基础杂活全被一键秒杀，还要初级员工干嘛？Google Research负责人：以往熬15年的判断力，现在一出道就得硬抗

AI 正在终结“岗位头衔”。

整理 | 王启隆

出品丨奇点折射（ID：rgznai100）

过去一年多，大家看 Google，视线几乎全被拽在商业大模型的角斗场里——Gemini 的跑分追上没有、搜索框里的 AI 总结好不好用、工程迭代又拼到了哪一步。但在这些快节奏的产品交锋背后，Google 内部还有一支常年以完全不同时间尺度运作的队伍：Google Research。

最近，Google 悄悄上线了官方播客《The Google Research Podcast》，第一期由科技未来学者 Sinéad Bovell 主持，对话掌管 Google Research 全球研发的副总裁Yossi Matias。

他主导的技术对国外的普通人来说非常熟悉：搜索框里的“自动补全（Autocomplete）”、Google 趋势（Google Trends），以及八年前震惊业界的对话式 AI 雏形 Duplex。这位早年拿过理论计算机最高奖“哥德尔奖”、曾服役于空军的技术领头人，如今全面统领着 Google 从基础算法、Willow 量子芯片，到地球科学与医疗前沿的底层探索。

当外界还在讨论暴力堆算力是否撞墙时，Yossi 的反问很干脆：Transformer 诞生也不过才短短几年，凭什么认定现存方案就是终点？他们真正在做的，是把大模型推向与严谨物理仿真融合的“世界模型”，并用 AI 直接重写科研方法本身。比如由多 Agent 构成的系统“AI Co-Scientist”——帝国理工团队苦思冥想数年才成型的细菌耐药性假说，这套系统仅用三天就独立推导了出来。

核心要点速览

“传统的交互界面是写死的，而生成式 UI（GenUI）会自主判断呈现形态：问算法它现场跑仿真，小孩子问二次方程它直接动态演示投篮抛物线。信息不再是被动僵硬地摆在那里，而是随你的心智和上下文被实时重塑。”

“我们真正需要的是属于整颗星球的宏观中枢（Earth AI）。把卫星遥感、人群流动和气象模型全盘打通后，你可以直接向整颗地球提问——不仅是问飓风何时登陆，而是直接探问‘沿途哪些生命线工程最薄弱、最佳撤离疏散方案是什么’。”

“技术进化正在形成奇妙的自我加速机制：AI 在大幅提速科学研究，而科研突破反过来又在加速 AI 本身的底层演进。这是一种递归式的自我提升（Recursive Self-Improvement），飞轮已经真实地转动起来了。”

“当年 Google 搜索和维基百科普及、省去泡图书馆翻书时，社会也曾哀叹下一代会变懒变笨；但事实证明人类迅速完成了适应，全社会的认知基线反而被大幅拔高。今天 AI 扫平某些数学难题并不是终局，它只是腾出人类的精力去构想更深刻的大问题。”

“实现颠覆性创新最迅猛的路径，看似是个悖论：反而是朝着一个宏大无垠的远景目标，不知疲倦地迈出扎实而紧凑的细分步伐。带团队最考验功力的，是克制住修补细碎日常的惯性，去锚定那些能带来阶跃式质变（step function）的大问题。”

以下为本次访谈全文：

预测未来的精髓，不是做线性推演，而是主动创造范式

主持人：我想先从这样一个感受聊起：对我来说，Google Research 就像是 Google 内部的一座前沿工坊，很多未来技术在成为大众生活日常之前，都在这里率先成型。如果让你来定义，你会如何描述 Google Research 的职责？

Yossi Matias：首先我想说，我们当下确实正身处科研的黄金时代。

因为纵观历史，我们从未能像今天这样，以如此迅速的节奏和如此广阔的维度去设想未来，并亲手将它变为现实。

回顾历史，Google 本身就是从一篇学术论文起步的，而 Google Research 一直以来所扮演的角色，就是去直面并解决那些真正关乎重大的核心难题。

很多时候，我们的工作就是让不可能变成可能。

我们关注的领域非常广泛，只要能带来深远改变，都在我们的射程之内：从推动机器学习的前沿理论与工程应用，到研发解决复杂问题的新型算法；从设计面向未来的下一代计算架构，到运用 AI 应对医疗、气候变化和教育领域的根本挑战；再到驱动前沿科研、成倍加速科学发现的进程。

与此同时，我们也在深耕生成式 AI 底层基础——大家可以看到，它正在彻底重构我们身边的方方面面。此外，我们还在探索全新的计算范式，比如研发量子计算机。

主持人：我看过你的一次演讲，其中有两张幻灯片极具代表性，淋漓尽致地展现了你们工作的跨度。第一张图涵盖了从底层机器学习、基础算法一直延伸到量子计算的完整脉络；而第二张图，则展示了从宏观的地球系统一路深入到微观的生物细胞。可以说，你们的研究覆盖了整个认知光谱。

但你身上有一种非常独特的特质：你不仅能精准洞察未来的发展趋势，更能同时着手把它造出来。而且事实证明，你的预判总是惊人地准确。

比如现在，大家对着 AI 系统自然流畅地打字对话，早已司空见惯；但早在八年前，你就主导打造了 Google Duplex，那是业内最早落地的对话式 AI 系统之一。现代 AI 领域最负盛名的一篇论文《Attention Is All You Need》也诞生在 Google Research，它向世界引介了 Transformer 架构。

你是如何在亲手构建这些系统的同时，预见技术未来走向的？当然，我也必须替大家问一句：接下来的下一个大突破会是什么？

Yossi Matias：这确实很有意思。

当我们思考技术演进时，核心其实不在于沿袭过去的路径做线性推演，真正的精髓在于主动洞悉未来会发生什么。

更关键的是，我们在 Google Research 内部做规划时，目光绝不仅仅停留在未来 3 个月、6 个月或 9 个月能做成什么，我们更看重地平线上的远景，看重转角处正在酝酿的范式演变——去寻找那些正在逼近临界点、且依托我们当下的积累有希望由我们亲手促成突破的方向。

我们内部有一种非常良性的动力机制：在任何给定的时间节点，我们所取得的任何突破与进展，都会立刻化作底层的基石，支撑我们攀登下一座高峰。

回到你刚才提到的对话式 AI 等技术案例，其实在特定阶段，关键在于看清底层技术流向的趋势，并做出准确的预判：哪怕我们当下还不知道具体的实现路径，但能否判断出哪些能力已经处在爆发的临界边缘？

主持人：确实如此。

天天修补细碎日常，换不来阶跃式的技术质变。想要穿透这轮技术周期，你必须看清真实的底层落地路径。

2026 奇点智能技术大会将于 11 月 20—21 日在北京举行，18 大前沿专题、70+ 一线技术嘉宾，拆解 AI Coding、Agent、Infra、多模态等真实落地路径。

扫码免费领取大会 PPT 与 Agent 实战资料

足够先进的技术像空气一样无感，你甚至不会意识到它的存在

Yossi Matias：举例来说，大约十年前，我清晰地意识到对话式交互的时代即将来临。因为当时我们观察到语音处理能力正在大幅提升，文本转语音（TTS）的早期雏形也开始浮现。

今天大家对这些可能早就习以为常了，但在当时我们明白：对话式交互是终极的人机界面，因为这正是人类彼此交流最天然的方式。

自那以后，让我格外兴奋的一个命题就是：我们如何利用 AI、研发怎样的技术，才能真正让这种无缝的对话交互成为现实？Duplex 就是典型的探索实践。

即便是在几年前，我们就曾公开过一组数据：Duplex 代表用户给线下商家致电核实营业时间等信息，由此促成的商家信息浏览量已经突破了 1 万亿次。

不过，这不仅关乎对话式交互，更关乎打破模态之间的壁垒。比如，如何在文字、图像和视频之间自由转换内容？如何实现跨模态、跨语种的顺畅沟通，从而抹平语言鸿沟？以及如何用全新的交互方式去消费信息？

同样，大家今天对这些也已经习以为常了。在 Google 工作的这些年里，我在搜索业务线上待了十多年。人们早就习惯了有疑问就直接“Google 一下”。

技术往往就是这样，一旦它切实生效并融入生活，人们便会理所当然地认为它本该如此。

我喜欢把这种状态称为“环境智能”（ambient intelligence）——当智能技术发展到极高水准，它会变得像空气一样无感，你完全不会意识到它的存在，而是直接基于它去探索下一件事情。

大家常引用那句名言：“任何足够先进的技术，皆与魔法无异。”这话很对；但同样真实的是，一旦我们体验过几次之后，它就不再是魔法了，我们会直接默认它的存在，默认它就是能够稳定运转。然后，我们就可以向下一个目标进发了。

