谷歌AI逆袭之战：谢尔盖·布林斯坦福访谈揭秘反击之路

在人工智能浪潮席卷全球之际，谷歌曾长期被外界视为“落后者”。自ChatGPT问世以来，这种声音在科技行业占据了主导地位。

过去三年里，全球科技叙事的焦点似乎只集中在两个角色上：英伟达扮演“卖铲人”，提供GPU硬件基石；而OpenAI则“挖金矿”，通过Scaling Law定义前沿模型的发展路径。

谷歌则被普遍认为在这场AI竞赛中步伐迟缓，模型表现不及OpenAI，甚至其核心搜索业务也面临被颠覆的风险。转折点出现在谷歌联合创始人谢尔盖·布林（Sergey Brin）重新回归一线，亲自执掌AI业务，并相继推出Gemini 2.5和Gemini 3系列大模型之后，整个局面才发生了根本性转变。

上月，谷歌发布了最新的Gemini 3系列模型及第七代TPU Ironwood，一举改写了AI行业的竞争规则。如今，轮到OpenAI感到紧张了。

12月13日，谢尔盖·布林现身其母校斯坦福大学工程学院的百年校庆活动。面对台下数百名年轻的工科学生，布林首次坦诚谷歌在AI兴起初期的战略失误，并深入解读了这场绝地反击背后的深层布局。

当被问及谷歌在AI早期阶段的被动局面时，谢尔盖·布林表示，尽管谷歌早在八年前就发表了开创性的Transformer论文，但公司内部并未给予足够的战略关注。

“我们在计算能力扩展上的投入过于保守，甚至可以说有些畏首畏尾。这种胆怯源于谷歌作为搜索巨头的包袱。”由于担忧聊天机器人可能输出错误信息或不当内容，谷歌在产品化道路上犹豫不决。这种迟疑为OpenAI提供了宝贵的窗口期，后者敏锐抓住机会，凭借ChatGPT迅速抢占市场制高点。

谢尔盖·布林重返一线在很大程度上是为了“救火”。回到谷歌后，他并未选择在高层会议室听取汇报，而是直接深入Gemini模型的研发一线。他透露，自己现在每天通勤途中都会与内部版本的Gemini进行语音对话，不断测试其性能极限。

“公众目前使用的公开模型版本其实已经相当陈旧，我在车里测试的那个版本要强大得多，预计几周后我们就会将其推向市场。”

这番话某种程度上证实了外界对Gemini 3迭代速度的猜测，谷歌正加速将实验室的前沿成果转化为实际产品。

谷歌依托深厚的底层技术积累实现了华丽逆袭。在芯片层面，第七代TPU Ironwood为Gemini 3系列模型的性能爆发提供了硬件支持，在性能、能效比及互联带宽上均展现出对传统GPU的明显优势。

在模型层面，Gemini 3系列的原生多模态能力和超长上下文窗口，将行业标准提升至新高度。与竞争对手通过接口缝合实现多模态不同，Gemini 3从基础架构层面就实现了文本、代码、图像、音频和视频的统一理解与生成，展现了更高级别的通用智能。

在应用层面，谷歌将模型能力深度整合进其核心应用生态。在Workspace生产力套件中，Gemini被嵌入用户的日常办公流程。在核心搜索产品中，传统的链接列表正转变为由Gemini驱动的摘要性、多模态答案。此外，结合Veo等视频生成应用，谷歌在内容创作领域也展示了模型能力的商业化落地，实现了从模型突破到应用生态的全链条体验升级。

尽管谷歌错过了Transformer技术商业化的最佳时机，但其在深度学习和算法方面的原创积累依然雄厚。谷歌的人才储备和基础研究功底，使其能快速调整策略，将研究成果直接转化为下一代架构的优势。这种全栈自主可控能力，为谷歌带来了显著的模型迭代效应，使其迅速缩小差距并实现反超。

