难题，很多已经开放了很长时间。但这并不意味着所有问题都要被解决了：一些问题会被解决很多问题会被大幅加速，但与此同时我们也能够开始提出更大的问题。所以从来不存在我们已经没有什么东西需要解决了这种情况。主持人提了一个关于跨学科的问题：现在AI不受限于某一个特定的学科，它可能发现某种跨越不同学科的规律。

而这个规律在单个学科内部看起来可能毫无意义，但我们人类一直以来都是按一个学科一个学科的方式接受训练的。那到底谁有能力判断AI的发现到底有没有意义呢？马蒂亚斯的看法是这恰恰是AI最大的机遇之一：AI能够真正加速跨学科的科学发现。科学界的传统构建方式通常是推动人们专注于某一个特定学科，但是一次又一次当你把多个学科结合起来的时候很多真正有意思的事情就发生了。

过去真正能跨越多个学科的人很少，而现在有了AI我们实际上可以做到这一点。这个趋势不只会发生在科学领域技术领域也一样：以前有软件工程师、产品经理、UI设计师角色分得很清，但是借助AI每个人都可以拥有一支由虚拟工程师组成的团队还可以拥有虚拟的产品经理、虚拟设计师。跨越不同学科和职能、同时具备多领域技能的能力会变得极其重要，因此职业头衔这个概念可能会越来越难以维持。

我们关注的将更多是技能本身而不是工业时代形成的那套具体分类体系。接下来我们看一个更具体的案例看看Google是怎么把研究成果用到现实世界里的，马蒂亚斯讲了一个洪水预测的故事我觉得特别有代表性能够很好地说明他反复提到的一个概念：研究的魔法循环。什么是研究的魔法循环？就是提出问题、开展研究、把研究带进现实应用、然后从应用中发现新的问题不断的迭代。

洪水预测就是这么一个完整的故事：大约十年前马蒂亚斯开始负责Google的危机响应工作，他发现洪水是最具破坏性的自然灾害之一每年造成数千人伤亡。但当时Google能提供的帮助非常有限，因为真正能救命的唯一方式是预测未来会发生什么让人们提前行动。他去问洪水领域的专家我们怎样才能进一步提高预测能力？当时的普遍共识是这太难了涉及的变量太多要得到有价值的高置信度预测几乎不可能。

但马蒂亚斯的判断是正因为所有人都说难，正因为这是一个非常重要的问题所以才值得去试试。于是他们先做研究取得了足够进展之后在印度做了一个试点，结果在非常严格的限制条件下确实做出了相当合理的预测。大约八年前他们还发表了一篇论文提出一个假设：未来我们能够借助机器学习和云端实现规模化的洪水预测。那时候他其实完全不知道具体要怎么做到，但已经有足够多的迹象表明这条路有可能走通。

这个过程经历了很多轮迭代从研究到现场试验再到找出能做什么，同时和学术界、政府合作建立合作伙伴关系把负责收集数据的人连接起来。后来他们在《Nature》上发表了一篇论文提出了全球水文模型，核心思路是让模型从那些数据充足地区的洪水事件中学习然后把模型应用到数据不足的地区。这个一开始被认为几乎不可能解决的问题现在怎么样了？同一个团队构建的系统已经能够在150个国家提供最长达7天的洪水预测覆盖大约20亿人口。

救援人员和政府都可以通过Flood Hub获取这些预测信息。故事还没完，每当你达到一个新阶段就会遇到新的问题：现在的模型适用于河流洪水就是河流水位上涨漫过河岸的那种，但还有一种破坏性极强的洪水叫山洪来得非常突然而且因为数据太少一直是个未解决的问题。直到大约去年新的创新又出现了，他们想到了一个办法：用生成式AI去读过去20年的新闻报道。

因为这些洪水事件至少在城市地区通常都会被新闻媒体报道，报道里还会描述发生的时间和地点这些都是公开信息而且涉及多种语言。他们把这种技术叫做Groundsource，本质上就是用生成式AI从新闻里识别洪水事件建立一套真实基准数据然后基于这些数据再去训练AI模型。你猜识别出了多少起？260万起山洪事件！现在基于这些数据训练的模型也已经在Flood Hub上提供城市暴洪的预测了。

一个一年前几乎无法解决的问题通过生成式AI和公开信息相结合就这么被攻克了！最实在的影响是什么？就在几个月前尼日利亚政府和一个叫GiveDirectly的组织通过Flood Hub的API向村民提前发放资金让他们能够撤离。这就是研究真正落地的价值！洪水预测这个故事讲完了但是Google在危机韧性方面做的事还远不止这些：风暴预测有Google DeepMind团队推进的WeatherNext项目，野火检测方面他们发起了Fireside计划。

计划把50到60多颗卫星送入轨道每20分钟对地球上的每个地点扫描一次能识别出像一个房间那么大的野火。所有这些努力的终极目标是什么？马蒂亚斯说他们的北极星指标非常简单那就是任何人都不应该再对即将到来的自然灾害毫无准备、措手不及。但这还不是终点，后来他们意识到真正想要的其实是一种行星级的智能：把所有这些地理空间模型包括洪水模型、天气模型、卫星影像模型、人口动态模型全部结合起来形成Google Earth AI。

