近日，谷歌创始人谢尔盖·布林接受了知名播客主理人洛根的访谈，围绕谷歌I/O大会的最新动态以及AI开发的整体现状，展开了一场深度对话。布林坦言，这次发布阵容相当精彩，甚至有些环节让他感到意外——比如谷歌搜索中突然上线的虚拟试穿功能，反响热烈。不过他也强调，从宣布到真正落地，还有大量工作要做，团队目前正全力以赴确保所有新功能顺利交付。

回顾人工智能发展的更广阔轨迹，布林指出，当前进展与几年前人们对“奇点”的理性推理截然不同，AI的发展方式令人惊讶。具体来说，有两个关键观察：第一，语言模型已成为AI发展的主要驱动力，这在15年前并不明显，尤其是考虑到DeepMind过去一直专注于物理基础；第二，思维模型展现出了惊人的可解释性——你可以洞察其推理过程，从安全角度看，这无疑是一个显著的积极信号。

从架构层面看，布林发现不同模型之间的相似度远超想象。即便是看似截然不同的视频传播模型，其训练过程也在不断趋同。后训练阶段（微调、强化学习等）在整体工作中所占的比例越来越大，工具使用等功能的加入，让模型变得更加强大。

谈到推理扩展，尤其是“深度思考”计划，布林透露了谷歌的愿景：让模型能够思考更长时间——数小时、数天甚至数月——从而对复杂问题给出更好的答案。这与克服长上下文输入的挑战不同，谷歌一直在努力实现这一点。从短期任务的训练模型，到期望它们能在几天内开发出新的东西，这是一个正在克服的重大差距。布林还提到，AI的发展时刻凸显了评估问题的普遍难度——无论对于人类还是AI而言，这都是一个难题。

最后，布林反思了谷歌的地位和创新步伐。他认为，企业必须定期进行自我改造，虽然充满挑战，但谷歌凭借在大规模数据、谷歌大脑和Transformer方面的深厚积累，已经为AI转型做好了充分准备。他对目前看到的加速发展感到乐观，并解释了谷歌大模型从跟随到领跑的原因。他特别提到，与2024年的赶超相比，2025年已经取得了显著进展——Gemini 2.5 Pro是一次明显的飞跃，至今在大多数排行榜上仍位居第一；而最近推出的Gemini 2.5 Flash，也被认为是一款速度超快、性能强大的模型，在许多排行榜上排名第二。

以下为访谈核心内容的重述——

主持人开场后，布林立刻回应了对I/O大会的总体感受：“这绝对是一系列非凡的发布。说实话，我可能连其中30%的内容都不完全了解——时间有限，我对Gemini了解很深，但甚至不知道虚拟试穿功能会上线。很多事让我感到惊讶。”他认为反响非常好，但人们需要花时间探索和理解，而团队正忙着交付所有发布的内容，这需要巨大的精力。“对许多团队来说，I/O是大量工作的开始，而不是终点线。”

Gemini的核心文本模型

当被问及关注重点时，布林表示自己主要聚焦于Gemini的核心文本模型，因为这将帮助谷歌更好地编码和开发AI背后的科学。同时，他也承认生成媒体领域令人惊叹，感觉像是超人。“使用文本模型，有些数学问题我可能能解决，但也会出错，或偶然发现代码——虽然这种情况越来越少。我现在经常依靠Gemini来做编码和数学。但无论如何，它还在人类范围内。而我的艺术天赋有限，根本不可能创作出图像或视频。如果我是一名摄像师或3D渲染师，可能需要一个月艰苦工作才能得到我在几分钟内就能生成的东西。生成媒体在视觉上非常引人注目，你无法逃脱。”

Gemini和Veo 3中的原生音频

主持人提到，Veo 3中的音频让他感到震撼——以往生成视频后还需要单独处理音频，现在模型能同步生乘人类对话，且效果出色。布林对此深表赞同：“我一直是音频的忠实粉丝。我个人很注重视觉，但多年来，特别是谷歌眼镜这类产品，让我意识到添加音频比添加3D效果更能丰富感知。当你真正让音频工作时，那是一种令人难以置信的感知变化。我最近看到了模型训练在过去一两个月内的进步，从最初到现在的变化感觉完全不同。”

关于原生音频在Gemini中的实现，布林解释：“我们花了很长时间才在Gemini中发布原生音频。底层模型已经具备能力至少一年，但要让原生音频输入、输出真正运行良好，需要大量时间。现在它终于出来了。Veo的做法类似，我相信音频也是通过Diffusion实现的，就像视频一样。在训练过程中，你可以看到生成的视频从最初形状不准确、文字模糊，逐渐成形，最终变成今天我们看到的样子。我很庆幸我们拥有一批机器学习研究人员，能同时在不同模式下探索不同的基础技术。”

模型训练运行的见解

主持人好奇“观看训练运行”究竟意味着什么。布林解释：“我们可以在训练过程中测试中间检查点——比如10%、20%的训练进度。模型在那些时间点上很弱，但你可以通过它们了解轨迹。尤其是大型训练运行，你会投入大量计算，也会在整个过程中多次测试，从而对最终趋势有相当好的把握。这对文本模型、视频模型（如Veo）都适用。所有模型都有这些中间结果，如果你真的深入其中，肯定会去检查，因为你对它最终会产生什么既紧张又兴奋。”