谈及行业当前普遍推崇的Scaling Law（扩展定律，即单纯依赖增加算力和数据来提升模型性能）时，谢尔盖·布林给出了一个反直觉的见解：尽管外界的注意力都集中在庞大的数据中心和GPU集群上，但真正的决胜关键可能在于算法效率。

“如果仔细回顾过去十年的发展历程，你会发现算法层面的进步速度实际上超越了单纯的算力扩张。”这也解释了为何谷歌在Gemini 3的研发中，不再盲目追求参数量的增长，而是转向更高效的MoE（混合专家）架构和长上下文处理能力。

谢尔盖·布林还提到，谷歌从未停止在算力基础设施上的投入，TPU项目早在12年前就已启动，软硬件一体的长期积累，是谷歌在算力紧缺的当下仍能保持快速迭代的核心护城河。

面对学生关于AI未来的提问，他表示，目前尚不清楚智能是否存在上限，AI是否能完成人类无法做到的事情。AI不仅是代码生成工具，更是人类能力的放大器。他建议年轻一代不必过度焦虑AI对职业的替代，而应学会利用AI提升自身创造力。

谢尔盖·布林访谈核心要点

1. 谷歌在AI浪潮早期曾出现决策失误

谷歌在Transformer论文发表后错失先机。由于担心聊天机器人可能输出“愚蠢言论”，未敢快速推广技术，导致公司在AI商业化部署上失去主动权，让竞争对手抢占优势。

2. 谷歌AI核心优势在于全栈基础设施

尽管早期有失误，但谷歌在AI领域的持续竞争力源于对深层基础技术的长期投入。例如十多年前就开始研发的AI专用芯片（TPU）以及大规模数据中心。这种对算法、半导体和计算设施的全面掌控，使其能够屹立于现代AI前沿。

3. 未来AI的突破点可能在于算法

AI未来发展的方向将更依赖于算法进步和潜在的新架构，而非仅仅通过扩大数据和计算规模。在过去十年中，算法的进步速度实际上已经超越了计算能力的增长速度。

4. AI在创造性任务上可能更易发挥

不应仅因AI擅长写代码就转向人文学科；AI在比较文学等领域可能表现更佳。并非不尊重人文学科学生，但使用AI写代码时，它有时会犯重大错误；而在一篇比较文学论文中写错一句话，后果可能不那么严重。AI在处理创造性任务时可能更轻松。

5. 建议年轻人将AI作为增强个人能力的工具

AI是一个强大的赋能工具，可用于头脑风暴、获取专业知识概览，学生们应积极利用它来提升自身能力。

谢尔盖·布林访谈实录精华

1. 布林在斯坦福的教育背景

主持人：欢迎大家。这是我们百年纪念年的闭幕活动，我是Jennifer Widom，工程学院第十任院长。

我想先铺垫一些背景。上世纪90年代初，Sergey Brin作为计算机科学博士研究生来到斯坦福。电子邮件正开始成为主流通讯方式。创业浪潮刚刚加速。工程学院第六任院长Jim Gibons孕育了斯坦福科技创业项目（Stanford Technology Ventures program）的想法，这也是今天活动的主办方。我于1993年以助理教授身份加入，与Sergey同年抵达。当时斯坦福还有一位本科生正开始大四学业，那就是John Levin。

John曾在这里攻读数学和英语本科学位。他前往麻省理工学院（MIT）攻读博士学位，并于2000年回到斯坦福任教。他曾任经济学系主任、商学院院长，并于2024年8月成为斯坦福大学第13任校长。现在，我很高兴邀请斯坦福校长John Levin以及Sergey Brin上台，加入我们的对话。

Sergey Brin：好啦，你们过奖了。我想这其中很大程度是运气，但无论如何，感谢邀请。很高兴来到这里。

John Levin：那我们回到那段时光吧，带我们回到你在斯坦福读研的时候。聊聊那时在工程学院的学习经历，以及它如何塑造了你，并为创建Google奠定了基础。

Sergey Brin：回想起来，也许当时我并未完全意识到其价值，但那是一个充满创造力和自由的时期。我想我们在这里进行了许多探索。Google的雏形早在几年前就已开始，大概从95年起。而且要为Larry点赞，他当时非常专注于网页的链接结构。