主持人：对，这话出自阿瑟·克拉克（Arthur C. Clarke）对吧？“任何足够先进的技术，皆与魔法无异。”说得太贴切了。

因为我们今天借助 AI 完成的许多操作，搁在几年前完全称得上不可思议、形同幻想，甚至惊世骇俗，但今天大家用起来就像呼吸一样自然。

顺着你对未来的预判，你刚才提到了两个概念：一是你在今年二月与合作者发表的论文中探讨的“生成式 UI”（Generative UI）；第二就是“环境智能”。

也就是说，我们未来的愿景，很可能就像随时随地接入电网一样无感地调用通用智能，根本不需要多想。就像插上充电器时，没有人会去怀疑“我的手机到底能不能充上电”一样，你默认它就在那里。

环境智能的图景，是不是意味着我们可以随时抛出一个极高难度的问题，而完全不必操心背后究竟调用了多么庞大复杂的先进智能在支撑？

Yossi Matias：没错。说到底，这关乎探索“可能的艺术”。

而当你去思考何为“可能的艺术”时，它其实是两者的结合：什么是真正有价值的，以及你在工程技术上究竟能做到什么。

生成式 UI 就是绝佳的例子。当时有一支非常出色的团队深入探索了一个课题：利用当前的生成式 AI，我们能尝试打造出怎样颠覆以往的全新交互体验？

他们发现，生成式 UI 不仅能根据你的 prompt 恰如其分地生成内容，更能够自主判断以何种最适合的形式呈现在你面前。

如果你问的是一个视觉相关的问题，它就直接展现图像；如果你问的是某种算法，它可能会现场编写代码并实时跑出仿真模拟给你看；如果你问什么是分形几何，

主持人：对。

Yossi Matias：它就会现场生成分形的代码，直接把可交互的分形图案呈现在屏幕上任你把玩；

如果提问者是个孩子，问的是“二次方程到底是什么”，系统甚至能判断出最好的讲解方式，是呈现一个人投篮的动态画面，直观解释投篮抛物线的角度与二次方程之间的数学联系。这些都是典型的落地形态。

最美妙的是，随着 AI 本身在加速科学研究和产品化落地，我们可以亲眼见证一个概念 Demo，在短时间内迅速转化为 Google 搜索和 Gemini 应用中的实际功能，为用户提供沉浸感强得多的动态交互界面。

主持人：这确实是人与数字信息交互范式的一场深刻变革。

因为信息不再是被动僵硬地摆在那里，而是以完全贴合个人意图、上下文背景乃至当前设备形态的方式，被动态重塑并呈现出来。

我们刚才私下交流时我也在想：有的人搜餐厅，喜欢阅读文字菜单，他们对美食很有研究，能报出所有菜品的讲究名称；但对另一些人而言，菜品图片才最关键。

最终，这套界面会智能适配用户——如果判断出该用户是视觉导向型，就优先推送精美图集；如果遇到更关注考究菜名的食客，则呈现详实的文字清单。这正是 GenUI 带来的改变，它今天已经初具雏形，而且代表了未来的演化方向。

别被“现存方案”框住思维，我们期待的是 100 倍的底层架构颠覆

Yossi Matias：是的。同样的底层能力还可以迁移到诸多不同领域。

GenUI 展现出了惊人的效能，仅凭单次 prompt，系统就能动态组装界面，这也是为什么我们能够迅速将其引入搜索。但如果我们把视野放宽，去探讨一个更宏大的命题——我们究竟希望信息以何种形态呈现？界面应当如何自适应用户的意图和使用语境？还有很多极具价值的领域值得深入挖掘。

例如我们一直在探讨：AI 能否彻底重塑教育领域的传统教科书？

以往我们学习重力概念，通常就是读一段文字配几张插图；而如今，我们能否借助 AI 重新构想这种学习体验，针对不同受众量身定制案例与语言表达？十岁儿童读懂的重力讲解，与十八岁高中生所需的深度必然截然不同。

更进一步，能否结合学习者的兴趣爱好来讲解？如果面对一个喜欢踢足球的十岁女孩，系统能不能直接用足球飞行的弧线作为案例来阐释重力？事实上，我们正在推进一个名为“Learn Your Way”（因材施教）的实验项目，做的正是这件事。

我认为，用技术去颠覆既有模式的探索才刚刚开始。归根结底，一切依然始于核心问题：我们到底要解决什么痛点？今天的技术能做到什么？而我们又能构建出什么，以便在未来解决得更加彻底？

主持人：没错。我们为什么一定要拘泥于僵化死板的交互界面或标准教科书呢？每个人的学习方式本就千差万别，系统理应能够理解并匹配最适合每个人的认知路径。

退一步从底层技术来看，要真正实现你描绘的环境智能愿景——大家无感地接入 AI，生成式 UI 能在任何场景下与你无缝契合——技术栈上需要发生怎样的演变？

现在行业内充斥着关于“缩放定律”（Scaling Laws）见顶的讨论，很多人担心预训练正在逼近极限，单纯堆砌更庞大的数据集和算力，可能无法像过去那样带来显著进展。而 Google Research 的核心职责之一，正是探索全新架构、攻克效率瓶颈，从而绕过这些既有瓶颈。

从架构设计的角度来说，未来需要突破什么？我们需要全新的底层架构来实现这一愿景吗？

Yossi Matias：关于当前架构的上限在哪、我们是否已经触顶等等，外界确实有很多讨论。

但在某种程度上，大家似乎淡忘了一个事实：就在短短几年前，甚至根本就不存在 Transformer 这种架构。我们为什么要把思维局限在“现存方案是唯一路径”的假设里？

如果回到解决问题的第一性原理，回到如何通过科研突破攻克现实瓶颈，你会发现生成式 AI 还有太多维度需要深度钻研，这也正是我们发力的重点。

比如，让模型运行得更加高效，这是显而易见的需求；再比如，让模型更具事实一致性、更加可靠。顺便提一句，从 2021 年大语言模型刚起步时，我们就一直在引领这方面的研究，甚至早在 2022 年就发布了专门的基准测试集，供学术界评估大语言模型的事实性与逻辑一致性。

此外，还有许多必须取得进展的方向：如何增强模型的复杂推理能力，如何解决更高维度的难题，如何驾驭多模态交互等等。我们在所有这些方向上都看到了长足的进步。

然而，每一次进步的达成，不过是树立了一个新的 baseline（基准线）。接下来的问题永远是：你打算怎样在此基础上更进一步？

因为永远有更宏大的难题等待解决，你永远会发现眼前的能力距离理想目标还差一截，你总是希望能让它承担更多关键任务。

我举个运行效率方面的例子：大家讨论缩放定律时，往往默认我们只能沿用现有的工程手法，无非是不断灌入更多数据、砸入更多算力。但现实中总会涌现出全新的算法与工程思路。别忘了，Transformer 本身就是一种颠覆性的新架构。

再比如前两年，我们提出了推测解码（speculative decoding）技术，本质上是一种用于大模型推理加速的全新算法。实验表明，在完全不损失输出质量的前提下，它能将推理速度提升一倍乃至更多，同时大幅降低所需的算力开销。

主持人：确实。

Yossi Matias：围绕这种思路，业界现在演化出了数百种变体，性能甚至能达到 2 倍以上。如今大家把这种推理加速视作理所当然的技术标准。

但我真正在期待的，是能带来 10 倍、100 倍飞跃的下一代创新，是那些彻底重构范式的全新架构。

科研最迷人的魅力恰恰在于：它从来不是把已知的方法榨取到极致就裹足不前。

虽然在日常工程迭代中优化现有手段是必修课，但科研更需要开辟全新的路径。迄今为止，我从未见过任何一份能够板上钉钉证明“某件事绝对不可能做到”的论据。说到底，这只是一个时间问题——我们何时能够迎来下一次突破、下一次创新、下一个转折点？

主持人：也就是说，一方面我们在现有架构内依然有巨大的挖潜空间，能让模型更加高效、输出更贴合事实；但与此同时，更深层次的质变正在孕育。这绝不是技术的终局，我们必将见证架构本身的底层革新，就像你所说的，带来比今天强 10 倍、100 倍乃至上千倍的跨越。

Yossi Matias：对。而且我们试图用技术解决的目标本身，也在与时俱进。我们一直在不断抬高期望的门槛。

比如在模型泛化方面，我们最初专注于语言模型，但现在我们渴望构建对物理现实有深刻理解的模型，也就是所谓的世界模型（world models）。

我们发现，单纯依靠从海量人类经验中学习的基础模型，已经展现出了极强的效能；但如果将其与严谨的物理仿真相结合，与分子生物学或微观物理层面的纵深数据融会贯通，模型就会产生更深刻的洞察，获得更高质量的训练数据。