当前AI发展与过去预期的对比

主持人提到，谷歌CEO Sundar在15年前就和布林、拉里·佩奇讨论过AI的未来，而如今的发展与当年的想象惊人地相似。布林回应：“你可以通过奇点来理性推理，比如雷·库兹韦尔几十年前推断的2037年——现在看来可能有点保守。但真正看到它发生，感觉完全不同。15年前谈论AI，更像是在想象科幻未来，像玩游戏一样。而现在，它真的发生了，而且发展方式相当令人惊讶。”

他举例说明：“语言模型已经成为AI发展的主要驱动力，这在15年前并不明显。事实上，DeepMind过去一直专注于物理基础，认为拥有一个物理世界作为基础很重要。但语言模型能发展到这个程度，并不显而易见。而且有一个有趣的副作用：思维模型具有令人惊讶的可解释性。你可以看到模型是如何推理、如何得出结论的。如果没有大量工具，你很难检查模型权重并从中推断，但它的推理很多都用非常易懂的语言表达出来了。我认为这是15年前你没想到的，也是一个令人欣慰的意外。从安全角度看，这些东西在某种程度上确实‘表达了它们的想法’，这是一个很大的优点。虽然有些论文讨论它们会撒谎，但影响相对较小。”

模型训练的演变

当被问及模型训练过程如何从文本输入输出演变为完整系统时，布林指出：“所有不同模型在架构上高度相似——比如视频传播模型与文本语言模型，看似不同，但架构上有很多共同点，核心都是Transformer，这要感谢Noam和团队近十年的贡献。现在，我们正在添加工具使用等功能，这些大多发生在后训练阶段。后训练在整体训练中的占比越来越大，从以前的99%预训练，到现在可能90%或80%。后训练包括微调和RL类型的工作，过去只是最后一点塑造，现在材料越来越多，工具使用也在更大阶段出现，这让模型变得更加强大。”

推理和深度思考的未来

关于推理扩展和深度思考，布林说：“有趣的是，我们有大约五种不同的方法，都集中在‘深度思考’上。很高兴看到众多团队聚集在一起，有时我们会分散，需要很长时间，但这次我们采纳了所有人的最佳想法，将它们结合，确实产生了更强的结果。我认为这持续发生，就会成为一种超能力。如果模型不是只花一分钟思考，而是能运行一小时、一天甚至一个月，它们就能对重要问题给出更好的答案，这非常有价值。”

他进一步解释：“这有点新，而且不简单。我们破解了长上下文输入——已经有一年半左右掌握了一百万条信息。现在需要无限背景，但概括并不简单。对模型来说，就像经历‘土拨鼠日’，一遍又一遍重复。你以个人身份体验一天，尝试这个、尝试那个，然后生活就开始了，日复一日、月复一月。这是一种非平凡的概括。但我们已经知道怎么做。在输出方面，如果只是短小的数学问题，也不简单。这就好比面试时我们问10个问题，然后期望他们在几个月内建立大型系统——但用这种短问题测试一个人，真的合理吗？对AI模型，我们做了无数次类似的事情：只训练它们解决简单的数学和编码问题，然后期望它们能花长时间开发新东西。这是一个正在克服的差距，也是巨大的飞跃。”

谷歌的创业文化与加速AI创新

主持人感叹，从I/O展示的内容看，2025年的发布阵容明显比2024年大，创新明显加速，而且加入谷歌的感觉就像一次创业经历。布林回应：“公司需要定期自我重塑。我们最初是一家网络公司，后来必须让移动端工作，社交方面我们从来都不擅长。现在进入AI领域，令人兴奋的是，谷歌一直是一家AI公司——我们致力于大规模数据和分析，也是许多现代机器学习的诞生地，从谷歌大脑到Transformer。这是公司的DNA，所以我们应该做好充分准备去实现这个转变。”

“任何转变对公司来说可能都困难，但我感觉非常好。从2024年到2025年，我们在很多层面上都赶上了，特别是Gemini 2.5 Pro的推出，那是一个明显的飞跃。在2.5 Pro之前，我们可能已经是第一名，但这次进步很大，全面领先，至今在大多数排行榜上仍排名第一。这背后是科学引擎的因果——过去一年来的科学研究，让我们最终能够生产出这个模型。此后又发生了很多事，我们经历了2.5 Pro的几次迭代。你可能没注意到，昨天我们推出了新的2.5 Flash，在很多测量中它排在2.5 Pro之后，排名第二。凭借这个模型，我们在许多排行榜上名列前茅。很多人可能忽略了它，但它是超级快速的模型，会对很多用例有吸引力。有了今年2.5 Pro的基石，我们能够在此基础上继续发展并保持势头，这将是非常棒的一年。”

访谈尾声，主持人感谢布林对团队的推动，并送上一份特别的礼物——一块TPU V4（内部代号Pufferfish）。布林笑着拆箱，表示虽然这些芯片已经成为上一代产品，但团队仍在大量使用它们，而正是这些硬件让一切成为可能。他再次感谢了团队和所有客户的努力。