然后在上面再加一个智能体层，这样一来你就可以直接向它提出任何关于这个星球的问题：你不只可以问洪水会在哪里登陆还可以问哪些社区最容易受影响、疏散需要采取什么行动。公共卫生领域也在用比如分析麻疹疫苗接种、霍乱疫情扩散，商业领域也用得到：物流公司、仓储公司都需要针对这个星球提出各种问题。这就是构建平台的价值，你建立了一个新的基础所有人都可以在这个基础上继续工作然后他们就可以把精力集中在更上一层的问题上。

医疗健康也是AI将产生巨大影响的一个方向，几年前Google研究了一个问题：能不能让语言模型以真正理解医学信息的方式来处理医学内容呢？他们选了一个很硬核的基准测试让语言模型去参加美国的医学考试，结果他们第一次证明了语言模型经过适配之后可以首次达到美国医学考试的及格分数线。等到研究发表在《Nature》上的时候模型已经达到了专家级水平测试得分85%而及格线是65%，加入多模态之后得分更是达到了91%。

然后Google推出了MedGemma模型把这些医疗AI能力开放出来，MedGemma基于开源模型Gemma构建。开放一年多已经有超过500万次下载已有数千种应用正在基于它开发。马蒂亚斯讲了一个案例：乌干达一个村庄里的医护工作者遇到一名即将分娩的女性但当时没有互联网连接，她手机上有一个使用MedGemma的应用。通过这个应用获得了医疗建议和对患者状况的指导这个第三方开发的应用可能挽救了母亲和孩子两个人的生命。

这就是开放平台的力量。

你永远不知道别人会用你的基础模型做出什么事情。除了基础模型，Google在医疗AI的实际应用上也做了很多：糖尿病视网膜病变检测已完成超过100万次筛查，帮助避免了成千上万人失明；乳腺X光检查辅助和英国国民保健署NHS合作的研究显示，AI可将漏诊降低25%，同时为放射科医生节省40%的时间。

把目光投向未来的话，马蒂亚斯认为哪些科学问题会定义接下来的十年？他的回答很实在：我们还处于非常早期的阶段。大脑如何运作、药物设计、材料设计、地球预测、粮食安全、能源问题，每一个领域都还有大量工作要做。

他特别提到了教育，说教育可能是任何一个社会最重要的事情，它决定着未来。教师的角色将比以往任何时候都更加重要。

最后聊聊量子计算。马蒂亚斯说，在量子计算领域，纠错一直被认为是需要突破的关键障碍之一。而就在去年，他们通过Willow芯片在这方面取得了很好的进展。量子计算机采用了不同的计算范式，在某些特定问题上能够比经典计算机快得多。

他们曾经有一个例子：某个问题用经典计算机来解决需要10的25次方年，而量子计算机可以快速解决。后来他们又在可验证优势上取得了进展，证明量子计算机解决某个问题的速度可以比经典计算机快13000倍。

量子计算最著名的应用可能是在密码学领域。早在20世纪90年代，舒尔算法（Shor's algorithm）就已经证明量子计算机能够解决某些被认为是经典计算机无法解决的密码学问题。

那量子计算和AI是什么关系呢？马蒂亚斯说，量子计算机能产生大量知识，而这些知识又可以被AI利用，用来构建分子层面的AI模型。他认为在未来几年内，会越来越接近实用化的量子计算。

量子计算的发展也符合那个规律：硬件、软件、算法、应用之间跨层级互动、相互推动。

节目的最后，主持人问了一个关于领导力的问题：马蒂亚斯参与了很多长达数十年周期的项目，他是如何带领团队攻克那些一开始看起来完全不可能的事情的？

马蒂亚斯的回答可以归纳为三个核心判断标准。首先是始终追问：什么事情是真正重要的？我们有没有条件取得进展？以及什么时候才是把问题提升到更高层次的合适时机？

然后是寻找下一个真正重大的问题，而且是你实际上有能力推动解决的问题。真正重要的是在每一个领域中不断追问：什么事情能够带来真正的改变？

最后是以影响力为驱动。我们能够产生什么样的影响？为了实现这种影响，我们应该把资源投入到哪里？又在哪里，我们能够产生最大的影响、实现最大的突破？

他个人有一个经验：实现创新最快的方式，就是始终朝着一个宏大的目标持续迈出相对较小的步伐。每次迭代都比此前的水平再向前迈出一个阶跃式的进步。

而对他来说最令人兴奋的事情是，Google Research的团队能够同时做两件事：既能研究最前沿的问题、在顶级平台上发表成果；也能够把这些成果真正带入现实，看到它们最终对产品、对科学、对社会产生实际影响。

好，今天的内容就聊到这里。最后我想留给大家一个问题：如果AI真的能为每个人提供一个虚拟实验室，你最想用它来研究什么问题呢？你觉得什么问题值得你投入时间去探索呢？

感谢收看，我们下期再见。