这样一来，我们便能构建出能力更强大的模型，去解答那些以人类当下的认知手段根本无法求解的未知命题；或者去理解并建模大千世界中纷繁复杂事实之间的深层关联，在其上搭建认知层级，并反过来借助 AI 进一步加速这一探索进程。

把通才学者装进口袋：给每个人一座随时待命的虚拟实验室

主持人：从这个角度看，尽管 AI 作为一个独立学科已经发展了数十年（很多人可能并不清楚这个领域已经沉淀了这么久），但我们是不是依然处在它孕育更大突破的初级阶段？

Yossi Matias：是的，这是一种非常奇妙的双重感知：一方面，大家会感叹，天哪，短短几年我们走过的路，比过去几十年的总和还要深远；但另一方面，你又很难断言未来究竟会通向何方。

因为现在的技术进化正在形成自我加速机制：AI 正在加速科学研究，而科研反过来又在加速 AI 本身的演进。

很多人已经在严肃讨论 AI 的递归式自我提升（recursive improvement）等等。我们自己在当下就已经全面运用 AI 来加速前沿研发了。所以从诸多维度衡量，我们确实还处在早期。

常言道：“预测很难，尤其是预测未来。”尽管我们的本职工作正是前瞻性地下注和重金布局，但我认为谁也无法拍着胸脯断言，数年后的世界、数年后的 AI 与底层技术究竟会演变为什么面貌。

但有一点毋庸置疑：巨大的技术跃进依然在源源不断地发生，它将全方位重塑现实世界的各个层面。

我们真正专注的核心工作，就是提出那些最关键的问题：我们究竟在哪一个切入点取得科研突破，才能产生最深远的影响，从而自上而下辐射到核心产品、底层技术、科学发现以及整个社会体系？

主持人：说到这里，我们必须专门聊聊科学本身。我知道科学研究始终在 Google Research 占据着举足轻重的分量。眼下的技术节点，对科学探索究竟意味着什么？科学界正在经历怎样的剧变？

Yossi Matias：对我而言，当下最令人振奋的发展之一，莫过于科学发现本身的进程正在被大幅加速。

这不仅意味着我们能用手头最顶尖的技术去求解具体的科研课题，更意味着我们正在用 AI 为整套“科学研究方法”（scientific method）打造一整套趁手的底层工具。

不妨拆解一下科学研究的日常流程：在一间实验室里，研究人员通常专注于攻克某个前沿课题，例如探讨“某种特定细菌为何比其他菌株更具感染力、为何会产生耐药性”——这是我们在帝国理工学院（Imperial College）的科研合作伙伴长年钻研的课题。

实验室里汇聚了不同资历的研究者，包括博士生和博士后，大家每天都在提出假说。首先得浩如烟海地查阅文献，梳理已知认知，在此基础上提炼假说，最后设计实验去验证。而我们当前探索的，正是如何用 AI 全面提速这套流程。

以我们研发的“AI Co-Scientist”系统为例，它是一个多 agent 系统，能够在极短时间内跨学科检索海量科研文献，自主生成一系列研究假说，并尝试对这些假说进行逻辑校验与相关度排序，最后把结果呈现给科学家：“看，这有几个假说，或许能够解释你脑海中的研究疑问。”

正因为它具备在全领域学术文献中纵览全局、并对照已有公开实验数据交叉验证假说的能力，它对科研效率的提升是极其惊人的。

在刚才提到的帝国理工学院的真实案例中，我们的合作伙伴苦思冥想多年才提出的关键假说，AI Co-Scientist 仅用了短短三天就独立推导出来了，甚至还给出了备选的新假说。

斯坦福大学等顶尖机构的合作者，也在借助 AI Co-Scientist 针对肝纤维化机理和药物重定向（老药新用）提出创新假说。这表明，我们忽然拥有了一套能够扮演极其高能的“科研协作者”角色的 AI 系统。

当我回访这些科研伙伴，问他们“与这套系统共事体验如何”时，他们的回答如出一辙：“就像是在跟一位能力极其出众的科学家共事。”

而且妙就妙在，它绝非普通的聪明协作者，因为它能在所有科学学科的文献之间融会贯通——这实质上等同于你身边随时配备了一位无所不知的通才学者。

主持人：嗯，就像是把一位全才学者装进了口袋里。

Yossi Matias：想象一下那样的场景：未来世界上任何一位科研工作者、哪怕是一名普通学生，手头都拥有一个完备的“虚拟实验室”任其调遣。

任何人只要有了科研想法，系统就可以自动梳理全球文献、生成严密假说并进行初步验证。未来随着自动化实验仪器的普及（目前整个行业在这方面进展飞速），甚至还能直接联动实体实验室完成真实实验闭环。

如此一来，每个普通研究人员都能享有以往只有极少数资深实验室掌门人才配拥有的科研资源和支撑团队。

主持人：这意义太重大了。

Yossi Matias：这意味着所有人都可以去构想更宏大的科学问题，并以更快的节奏推进突破。既然人类科学探索中未解的谜题数不胜数，这套模式必将极大地激活并加速科学发现的进程。

但这还只是整个闭环中的一块拼图。因为对于一位一线科学家——比如生物学家、化学家或材料学家来说，他们固然是自身领域的顶尖专家，但在当下，为了验证某个假说而搭建专用的数学计算模型，本身就是一项极度繁琐耗时的工作。这往往需要耗费数天、数周乃至数月时间，有时甚至必须专门聘请数据科学家来协助建模。

为此，我们开发了一套名为“经验研究助手”（Empirical Research Assistant）的系统。它同样依托生成式 AI，只要面对定义明确的科学问题及输入数据，系统就能自动化地检索、匹配并构建出最恰当的计算模型，协助你攻克难题。

顺便提一句，AI Co-Scientist 和 Empirical Research Assistant 的相关成果，在几周前刚刚同步发表在《自然》（Nature）杂志上。而在论文发表之际，它们已经在宇宙学、流行病学、工程学和经济学等诸多领域开花结果，协助多支团队攻克了此前长期悬而未决的开放式科学难题。

如果我们把“构建科学假说”、“文献深度挖掘”与这些建模工具融为一体——我们最近通过“Gemini for Science”项目将这套能力开放给了更广泛的科研界。这是 Google 内部跨部门、跨团队深度协同的结晶。

再结合 DeepMind 开发的 AlphaEvolve 等前沿系统，它们共同汇入了我们称之为“计算驱动的科学发现”（computational discovery）的大潮中。此外，文献智能洞察等技术，也正在成为加速科研方法论的坚实拼图。

但这些依然不是全部，另一个至关重要的环节是：学术同行评议机制在未来将如何演进？

我们正在探索试验论文助手类工具，它能在手稿成型早期为学者提供严谨的修改反馈。在不远的将来，我相信审稿人同样会利用 AI 来提升评议效率。

事实上，科学研究方法论的价值在今天比以往任何时候都要重要；而利用 AI 来辅助并捍卫科学方法的严谨性，对于确保我们在坚实可靠的科学地基上一环扣一环地攀登更高维度的未知命题，至关重要。这种全方位的科研加速度，正是 AI 赋能科学最令人心潮澎湃的魅力所在。

AI 是人类智慧的放大器：当基础工作被接管，战略判断力成了终极壁垒

主持人：确实如此。原本可能耗费数年光景的探索，未来有望在几个月、几周甚至几天内水落石出。

很多外行人或许根本无法体会，要确立并求证一个科学假说，前期的文献调研与路径论证需要倾注多么可怕的心血。就像你刚才提到的例子：为了搞清楚某种细菌为何具备抗生素耐药性，你必须把前人写过的所有相关论文翻个底朝天，生怕别人早就证实或证伪过了。光是论证“这个假说是否值得立项”，可能就要搭进去好几个月。

再比如你提到的“经验研究助手”，一位化学家为了验证猜想，可能不得不硬着头皮去写代码跑模型，要么就得外聘计算机专家协助。而现在，研究人员身边仿佛环绕着一支随叫随到的虚拟专家团队。

你在某次演讲中有一句话让我印象极其深刻：很多人并不知道，爱迪生当年背后有一支近百人的研发团队协同作战；那些名垂青史的顶级科学家，身后往往都运转着一整座“发明工场”。现在的技术，本质上是把这样一座工厂交到了每个人手中。

但也引发了一个新问题：在这个所有人都坐拥强大工具的新阶段，是否正在出现一种新的“技能断层”？因为拥有一座虚拟实验室是一回事，懂得如何驾驭它则是另一回事。

前几天我们在电话里沟通时，你提出了一个非常有深意的观点：在如何加速培养科学家将自己视为“系统架构师”（architects）的认知上，我们目前存在断层。你所说的“科学家化身架构师”，究竟是指什么？