但在那时，网络是新生事物，想出创新点子相对容易。比如，我的第一个赚钱想法是在线点披萨。当时看来简直不可思议，你居然能通过网络订购外卖。如今我们视之为常态。我曾想把一则可乐广告放在顶部，以为那会很有趣，预示着网络广告的兴起。

总之，这个计划彻底失败了，因为它需要先下单到网站。大多数披萨店当时并不在线，但我想它们有传真机，所以系统会自动传真订单。后来我发现他们并不常查看传真，于是计划就此告吹。

但当时，我想在计算机科学系，大家相当了解互联网工作原理，所以都在网上尝试各种创意。那真是一个极具创造力的阶段。

无论如何，Larry专注链接结构，而我从事数据挖掘，于是我们联手了。很快我们发现了一些对搜索非常有用的东西。但我们花了一段时间仅在斯坦福进行实验，考虑是否将其作为学术项目。我们还尝试将技术授权给各种互联网公司。

有一次我们向Excite推介，但Excite兴趣不大。不过Vinod认为这个想法很棒。我们通过邮件与Vinod沟通，然后发通知说将以160万美元授权这项技术。大约15分钟后我们收到回复，当时非常兴奋，对研究生来说那是一大笔钱。

John Levin：从那个起点出发，回顾现在，Google已成为市值4万亿美元的公司，每分钟处理千万次搜索，产品线庞大。早期有哪些做对的事情，让你觉得至关重要？

Sergey Brin：我认为在早期，Larry一直很有雄心。我们很早就有宏大的使命宣言，比如组织全球信息等。我觉得以某种哲学理念创办公司是很好的方式。而且，我们确实开启了学术风格浓厚的研究文化。我们俩都来自博士项目，像当时许多初创公司一样，我们几乎刚从大学毕业。我认为这在一定程度上改变了我们看待问题的方式。许多杰出公司明确从大学诞生。但对基础研发的投资，我确实认为这是文化的一部分，且很早便已形成。

John Levin：你们还雇佣了许多博士，所以不止你们两人。

Sergey Brin：是的，非常多。我记得Urs Hölzle，他是最早成员之一。我认识他是因为我在斯坦福的教授聘任委员会。他一发来消息，我就想：你能明天开始吗？因为我已经了解他的资历。

2. 谷歌的创新哲学与AI反击

John Levin：我认为一个有力的论点是，谷歌是过去25年全球最具创新性的公司之一。大公司确实难以保持高度创新，大家都在为此挣扎，而你们做到了。许多人将重大影响归功于你个人。你如何看待培养创新文化，你的角色是什么？

Sergey Brin：我想，首先，我们在很多事情上失败过。无需一一列举，但我们确实经历了许多失败。所以，部分原因在于不断尝试。我认为这与学术背景有关，也许我们更倾向于挑战难题。

进入过去十年左右的阶段，尤其是那些难题变得越来越有价值。以人工智能为例，这显然是一个巨大趋势，但所需计算量、深入的数学探讨，在技术上都是深奥且具有挑战性的问题。

有一段时间，任何东西都可以放到.com上。它并非技术深厚，只是对网络的浅层理解。幸运的是我们当时做搜索，这确实需要更深的技术技能，但技术复杂度只会越来越高。

事实上，我们现在招聘的员工，要么比我更有资质，要么至少比我当时更有资质。我的专业是偏数学的计算机科学，大学时同时学习数学和计算机科学，这在我的班级里较少见。现在，我们喜欢从斯坦福及其他顶级项目招募人才。这些人在数学和计算机科学上都非常精通。很多人甚至是物理学家，因为物理学家必须处理高难度数学，且工作受计算限制，所以他们具备计算能力和技能。我觉得深层次技术变得越来越重要，我们很早就朝这个方向准备，这是一种幸运。

主持人：这是一个有趣观察，技术问题再次成为企业竞争优势。那聊聊人工智能。现在人人关注。你重回Google主导此事。你们在许多方面处于前沿，竞争激烈。进入AI基础设施领域的资金达数千亿美元，即使对单家公司也非同寻常。你现在如何看待行业格局？AI领域正发生什么？

Sergey Brin：好的，让我想想如何回答，而非自夸。这确实是巨额投资。我想说，在某些方面我们确实犯了错，因为投入不足，且未像现在这样认真对待。例如，约八年前我们发表Transformer论文时，我们未认真对待，也未投入资源扩展计算能力。而且我们过于担心提供给用户使用，因为聊天机器人可能说错话。OpenAI抓住机会，这对他们是好事。这是一个非常聪明的洞察。我们的同事，如伊利亚（Ilya），也加入他们并付诸实践。

但我相信，我们仍从悠久历史中受益匪浅。我们在神经网络相关研发上有大量积累，可追溯到Google Brain。这其中也有运气成分。但聘请杰夫·迪恩（Jeff Dean）不是靠运气。当然，能请到他很幸运，但我们当时有理念认为深层次技术重要，所以雇佣了他。我们从Digital Equipment Corporation (Deck)招募了许多人，因为他们当时拥有顶尖研究实验室。

他对神经网络充满热情，我认为源于大学实验。他做过许多惊人事情，如在16岁左右理解神经网络，同时关注治疗第三世界疾病，但他对此热情并建立了整个项目。实际上，当时在他所属的Google X部门，他做这些，我并未过多干预，我想：好吧，杰夫，你放手去做。他说：“哦，我们能分辨猫和狗了。”我当时想：“哦，好吧，真酷。”但你必须信任技术人员。很快，他们开始开发所有算法和神经网络，并应用到部分搜索业务中。后来，我们开发了Transformer模型，从而能做越来越多事情。

所以我们拥有基础和研发部门。虽然多年投资不足，未如本该那样认真对待，但我们也为此开发芯片，如TPU，可追溯至约12年前。最初我们用GPU，可能是最早用户之一。接着用FPGA，然后尝试自研芯片。这些芯片已迭代无数代。我认为，正是对追求深层技术、获取更多计算能力和开发算法的信任，造就了今天局面。

同时，我们也是计算领域长期重要投资者。我们拥有大规模数据中心，除亚马逊AWS外，少有能及。我们拥有自研半导体、深度学习算法等，构成整个技术栈，使我们在现代AI前沿发挥作用。

3. 人工智能的浪潮与未来

John Levin：你如何看待这个问题？技术每年进步。人们对AI未来有不同设想，比如AI真能做到人类能做的一切吗？至少在人机界面，甚至更广范围。那个世界会怎样？你对技术发展方向有何看法？

Sergey Brin：这个领域的创新速度惊人，竞争异常激烈，尤其在美国顶级公司和中国顶级公司之间。如果你错过一个月AI新闻，就会落后太多。那么它会走向何方？我不知道，我觉得我们根本不知智能是否存在上限。除了你的问题，如它能做人类能做的一切吗？还有：它能做人类做不到的事情吗？

John Levin：是的。

Sergey Brin：那涉及超级智能问题。我认为这仍是未知数，一个实体到底能多聪明？人类进化了几十万甚至百万年（指灵长类），但与AI发展相比，过程相当缓慢。

主持人：你觉得我们是否为技术进步速度做好了准备？

Sergey Brin：目前为止，我认为人们确实从此技术中获益巨大。尽管有时有末日预测，但目前每个人都能熟练使用。老实说，AI有时愚蠢得让人哭笑不得，以至于你必须时刻监督它。但有时它们非常聪明，能给你很棒的主意。尤其对非专家，比如我想弄清楚如何制造新款AI芯片，AI就能提供帮助。

我认为这很难，难准确预测会发生什么。回顾互联网、手机等出现时刻，这些都深刻改变了社会，确实改变了职业类型和学习内容。而AI将百分之百改变这一切。但难在迅速变化环境中准确说出会怎样。我们今天拥有的AI与五年前大不相同，也与我们五年后拥有的不同。所以，我也不知道。我觉得真的难预测。