Yossi Matias：首先，确实如你所说，爱迪生作为人类历史上最伟大的发明家之一，拥有自己的发明工场。他从来不是单打独斗，而是依靠一整间实验室的高效协作。放眼当今学术界，最受敬仰的科学巨擘背后，无一不依托着强大的实验室体系支撑。

而我们正在步入一个每个人都能拥有专属“虚拟实验室”的时代——我始终认为，AI 的本质是“人类智慧的放大器”。

在这个背景下，人类研究者自身的作用不仅没有被削弱，反而比以往任何时候都更加关键。

有时外界会产生一种片面的担忧：如果一名硕士生、博士后或青年学者，以往需要把大量精力花在文献检索、搭建基础模型这些琐碎环节上，而现在这些统统可以“一键免费搞定”，那还要研究人员做什么？

核心要义恰恰在于：人类学者的角色变得前所未有地举足轻重。因为当手头拥有了一整座随时待命的虚拟实验室时，你所需要做的，正是像顶尖学术带头人那样，去提出最核心、最高维的科学命题。

所以说，“AI 是人类智慧的放大器”并不是对未来的宿命式预言，而是一项核心的设计目标。

试想一下：要让一位初出茅庐的青年学者，能够像运筹帷幄的资深实验室主任那样去调度虚拟实验室，需要什么条件？在传统科研体制下，一个人往往需要耗费十几年摸爬滚打，从最基础的琐碎工作做起，边看边学，才能慢慢熬出这种统局全局的大局观。

而如果我们希望学者们在科研生涯的早期就能站在高处提出大问题，就必须弥补其间的认知鸿沟，在研究生培养模式上做出深刻变革。

顺便说一句，这种变革适用于所有行业：工程、计算机、生物医药乃至医护工作者无不如此，

主持人：法律界同样如此，大家都在经历这种工具重构。

Yossi Matias：一点没错。因为 AI 正在接管所有这些基础性的准入级工作，这就倒逼所有人必须提前进入更高维度的角色：学会提出正确的问题，给出精准的战略指引，并对产出的结果做出高水准的判断。

因为科学探索的答案从来不是非黑即白的简单开关，绝非“抛出一个问题，立刻吐出一个标答”那么轻巧；现实永远充满多重可能性，充满在各种边界条件下的权衡取舍（tradeoffs）——“这个方案好不好？不同维度的参数该如何权衡？”这就要求研究人员具备极高的战略决断力，这种判断力在今天比以往任何时候都更为稀缺。

由此可以得出几个清晰的洞察：

第一，我们必须尽快改革现有的教学与研究生培养体系，教导年轻学者如何深度驾驭 AI 工具来搭建这种认知架构。我对此非常乐观，因为 AI 本身就能在这类训练中大显身手。例如在科研方法训练上，AI 可以在撰写阶段及早给出结构化的批判性反馈，而这在过去恰恰是研究生导师最耗时耗力的工作之一。这是第一个观察。

第二个观察是：在提出关键问题的战略判断力变得无比关键的同时，如何甄别、判定一个答案究竟是否足够优秀，同样极度考验人类的功力。

有些场景下的对错一目了然，比如数值优化算法，“我的目标是求出这个最优数值”，一经验算便知分晓；但在很多复杂的系统性问题中，系统牵一发而动全身，充斥着复杂的折中权衡，这时是否合理全凭精妙的决断。

我很喜欢借用一句爵士乐领域的名言——我自己是个爵士乐迷，杜克·埃灵顿（Duke Ellington）谈及音乐评判标准时曾说过一句名言：“听起来是好听的，那就是好音乐。”

这话说得极其透彻：对“什么是真正的好”的最终裁量权，在未来将越来越依赖人类的终极审美与判断。当然，AI 系统会不断学习这些判断并将其泛化应用，而人类则会随之迈向更宏大的问题，继续行使更高阶的裁量权。

主持人：这也正是为什么我认为科学教育不仅不会像某些人想象的那样“因为工具先进而变得轻松”，反而会变得门槛更高。

因为按照你的描述，以往需要一个人历练十到十五年才能沉淀下来的综合研判力，今后在年轻学者出道之初就会被硬性要求具备。

以往需要四十年学术生涯才能求解的复杂命题，如今年轻一代起步阶段就拥有了求解的工具支撑，他们必须迅速建立起与之匹配的批判性判断力。我认为全社会的教育模式都在朝着这个方向深刻重塑。

Yossi Matias：完全赞同。这本质上又是一次“认知视错觉”，历史上类似的周期我们见过太多次了。

当年 Google 搜索和维基百科全面普及、成为人手一份的基础设施时，社会上也曾哀鸿遍野：“完蛋了，孩子们不用去图书馆花几天查资料写作业了，几分钟就能搞定事实，下一代会不会变得又蠢又懒？”

但最终的事实是，整个人类社会迅速完成了适应，我们对下一代的综合能力要求反而水涨船高——那些查资料的功夫变成了不言自明的基本底线。

现在发生的事情如出一辙：我们只是在抬高基准线，抬高全社会的认知底线。

就拿数学领域来说，最近我们频繁看到各路报道，很多研究人员甚至中学生都开始公开宣称：“看，我们用 AI 攻克了某个久攻不破的埃尔德什猜想（Erdős problem）。”这些数学题库源自传奇数学家保罗·埃尔德什，许多难题尘封了几十年。

外界难免会产生一种错觉：“哇，所有的科学谜题是不是马上都要被 AI 扫平了？”事实并非如此。确实有一批问题会迎刃而解，许多研究进程会被急剧缩短，但这意味着我们可以腾出手去构想更深刻的数学大问题。科学界从不缺乏等待去征服的高峰。

再看看医疗健康领域，我们固然取得了诸多突破，但距离彻底攻克疾病依然道阻且长：我们如何彻底革新现代医疗体系？如何确保没有一个人会在毫无防备的情况下突发重病？如何实现超早期的早筛？如何攻克癌症的靶向治疗？如何从根本上优化公共卫生管理？

所有这些重大命题，我们人类目前都还只摸到了皮毛，我们理应张开双臂拥抱 AI，借助它的力量去直面并跨越这些险阻。

主持人：是的，我们需要更多在一线深耕的专业人才，借助这些技术的加持去攻坚克难。

Yossi Matias：正是如此。

打破学科的孤立深井，啃下全世界都公认无解的硬骨头

主持人：但在跨学科验证上，未来会不会遭遇严重的瓶颈？

正如你所提到的，AI 的认知网络不像人类这样受制于狭隘的学科界限。在人类学术界，可能几十年才难得一遇一位能在不同领域自由穿梭的通才，这向来是极罕见的个例。人们通常只钻研一门学问：要么学化学，要么学物理，要么学生物。

然而在现实中，AI 完全有可能在不同学科之间敏锐地捕捉到某种深层共性规律，但这种关联如果单独放在某一个特定学科的传统语境里，可能会被视作离经叛道或毫无逻辑。

如果人类的思维定势依然被割裂在一个个孤立学科里，未来究竟有谁能具备足够的学识与格局，来拍板判定 AI 发现的这种跨学科洞察是真正成立的？

Yossi Matias：谈到学科的割裂与跨学科融合，这恰恰是我认为当下 AI 加速科学发现进程中所孕育的最重磅的历史性机遇之一。

传统科学界建构知识版图的方式，确实习惯于将人框死在狭窄的细分学科内。而在我过去的科研生涯中，我一次又一次地深刻体会到：唯有打破藩篱、将多个不同学科的思想融汇在一起时，不可思议的奇迹才会发生。只有在交叉地带，你才能借调、审视并贯通原本老死不相往来的知识脉络。

以往放眼全球，真正具备跨学科深厚积淀的人凤毛麟角，而往往正是这批跨界者做出了最惊艳的建树。如今有了 AI，我们终于有能力系统性地规模化实现这种交叉互通。因此我无比坚信，这不仅会加速跨领域的知识大融合，更能帮我们把割裂的碎片拼织成宏大的整体。

顺便说一句，你刚才指出的“验证瓶颈”确实命中了要害：当 AI 开始以前所未有的速度跨界批量产出假说时，如何科学地校验这些假说、验证其严密性并做出敏锐取舍，其重要性将呈指数级攀升。这自然也倒逼我们必须开发更加智能的 AI 辅助验证系统。

此外，既然我们在各个前沿应用垂直领域都在实现跨界突破，那么未来的通识教育与综合科学素养就变得更加关键。我认为这是未来必然会显现的一大积极趋势：鼓励大家跳出单一领域的深井。