我肯定会利用AI为自己带来好处。有许多事情可做。就我个人而言，无论是为朋友或家人挑选礼物，还是为新产品集思广益，或做艺术创作，我现在一直求助于AI。它并非直接完成任务，因为我通常要求它给出五个想法等。也许其中三个是垃圾，我一眼看出。但两个想法带光彩，或帮我放到更恰当角度，让我能加以润色，理清想法。

主持人：让我问一个具体问题。我们约有250名学生在此。很多是本科生，许多人未选专业，因为斯坦福给本科生很大灵活性。几年前可预测，大量人会选计算机科学为主修。你建议他们继续选计算机科学吗？他们应认真考虑吗？

Sergey Brin：我选计算机科学是因充满热情。所以对我显而易见。可以说我幸运，因我处在变革性领域。我不会因AI现在编程表现不错而不学计算机科学。AI在许多事上都出色。编程恰好市场价值高，所以很多人追求。而且，更好编码造就更好AI。所以许多公司，包括我们自己，非常重视它。我们在编码工作甚至算法想法上大量使用AI，但正因这是重要事情。

我想我不会仅因AI擅长写代码而转学比较文学。老实说，AI在比较文学上可能表现更好。并非不尊重比较文学学生，但用AI写代码时，有时它不奏效，会犯重大错误。然而，在比较文学论文里写错一句话，后果没那么严重。所以说，AI做创造性事情更容易。

主持人：这是有趣观察，关于此技术。因为人们倾向于认为AI将擅长解决技术问题，但不一定做与人类相关的特质，如在对话中表现同理心。如果让AI引擎模拟对话，它在许多方面相当不错，能为复杂对话提供结构。我很喜欢你指出的不确定性。

还有一个问题，然后开放讨论，让观众提问。这是工程学院百年纪念。如果你是Jennifer，必须开启学校第二个世纪，你会为工程学院第二个世纪考虑什么？

Sergey Brin：哇，好的。那确实需谨慎规划的重要责任。我想我得重新思考“拥有一所大学”意味着什么。说实话，现在信息传播非常快。许多大学，显然，很多东西转到线上，包括斯坦福。但麻省理工学院早期就有开放课程件，及所有走此路的初创公司，如Coursera、Udacity。所以教学在某种程度上正被传播，现在任何人都可上网了解。你可与AI对话或参加这些课程，观看YouTube视频。

那么我想，“拥有一所大学”意味着什么？人们会搬家，远程工作，跨地区协作。这有点矛盾，因为我们正试图让人们真正回到办公室，且我认为面对面工作更有效，但在特定规模下。比如某种程度上，如果一百人聚一起，情况还算可以。

而且我确实越来越多看到某种个人主义。那些创造新事物的人，不太在乎学位与否。尽管我们招聘许多学术明星，也招大量无学士学位的人，或类似情况，他们就自己摸索。我不知道。这真的是很难问题。我想我不会神奇交付你会喜欢的新配方，但我认为这种格式更可能是为未来一百年准备的。

主持人：你带到了比我更深的方向。

Sergey Brin：哦，抱歉。

主持人：不，实际上很棒。语气稍更深沉。

John Levin：我同意。这适用于整个大学。你提出了关于大学最根本问题。部分大学使命在于知识创造和传播。这是根本任务。随着技术进步，这些可通过不同方式实现。还有关于“有善心”模型问题，人才密集一处，像彼此碰撞，这当然是促使你创建谷歌的原因之一，并带来许多伟大成果。那样替代方案会出现吗？在大学校园形成生态系统？或那有多根本？它会继续吗？其实我本来以为是那样，感谢你提出深刻问题。好了，我想确保给观众中其他人提问机会。

4. 问答环节

听众：谢谢你们时间。我叫Rasha Barve，来自堪萨斯城，学习 MSENIR。第一个问题问Sergey。这涉及我们刚讨论内容。谷歌很大程度上起源于你关于PageRank的学术作品部分，如今行业推动大量当前创新，你仍觉得学术界到行业管道至关重要吗？如果是，你会如何加强它？

Sergey Brin：哇，好问题。学术界到产业界输送管道重要吗？我得说我不知道，因为当我是研究生时，从新想法出现到可能具商业价值大致时间跨度，花了几十年。

在学术界你有自由考虑一段时间。你申请资助，做这做那，你可花上几十年反复思考，然后它慢慢渗透。最终也许会有大公司或你初创公司推进它。问题是，如果时间线大幅缩短，这还合理吗？

我认为有，确实有一些事情完全合理，且我肯定，即使在AI领域，我们定期关注斯坦福及其他大学研究，偶尔雇佣那些人并与他们合作。但我不清楚他们是否需要那种时间段。他们比如某种新注意力机制，花几年实验，然后以某种形式带入产业界。显然工业界也在做所有那些事情。所以这可能不是很有力论点。激进的全新架构和类似东西，或许会有影响。

但问题在于，这基本上是时间问题，行业将会扩展，且快得多。我想，量子计算浮现脑海。某种程度上首次被头脑风暴出来，我记不清，费曼大概八十年代提出量子计算观点？现在有一大堆公司被包括，他们算是在做。也有大学实验室尝试新方法来做。这有点说不准，可能还处于观望阶段。

如果你有完全新想法，比如你不像我们做超导量子比特，或其他，也许你需要让它在大学里发酵若干年。那些事情有点难。这可能有道理，但到了某个时候，如果你觉得它确实有吸引力，你很可能会继续推进并以某种方式将其商业化。

我想给你明确答案，因为顶级公司现在确实投入更多基础研究。我认为这在某种程度上随着AI兴起开始，那些投资正得到回报。所以我想这会改变你会做努力的分配。但我确实认为仍有一些事情，确实需要像那种更纯粹研究的十年时间，那种更偏向基础研究的时期，那可能会让公司更不愿意推进，因为那样导致上市时间太长。

主持人：好的，下一个问题在这边。

听众：大家好，我叫Arnov，是计算机科学和数学专业大一新生。问题给Sergey Brin。随着AI以前所未有速度加速，有抱负的年轻创业者应具备什么心态？像我这样的人如何调整，以避免重复早期错误？

Sergey Brin：我想，当你有很酷的新可穿戴设备想法时，要先真正彻底打磨它，而不是急着弄涉及跳伞和飞艇的特技宣传。这只是一个建议。

其实，我更喜欢我们以前做法，回到Google Glass时代。Google Glass是早先错误例子。我当时试图太快将它商业化。我们本可做得更好，在成本上实现更好性价比，在精致度上达到消费者所需水平。我当时有点操之过急，以为自己是下一个史蒂夫·乔布斯，可立刻做出来。这就是我犯下的一个错误。如果总结，大家都觉得自己会成为下一个史蒂夫·乔布斯。我确实犯过那样错误。但他确实是个相当与众不同的人。

所以，我建议是，确保你已充分酝酿并把想法开发到足够成熟阶段。因为一旦开始，就会感觉像踏上一台跑步机：外界期待会增加，开销也会随之增加，你必须在某个时间点前交付。你可能没有足够时间来完成想做的一切。那种滚雪球般的期待感会让你措手不及，而你却没有给自己足够时间来应对。这是我想尽量避免的错误。

听众：感谢你们演讲。我叫Esha Bargetag，是斯坦福大学大一本科生。问题给Sergey Brin和Jennifer。我们看到许多AI公司通过扩展数据和计算资源来改进大型语言模型。问题是，一旦我们真的耗尽了数据和算力，接下来发展方向会是什么？会转向更新的架构，有没有可替代Transformer的方案？还是会有更好的学习方法，比如超越监督学习或用于训练大型语言模型的强化学习（RL）？或是完全不同的方向？你们以前考虑过这个问题吗？谢谢。