在学术训练中，历来存在“专精深度”与“涉猎广度”之间的矛盾。在过去，大家不得不极度深扎于某一狭小领域，因为为了把课题推向终点，从最脏最累的实验台操作、到数学建模、再到复杂的定理推导，每一步都必须由你亲力亲为；

但在一个你可以随时调用一整个虚拟实验室作为后盾的时代，科研人员的基础培养模式必须与时俱进，我们需要重新评估学者们需要掌握的技能颗粒度，在通识广度与专业深度之间找到新的黄金平衡点。

顺便提一句，这绝不仅仅适用于自然科学界，工程技术界同样在经历这场剧变。以往软件行业分工明确：软件工程师、产品经理、UI 设计师各司其职，壁垒森严。

而在今天，一个全新的工作范式正在眼前展开：任何人凭借 AI，都可以调动一支由虚拟工程师、虚拟设计师构成的全能战队在幕后高效协同。也就是说，一个人完全可以融汇多项核心职能。因此，跨学科、跨领域的通感与全局驾驭力，在未来只会变得越来越吃香。

主持人：确实。我常常感叹，“岗位头衔”（job title）这个工业时代的产物恐怕越来越难以为继了。未来的核心竞争力必然取决于你底层拥有的硬核技能与认知模型，而非工业流水线划分出来的细碎标签。无论是做产品的兼顾工程落地，还是在科学研究中纵横捭阖，身份的流动性都会大大增强。

对于一个完全不从事科研的普通人来说，当科学探索被 AI 全面提速后，他们的日常生活会迎来哪些切身体会？普通人为什么要在意这件事？这和他们的切身利益有什么关联？

Yossi Matias：首先我认为，这类具备高度行动力的 agentic 系统正在接管大量以往必须由顶级专家亲力亲为的复杂任务，这将极大地降低创造的门槛，让更多普通人有底气在各个专业领域中大显身手。

例如在今天，大量此前从未系统学过编程的人，已经开始独立开发并上线软件应用了。前阵子一位初创团队的朋友告诉我：“我现在直接跟客户对接需求，他们一提想要什么新特性，我很多时候根本不需要转交给内部工程师排期，我自己顺手就能把可交互的原型给搓出来。”仔细想想，这种生产力的释放是极具颠覆性的。

科学研究同样如此：如果你是一位科学家，在推进课题时需要用到另一门陌生学科的技术，你不再需要大费周章地跨院系拉关系、找专家牵线搭桥，AI 在很大程度上就能化身你的专业智囊。这种把跨学科认知无缝缝合在一起的手段，威力会越来越巨大。

回想大约二十年前我刚加入 Google 时，公司内部就确立了一项非常推崇的技术文化：我们始终坚持要求产品经理最好具备计算机科学背景，哪怕其核心职责并非亲自写代码，但也必须懂得底层代码的运转逻辑；我们同样期望研究人员具备扎实的工程代码能力，要求软件工程师具备拆解科研难题的素养。

可以说，推崇跨领域理解的基因在我们这里由来已久。而在当下，这种能力红利正在普惠到全社会。更多的人能够随手构建应用、编写代码；更多的人能够在细分领域迅速建立深度认知；在 AI 的加持下，他们能够凭借正确的研究方法，以过去根本无法想象的姿态，切实为前沿科学突破添砖加瓦。

主持人：说得太好了。我们刚刚迈入“vibe coding”（氛围编码/直觉编程）的时代，说不定很快就会见证“vibe drug discovery”（直觉药物研发）的到来，普通人也能参与探索新药分子机制。

回到危机应对，你们在洪水预测方面的突破，是不是意味着我们终于能够读懂地球这颗行星一直在向我们传递的环境物理信号了？

Yossi Matias：我想先从“我们最初为什么决定死磕洪水预测”聊起。

正如我之前强调的，一切探索都必须从“为什么”（Why）出发——我们所做的事情，究竟能创造怎样的社会价值？

在这个维度上，过去十年间我一直负责统筹 Google 内部的危机韧性（crisis resilience）与应急响应研发工作。当灾难降临时，人们往往会第一时间打开 Google 搜索求助。

于是我们着手研究：如何在极端危机态势下，为身处险境的用户提供真正具有行动指导意义的实用信息？我们在 Google 搜索中正式上线了 SOS 警报功能。

然而我很快意识到一个严酷的现实：我们所能提供帮助的上限，完全取决于我们所掌握信息的确定性与前瞻性。

而在所有自然灾害中，杀伤力最广、每年造成成千上万平民伤亡的罪魁祸首之一就是洪水；但在这个领域，我们过去却几乎束手无策。因为要真正挽救生命，唯一的出路就是在洪峰到来前给出高精度的早期预警，以便人们能够提前转移避险。

大约十年前，我曾向多位资深的洪涝灾害专家请教：我们能否研发出一套具备预测能力的系统？当时学界与业界的普遍共识是：这几乎是一项不可能完成的任务。因为要让预警产生实际行动价值，预测结果必须具备极高的置信度；而洪水涉及的水文、地理、气象变量实在太庞杂了。

面对这一片唱衰，我们的想法却是：既然大家都认为难如登天，但它对人类生命安全又关乎重大，那为什么不试试啃下这块硬骨头？

于是我们启动了底层基础科研。在取得初步进展后，我们团队在印度展开了现场试点，证明了即便在极其严苛的物理限制条件下，我们依然能够推导出具备相当参考价值的水位预测。这坚定了我的信心。

事实上在大约八年前，我们就发表过一篇奠基性论文，提出一个大胆的假说：未来借助机器学习和云计算算力，人类终将能够对全球水文灾害实现规模化预测。

当时老实说，我们根本不知道最终的工程落地路径该怎么走，但手头的种种迹象表明，利用机器学习将所有这些错综复杂的地表与气象变量统筹建模，方向绝对是可行的。

这经历了极其艰苦的闭环研发迭代：从实验室理论推演，到深入一线野外实测，摸清技术瓶颈，再到与顶尖科研机构及多国政府建立战略合作，多方汇集实测水文数据以训练高精度机器学习模型。

最终，我们团队推动该领域的科学认知迈出了一大步——我们在《自然》（Nature）杂志上发表了关于“全球水文模型”（Global Hydrologic Model）的核心论文。该研究雄辩地证明：我们可以训练出强大的 AI 模型，在拥有充沛实测数据的水域充分学习洪泛规律，并成功将这些学到的泛化预测能力，无缝迁移至那些地表监测设备极其匮乏的偏远落后地区。

这件最初被外界认定为“绝对不可能”的课题，如今不仅在学术上取得了突破，而且同一个研发团队构建的线上预警系统，目前已经能够为全球 150 个国家、覆盖 20 亿人口的区域提供长达 7 天的洪水提前预警。这已经在切实挽救大量生命。如今，这套系统通过我们打造的“Flood Hub”公共平台，全天候向全球各地的救援部门与政府组织开放。

在数据荒原里用新闻训练模型：给整颗星球装上智能中枢

主持人：这太不可思议了。试想一下，提前 7 天收到洪水即将淹没家园的预警通知，这对一个家庭来说完全是改变命运的生机。

Yossi Matias：就在几个月前，尼日利亚政府与非营利慈善机构 GiveDirectly 深度接入了我们 Flood Hub 的底层 API，在洪峰逼近前，直接向沿河流域的贫困村民精准发放应急转移资金，确保他们在灾难发生前几天就能从容撤离。

但探索并未止步于此。在科研的长跑中，每当你翻越一座看似无法逾越的高峰，新的未知挑战便会立刻扑面而来。

以洪水为例，我们很快撞上了另一堵高墙：上述模型所能覆盖的，全部属于“江河型洪水”（riverine floods），也就是持续强降雨导致大江大河决堤漫溢；但现实中许多最具毁灭性的灾难，其实是“骤发性山洪 / 城市内涝”（flash floods）。这种突发洪灾来势汹汹、毫无征兆，更棘手的是，全球范围内几乎没有足够的历史水文监测数据能供机器学习建模。

直到去年，这在整个科学界都公认是一个无解的死结。

而随之而来的下一次关键创新，源于一个非常精妙的洞见：既然缺乏传感器数据，我们能否把目光转向别处？

我们敏锐地观察到：人类社会经历的所有重大突发洪灾，尤其是城市内涝，在过去几十年的新闻媒体报道中其实都有详尽记录。

于是我们大胆拍板：利用生成式 AI，调用 Gemini 模型去地毯式通读全球过去 20 年间用各种语言公开发布的海量新闻资讯。

新闻报道中极其详尽地记录了洪涝发生的精确时间、地理位置、灾情严重程度，而且这些全都是公开可查的宝贵信息。我们借助大模型把这些碎片化的历史报道提炼成了一座结构化的时空事件数据库。