Sergey Brin：是的，从我角度来看，你列出这些因素中，算法进步已成为比仅仅扩展计算或数据更重要的因素。人们关注扩展，可能因为它涉及建设数据中心和购买芯片，OpenAI和Anthropic关于各种缩放法则的论文也吸引很多注意力。但我认为，如果你仔细审视，会发现过去十年左右，算法的进展实际上已经超越了单纯的规模扩展。

在很久以前，当我读研究生时，我见过一张关于N-body（多体）问题的图。比如，模拟受引力作用而运动的多个物体。自五十年代人们开始关注摩尔定律带来的计算能力增长以来，这种增长是巨大的。但在九十年代我读到时，用于解决N-body问题的算法进步，实际上已经远远超越了计算能力的扩展速度。

所以我想你会发现，像我们这样的公司永远不会拒绝处于计算前沿。但这更像是主菜之后的甜点，或者说是在你完成算法工作后才拥有的配菜。

主持人：我想插一句，关于计算资源或数据耗尽，或更准确说是算力不足的问题，我们在这里非常熟悉。对于大学来说，很难拥有像那些公司一样的计算能力。我们甚至远远达不到那种程度。但这确实促使我们在创新领域做了很多工作，去研究当计算资源更少时会发生什么，以及如何用更少的资源做更多的事情。我们在这方面已经做了很多研究。

听众：大家好，我叫Andy Zivortsy，是化学工程专业二年级研究生。问题想问在座各位演讲者，你们认为哪项新兴技术在长期影响方面被严重低估了？谢谢。

Sergey Brin：我显然不能说人工智能，因为它很难被反驳它的重要性。但它可能仍然被低估了。不过，它可能已经不算是一项“新兴”技术了，所以我们不用它来回答。

很多人确实对量子计算将带来什么感到好奇。不过，我可能不会完全依赖它来回答这个问题，尽管我绝对支持在量子计算等领域的研究。但这个领域还有许多未知数。从技术上讲，我们甚至不知道P是否不等于NP。在计算领域，有太多的未解之谜。量子算法针对的是大家所知的、具有非常特定结构的问题。我非常支持这方面的研究。

但很难具体说清楚。我的意思是，或许可以将这两种技术的应用场景都考虑进去。除了量子计算之外，还有材料科学。如果我们能使用不同种类的材料，我们能在很多方面做得更好，它的潜力可以说是没有上限的。

John Levin：其实我也在想材料科学方面。但“被低估”这个说法有点意思，因为现在有很多关注点放在技术创新的机会上。对于像核聚变能或量子计算这样尚未成熟的技术，很难说人们会忽略它们，或者说它们现在没有得到足够的关注，就像人工智能一样。但在我看来，材料科学会是其中一个被低估的领域。在生物学和健康领域也有很多机会，特别是在分子科学中。它现在受到的关注可能不如人工智能，但在分子科学领域也正在发生一场巨大的革命。

主持人：是的，我本来也想说同样的话。我感觉聚光灯正在转移。现在聚光灯主要照在人工智能上，但它曾经照在生物学上，而且不应该停止照亮生物学。合成生物学领域正在发生各种各样的突破。我曾经有过一些扩展性的经历，它们在当时看来以一种痛苦的方式改变了我的世界，但后来却为我的个人经历带来了回报。那些艰难的过渡是值得的。

听众：大家好，我叫Zena。感谢大家前来，我要问你们一个经常问演讲者的问题：您刚才提到，您很喜欢保持敏锐，并掌握人工智能及其他领域正在发生的事情，那您会读哪些书呢？

Sergey Brin：我只是听他们说，看看发生了什么。但我确实更喜欢进行互动式讨论，比如在我的车里，我经常和内部版本的Gemini交流。尽管这听起来可能有点尴尬，你们现在公开版用到的模型版本其实相当古老，我自己在车里用的那个版本要强得多，大概几周后我们就会把它推向市场。

主持人：好的。这有点像对未来的一瞥，是个不错的结尾。