我们把这项技术命名为“Groundsource”——本质上是在数据荒原中，用 AI 提炼出一整套极度详实的高可信度真实标签（ground-truth data），以此作为基石去训练预测突发洪水的 AI 模型。

凭借生成式 AI 的强大理解力，我们成功挖掘并标注了全球 260 万起突发洪灾事件，进而基于这批数据成功训练出了全新的机器学习模型。如今，针对城市突发内涝的预测能力，也已经正式集成并上线到了 Flood Hub 平台中。

一年前在全世界看来还束手无策的重大死结，就靠着将生成式 AI 跨界应用于公开新闻数据、并巧妙将其映射为物理观测代理变量的思路，在短短一年内迎刃而解。

这种方法论本身并不陌生。很多年前，我带领团队开发 Google 趋势（Google Trends）时，就探索过类似的范式：人们有时将 Google 趋势称作“人类意图的动态数据库”，我们可以仅凭全网搜索词条的聚合趋势，就精准研判出流行病暴发的早期轨迹，或是预测政治经济动态。

如今有了 Groundsource，我们把这种基于聚合信号解析现实世界的能力提升到了前所未有的高度，并向全球学术界与公共机构全面开源共享。城市突发内涝预测的破局，正是利用生成式 AI 盘活全人类公开知识沉淀、解决关乎重大公共安全挑战、挽救生命的生动注脚。

主持人：如果让你为“危机韧性”这项大工程立下一座北极星灯塔，你们终极的奋斗愿景是什么？

Yossi Matias：问得非常好。洪水预警固然举足轻重，但科研的版图远不止于此。

比如在风暴路径预测领域，我们在 Google DeepMind 的同事们取得了令人赞叹的研究突破，他们与 Google Research 紧密协同，联合推出了名为 WeatherNext 的新一代极端天气与风暴高精度预测系统。

在森林野火监测方面，我们同样在探索如何调动卫星遥感影像来提供火情早期预警。我们甚至与多家外部伙伴联合发起成立了“FireSat”天基监测星座计划：该项目计划向近地轨道发射 50 余颗高敏专用遥感卫星，一旦组网完毕，系统将有能力做到每隔 20 分钟对地球表面任意一点进行扫描，连一间普通房间大小的早期地表火情都能在萌芽状态被精准捕捉。

当我统筹考量所有这些防灾抗灾任务，去思考我们的北极星目标时，答案其实极其质朴而坚定：永远不让任何人在毫无防备的情况下直面天灾的侵袭。这就是我们一切努力的终极归宿。我们如何把前沿预测技术推向极致，让千家万户能够未雨绸缪，既守护好自身的生命财产安全，又能有充裕的时间组织避险？这就是我们奔赴的方向。

然而在底层，要实现这种全局洞察，你必须具备向整个物理世界从容提问的能力——不仅能对洪水发问，还能对全球气象、飓风路径、极端热浪了如指掌。

在攻关的某一刻，我们忽然顿悟：人类真正需要的，是一套属于整颗星球的宏观智能体——“行星智能”（planetary intelligence）。

如果我们把所有的地理空间模型全面打通，把天基卫星影像、不断更新的遥感数据，以及我们在疫情期间研发的用于研判人群流动的“人口动态”（Population Dynamics）基石模型全部汇聚在一起，融合成一个名为“Google Earth AI”的宏大模型家族，并在其上架设一层高能力的 AI agentic 系统，会发生什么？

这意味着，你可以直接向整颗星球抛出任何复杂问题。

例如在防灾救灾场景中，你不仅可以询问“洪水或飓风将在何时何地登陆”，更可以深入探问：“哪些社区在防灾基础设施上最为薄弱？最佳的撤离疏散方案是什么？沿途哪些关键生命线工程会瘫痪，需要我们提前部署哪些加固措施？”

再比如在公共卫生领域，最近西奈山医疗系统、波士顿儿童医院以及哈佛大学的研究人员发表了一篇重要论文，他们正是借助 Earth AI，精准分析了美国细分到邮政编码（zip code）级别的麻疹疫苗接种率空间分布。

如果你深入思考公共卫生或流行病学就会明白，这个领域的大部分痛点，本质上都是将疾病暴发态势与地理空间、区域经济水平、微观人群特征（如某地实际接种疫苗的聚合比例）紧密勾连在一起。目前，包括 Cooper/Smith、世界卫生组织（WHO）在内的诸多国际权威机构，已经在全面利用 Earth AI 的底层能力展开科研攻坚，探索如何控制霍乱等恶性传染病的跨区域扩散，乃至追踪近期埃博拉疫情的潜在蔓延路径。

因此，公共卫生是极具潜力的应用沃土，应急减灾是核心阵地，甚至商业决策领域同样收益颇丰——许多跨国商业机构的战略本身就与全球地理与气候息息相关。例如全球最大传播集团 WPP 正在借助 Earth AI 赋能宏观商业洞察；全球物流仓储巨头也在用它来优化全球供应链网络。它既能协助企业理解复杂的宏观现象，也能深度赋能科研探索与公众教育。

我认为，以 AI 为底层底座构建行星级的全知智能，将是一场极其震撼的技术跃迁。我们不再需要头痛医头、脚痛医脚地一次只解一个孤立问题，而是把整个地球系统的脉动全盘连接起来，借助 AI 实现天衣无缝的全局洞察。

不仅是在顶刊发论文，更要让偏远诊所的接生员手里有救命工具

主持人：这如果顺着我们前面聊到的“环境智能”脉络看下去，画面就非常生动了：许多商业公司正在努力为自己的企业构建专属的数字化智能层，而 Google 正在为整颗地球打造一个行星级的智能中枢。

在这个系统里，人类几乎可以直接与这颗星球对话。

在你们发表的论文中有一批极具启发性的案例：一位生态保护学者可以直接向 Earth AI 发问：“我们城市面临规划一条新公路的现实压力，在森林 A 与森林 B 之间，哪一座森林对于濒危物种的生态廊道更加命脉悠关？”或者一位公共卫生专家甚至不需要精通背后复杂的流行病学动力学方程、复杂的地理空间遥感解析等技术细节，就可以直接向系统提问：“这波霍乱疫情接下来大概率会向哪里扩散？”

这种人机交互，不正是通往终极“环境智能”大门的最典型入口吗？

Yossi Matias：从某种意义上说的确如此。

构建底层开放平台的魅力恰恰在于：你为全人类铺设好了一套全新的基石底座，大家就可以站在这个更高的起点上，全神贯注于解决下一维度的挑战。

我再分享一个来自截然不同领域的案例——医疗健康。在医疗领域，我们同样需要构建一系列兼具深厚专业理解力与语言交互能力的模型。

数年前我们曾确立了一个科研挑战：语言模型能否像人类专家那样深刻理解复杂的临床医学专业知识？我们把“让语言模型参加美国执业医师资格考试”（USMLE）设定为评估基准。

事实证明，我们团队在业内首次成功将大语言模型调优至超越 USMLE 及格线的水平。而到了该成果正式发表在《自然》（Nature）杂志上时，我们的进阶模型在纯文本医学问答中的准确率已经从及格线的 65% 飙升至顶尖专家水准的 85%，在融合了医学图像等多模态数据后更是达到了 91%。

更令人欣慰的是，全球众多合作伙伴立刻利用这一成果展开了丰富多彩的应用试水。

这正是我常说的“科研的奇迹循环”：提出极具挑战性的科学命题，研发突破，落地应用，进而顺藤摸瓜引出下一阶段更深层次的科学命题。

然而在登顶这一指标之后，我们立即追问：如何把我们千锤百炼打磨出的医疗理解力，毫无保留地交到全球开发者手中，供大家二次开发？

为此，我们打造了名为“High-Def”的开放模型生态，并正式发布了“MedGemma”。Gemma 是我们面向开源社区打造的大语言模型系列，也就是开源版的 Gemini；而 MedGemma 则是以 Gemma 为基石，融合了我们多年沉淀的最顶尖的医学推理能力所打造的专业开源医疗模型。

自一年多前正式向全球公开发布以来，MedGemma 的下载量已经突破了 500 万次。伴随这数百万次下载，全球涌现出了数以千计令人赞叹的应用实践。

这些创新的共同立足点，在于开发者一上来就拥有了一个对专业医学知识有深刻领悟的模型底座，他们可以以此为支点拓展出各色各样的落地形态，比如实现高精度的专业医学术语语音转写等等。

前阵子有一家致力于研发眼科疾病基础模型的医疗初创企业告诉我，他们直接选用 MedGemma 作为核心基座，这直接替他们省下了数年时间与数以百万计的前期资金投入，让他们得以集中精力直奔最核心的眼科临床病理攻坚。

更打动我的是最近听到的一个真实案例：在乌干达偏远乡村的一间简陋卫生所里，一位接生员遇到了一名产妇极具凶险的突发产程危象。当时当地根本没有任何互联网信号覆盖，但接生员随身携带了一台离线搭载了基于 MedGemma 开发的第三方 App 的移动设备。

借助该应用的即时专业指导，接生员冷静处置了险情，最终奇迹般地保全了母子两人的生命。

主持人：太震撼了。

Yossi Matias：这只是浮出水面的冰山一角，世界上无数我们尚未知晓的善举正在发生。这就是平台的力量，这就是将前沿基础模型向全球开源共享所释放出的普惠红利。

顺便提一句，就在几天前，我们刚刚把自研的洪水预测水文模型也全部向全球开源了，以便世界各地的科研团队能在此基础上自由扩展。

主持人：这说明人工智能绝非人类发展的上限，它反而筑牢了一层全新的地面，成为科学家和全人类向上跃升的弹簧跳板，推动所有人站上更高的维度。

Yossi Matias：精辟。当然，这只是其中一个维度。

如果我们把目光继续聚焦在必将给人类福祉带来深远裂变的医疗领域，在拥有了深厚的语言与临床理解力之后，我们面临的新命题是：如何将其天衣无缝地嵌入医疗各环节的实际工作流（workflow）中？

这里面既有传统意义上的落地探索：比如我们团队长达十年之久的“糖尿病视网膜病变”AI 筛查研究，该病症如若发现不及时极易致盲。过去几年间，我们与印度、泰国的医疗伙伴通力合作，将这项实验室成果全面推向临床，目前已在当地完成了超过 100 万人次的眼底早筛，从失明边缘挽救了数以万计的贫困患者。

再比如我们近期与英国国家医疗服务体系（NHS）联合发表的乳腺癌筛查研究，利用机器学习算法辅助放射科医生研判乳腺 X 光钼靶图像。发表在《自然》上的两篇论文确凿证实：AI 的介入能够将临床漏诊率大幅削减 25%，同时为捉襟见肘的放射科医生节省出 40% 的宝贵阅片时间。这些都是把科研论文一步步转化为临床福祉的坚实脚步。

而在另一个探索方向上，我们反思：临床诊断的体验，在本质上很大程度是一场患者与全科医生之间抽丝剥茧的深度对话。

于是我们顺理成章地设立了新课题：既然我们手中的大语言模型已经能提供高度可信的临床见解，我们能否让它直接参与到问诊诊断的对话流中，协助医生理清诊断脉络？

我们在《自然》等顶级医学期刊上相继发表了一系列重磅论文，系统论证了这种辅助问诊模式在多元临床指标上的卓越表现——更令人欣喜的是，AI 甚至在“医患共情力”与“沟通关怀度”等软性指标上展现出了极高的辅助价值。

不久前我们宣布与 Included Health 达成深度临床合作，在最严谨的实测环境下评估其辅助人类医生的实际临床价值。我们始终秉持严谨克制的学术态度，每一步都经受同行评议的严苛审视，以此不断拓宽认知的边界。

再比如最近，我们基于智能手表传感器的体征数据，推出了全新的 Google Health 应用。其背后依托的，正是我们在大语言模型个性化生理感知领域的一连串深入探索：如何把智能穿戴设备捕捉到的冰冷生理信号，转化为能切实指导用户改善健康的生活见解？

所有这些实践，无一不是“科研奇迹循环”的具象投射：提出尖锐的科学命题，扎实推进技术突破，将其掷地有声地注入现实世界，进而在真实反馈中引出更深邃的问题，周而复始。

实用化量子计算就在眼前，跨越软硬件的聚变将撕开新铁幕

主持人：如果让我们把目光投向更遥远的地平线，你认为有哪些科学问题将在未来十年定义 Google 的航向，乃至定义整个世界的走向？

Yossi Matias：当我沉下心来审视科学的终极疆界时，我越发觉得，人类在几乎所有重要科学领域中对真理的掌握，都还处于极其原始的起步阶段。

尽管大家为眼前层出不穷的技术突破欢呼雀跃，但冷静想想看：我们对人类大脑神经元的运作机制究竟参透了几分？我们在基于靶点的全新靶向药物逆向设计上走到了哪一步？我们在原子级的全新超导或高强度材料设计上突破了多少？我们对整颗地球气候水文系统的精确预测又把握了几分？我们为什么在灾害面前依然频频陷入被动？

我们为什么不能彻底洞察天地的运转律动，做到未雨绸缪并借此彻底改写人类的生存韧性？

粮食安全也是悬在头顶的利剑。在每一个上述领域，都有海量的科学深水区等待我们去蹚。

还有能源危机——当今天全社会都在焦虑能源供给的极限时，我深信，伴随基础物理与计算化学的前沿突破，人类必将在颠覆性能源形态、新型聚变技术与能源利用效率上迎来质的飞跃。这些无一不是关乎人类现实生存与日常繁衍的硬核课题。

至于教育，我们刚才深入聊过，在我眼中，教育是一个文明向前演进最至关重要的命脉，它承载着未来。

如果我们能借助技术，让地球上每一个个体都能充分发掘出自身的天赋潜能，让他们有能力驾驭未来的 AI 与先进科技去开辟新的可能，这其中孕育的发展空间是不可限量的。与此同时，人类教师的神圣地位将比以往更加崇高。我们每个人一生中能成为今天的自己、做出如今的人生抉择，背后往往都铭刻着某位恩师当年的点拨与启迪。我由衷希望，这一轮技术潮水能够赋能更多的优秀教师，去启迪、点燃一代又一代年轻人的求知欲，让探索科学的旅程变得更加纯粹、更加引人入胜。这些都是横亘在整个人类文明面前的壮丽征程。

此外还有一个让我个人极度着迷的方向，那就是探讨 AI 将如何重构人类的艺术与创造力。

随着 AI 日益化为人类得心应手的表达乐器，会有越来越多元的普通人能够毫无门槛地抒发内心的灵感。这无疑将深刻重塑各门类艺术的表达形态。我始终坚信，纯粹的创造力与深邃的人性体验，是人类生命中最具神性的瑰宝。我们究竟该如何利用技术去无限放大这份人性之美？这是我极度渴求在未来亲眼见证的篇章。

主持人：如果展望未来十年，量子计算在这场大图景中究竟处于什么位置？

因为回顾量子计算几十年的发展轨迹，过去的重心似乎一直在艰难地证明最底层的物理定律可以在工程上实现规模化扩展。我试着用通俗的语言向不了解量子世界的听众做个科普，如果有不严谨的地方请随时纠正我：量子比特（qubits）是量子计算机最底层的计算单元，但它们极其敏感脆弱。如果想要研制出一台能够模拟复杂分子机理、或解析超复杂物理系统的真正实用的量子计算机，你就必须在系统内集成数量庞大的量子比特。

而在历史上，这在工程上是一道几乎不可逾越的天堑，这也正是为什么 Google 研发出“Willow”芯片会成为轰动科学界的分水岭时刻——你们在世界上首次用实验证明了：随着量子计算机物理尺度的扩大，其纠错能力与运行可靠性反而能够随着规模的扩张而持续增强。

要真正兑现量子计算的终极愿景，眼前还横亘着哪些关隘？接下来的攻坚阶段，比起过去的筚路蓝缕，是变得更难了、更容易了，还是说它根本就是一场截然不同维度的全新挑战？

Yossi Matias：在量子物理领域，量子纠错（error correction）始终被公认为通往实用化道路上最难以逾越的铁幕。去年我们凭借 Willow 芯片取得的里程碑进展，正是在这堵铁幕上撕开了一道决定性的曙光。

量子计算本身就是一个周期格外漫长的“科学奇迹循环”。事实上，今天我们在 Google 量子 AI 实验室（Quantum AI Lab）所做的一切工程探索，其深层理论源头最早可以一路追溯至上世纪 80 年代米歇尔·德沃雷（Michel Devoret）、约翰·马提尼斯（John Martinis）和约翰·克拉克（John Clarke）的开创性研究——他们几位物理学先驱就在今年刚刚荣获了诺贝尔物理学奖。而米歇尔本人，正是我们当下 AI 硬件团队的首席科学家。

量子计算机的颠覆性在于，由于量子比特具备与经典比特截然不同的量子叠加与纠缠特性，在求解某些特定数学问题时，它所展现出的计算效率足以彻底碾压经典超级计算机。

我们曾经用实验证明过一个经典算例：量子芯片只需几十秒即可完成的运算，当世最顶尖的经典超级计算机需要耗费整整 10 的 25 次方年（即 1000 秭年）才能求解完成。

而在近期，我们借助所谓的“可验证优势”（verified advantage）在 Echo 算法上更进一步：该问题的真实答案可以通过其他数学手段进行严格验算闭环，实验表明量子计算机的求解速度比经典计算机足足快了 1.3 万倍。

不仅如此，量子计算对数论以及现代密码学体系也具有深远影响——早在上世纪 90 年代，肖尔算法（Shor's algorithm）就从数学上证明了量子计算机能轻易破解经典计算机视作牢不可破的加密难题。

但更为关键的是，除了目前已知的几十种具有压倒性量子优势的特定算例，以及利用量子模拟在分子生物学尺度上源源不断生成高保真微观物理数据（反哺前沿 AI 模型训练）之外，我个人最为期盼的景象是：随着我们一步步逼近具备实用价值的通用量子计算机，我坚信会有成千上万顶尖聪明的头脑涌入这一领域，合力开掘出我们今天甚至连名字都叫不上来的全新应用疆域。

这是一个全新的计算范式，而全新的范式必将孕育出颠覆想象的全新潜能。我坚信，其中许多维度的突破，将对当下的既有技术形成降维打击般的升维质变。

主持人：这下一个维度的跨越，主要取决于底层硬件的突围吗？在你的预判中是否存在一个清晰的时间表？我们离那一天大概还有五年吗？

Yossi Matias：我们确实坚信，在未来的短短数年之内，人类就将真正推开实用化通用量子计算的大门。

至于决定性的驱动力何在，我认为科技史一再向我们昭示一条铁律：真正的跃迁永远源于跨软硬件层级的深度大聚变。

底层硬件固然是承载一切的物理底座，你必须在此之上开发编译器、基础软件栈以及上层算法；但极为频繁的现实是，正是上层应用摸索中迸发出的灵感洞察，反过来决定了底层硬件究竟该朝着什么形态演进。

回想当年，正是肖尔在纯算法层面的构想，倒逼着物理学家们下定决心去研制真正的量子硬件：“我们到底该制造出怎样的硬件系统，才能在物理上承载这套算法？”这种算法的突破反过来成了工程落地的号角。

因此在接下来的岁月里，我们必将目睹各层级之间精彩绝伦的深度协同：重大科学难题召唤解决工具，催生颠覆性算法设计，进而重塑软件系统架构，并最终反向定义硬件的微观演进。这种层级间的深度激荡，将成为支撑未来数十年技术创新的核心燃料。

实现颠覆性创新最迅猛的路径，是向着远方不知疲倦地迈出小步

主持人：明白。一旦量子计算机全面照进现实，我们就能攻克今天被视作天方夜谭的极值难题；而随着这些终极难题的攻克，正如你所阐述的“奇迹循环”那样，它又会引出全新维度的科学问题，诱发新一轮波澜壮阔的技术创新浪潮。

看得出来，你是一位长年专注于跨越数十年周期的科研长跑者——现实中能潜心执着于一个跨时代项目的人已属罕见，而你手头同时统筹着数个这类项目。

当团队面对的某些科研攻坚，本质上是在试图把“物理上的绝对不可能”逆转为“工程上的切实可行”时，作为领军者，你究竟该如何确立里程碑、定义阶段性进展，并率领团队在未知的黑暗中破浪前行？

Yossi Matias：在科研创新与前沿探索的征途上，最让人心潮澎湃的永恒命题，就是不断叩问自己的内心：第一，到底什么才是真正关乎人类福祉的重大命题？我们究竟应该在哪些方向集结兵力，且凭什么坚信我们有能力在这些领域掀起波澜？

关键在于敏锐捕捉到那个将问题升维的契机时刻。在带团队时，我最喜欢抛出的一个核心问题就是：“在这个领域，我们能否构想出一个比眼下格局宏大得多的深层命题？我们能否在这里实现一次质的飞跃、一次阶跃式突破（step function）？”

坦率地说，这绝非易事。因为在搞科研与做产品创新的过程中，由于惯性使然，你的手头永远有数不清的细碎问题等待修补，每一件看起来都颇具吸引力。因此，想要超脱平庸、精准锚定下一个具有决定性意义的“大跃迁”，极度考验研判功力。

高校学术界在这一点上面临着一模一样的考验。你必须去提出那些具有深远战略意义、且依仗自身积累确实有希望破局的大问题，漫无目的地盲目发散是毫无意义的。这意味着在每一个探索板块，我们都必须日复一日地自我审视：究竟什么才是能带来本质改变的突破点？我们下一步该攻克怎样的关键命题？

Google Research 汇聚了全世界最顶尖的天才头脑，这群出类拔萃的科学家与工程师有幸能够在这里并肩攻关全人类最迷人的前沿课题。

Google 旗下有八款产品的月活跃用户数突破了 20 亿大关，我们的使命要求我们的科研成果必须产生切实造福社会的宏大影响力。不仅如此，我们还与全球顶尖学术界、各国政府保持着深度紧密的战略协同，依托着世界上最庞大坚实的工程计算基础设施——这一切构成了得天独厚的沃土，帮助我们去锚定正确的问题，去把每一项实验室里的学术突破，携手 Google 内部以及全球各界的杰出伙伴，真正转化为造福众生的现实。

因此，唯一需要我们一刻不停去叩问的，就是寻找那批真正能带来阶跃式科研突破的终极问题。

就我个人的管理心得而言，我一次又一次地验证了一条看似悖论的真理：实现颠覆性创新最迅猛的路径，反而是朝着一个宏大无垠的远景目标，不知疲倦地迈出扎实而相对紧凑的细分步伐。

回顾我们做洪水预测的漫漫长路，本质上就是极为严谨的高频迭代：每一次迈出的小步，都要比上一次的成果实现一次局部的阶跃式跨越；而在很多关键节点，你必须在底层基础科研上实现破局，才迈得出这一步。

我们在医疗健康领域的深耕亦如出一辙：面对几年前大家习以为常的技术天花板，我们选择不断推高认知维度，一步一个脚印地把探索推向更高境界。这正是科研、创新与技术开发最令人心驰神往的核心魅力。

对我而言，最幸福的莫过于能与这样一群顶尖战友并肩作战：我们既能在学术纯度上提出定义行业前沿的尖锐命题，斩获能发表在《自然》乃至 NeurIPS 等顶尖殿堂的学术突破；更能亲手拆掉象牙塔的围墙，将这些理论成果实实在在地浇铸进日常产品、基础科学与全人类社会的肌理之中。

主持人：如果第一步在眼下的物理认知中就是无法逾越的“不可能”，而你转头面对手下的一线研究团队宣布：“好，这就是我们攻坚的第一座里程碑。”在面对这种长达六个月乃至十年的漫长未知时，你究竟该如何为一件“不可能的事”锚定考核基准？

Yossi Matias：首先必须澄清的是，并非我们设立的所有科研课题都属于“不可能”的范畴。在绝大多数日常攻坚中，路径其实是有迹可循的：“看，我们在这里可以取得进展，在那个环节我们能带来提升。”

我们团队真正在做的，是不断抬高技术攻关的难度门槛。

因为坦白讲，在今天这个时代，几乎全天下所有人都在用 AI 解决各种各样的问题，所以我们更渴望将自身兵力聚焦在那些依循当下的既有知识根本无从下手的硬骨头上。这才是所谓“科研突破”的真正底色。

因此，我们团队所有的决策逻辑，我称之为“影响力导向”（impact-driven）。我们无时无刻不在严苛评估：这项研究如果做成了，究竟能爆发多大的社会影响力？

为了撬动这种影响力，我们的真金白银与战略资源应该投向何方？哪里才能孕育最深远的改变、最震撼的阶跃？

在我的价值排序里，最重磅的科学问题，永远是那些能够带来范式跃迁、能够眺望遥远地平线、并即将从未来的转角处呼之欲出的时代课题。

从科学探索的本能出发，这些问题最让人兴奋；而一旦我们真正实现了从 0 到 1 的科研破局并将其锻造为现实，它所激荡出的时代回响，也必然是无与伦比的。

当 OpenAI、Anthropic、Google，到智谱、DeepSeek、Kimi、阿里都开始密集发布自进化相关研究，RSI 正从概念走向真正的技术竞赛。

11 月 20—21 日，2026 奇点智能技术大会「大模型技术：从 Agentic Scaling 到 RSI」专场，将邀请一线研究者与工程专家，围绕 Agentic Scaling、RSI、自进化闭环、持续学习、AI 制造 AI 等关键问题展开分享。

同时，我们整理了 《RSI（递归自我改进 / 自进化）前沿研究资料包》，汇总 OpenAI、Anthropic、Google、DeepSeek、智谱、Kimi、阿里等最新论文、官方技术报告与研究出处。

扫描下方海报二维码，领取 RSI 前沿资料包，并了解专题参会详情。