Gemini 3 之后 谷歌首席科学家 Jeff Dean 说清 AI 的 3 个关键信号

这个能力背后的技术突破是：在可验证领域的强化学习。

什么意思？

以编程为例：

AI 生成一段代码系统自动检查：能编译吗？如果能，给奖励；如果不能，给惩罚更进一步：代码通过单元测试了吗？通过了，给更多奖励

同样的逻辑也适用于数学：

AI 生成一个证明系统用证明检查器验证正确就奖励，错误就指出是第几步出错

Jeff Dean 说：这个技术突破使模型能够真正探索潜在解决方案的空间，随着时间推移，它在探索这个空间时变得越来越好。

效果有多惊人？Gemini 在 2025 年国际数学奥林匹克竞赛（IMO）上，解决了六道题中的五道，获得金牌。

这个成绩有多震撼？

要知道，就在三年前的 2022 年，AI 模型在数学推理上还非常弱。

当时，业界最先进的模型在 GSM8K（一个中学数学基准测试）上的准确率只有 15%。测试的题目是什么难度呢？比如：Sean 有五个玩具，圣诞节他又得到了两个，现在有几个玩具？

这种小学算术题，当时的 AI 正确率也只有 15%。

而现在，Gemini 能解决的是国际数学奥林匹克的题目，这是全球数学天才竞赛中最难的问题。

从小学算术到奥赛金牌，用了不到三年时间。

这个飞跃说明，AI 不只是在回答问题上变强了，而是具备了真正的问题解决能力。它能够自己探索、尝试、验证，直到找到正确答案。

具体来说，Agent 需要三个关键能力：

状态感知：知道你想要什么、理解当前进展

工具组合：能调用搜索、计算器、API 等外部工具

多步执行：根据反馈调整计划、循环尝试直到完成

而 Gemini 3 通过和 Google 生态的深度集成，可以串联日历、邮件、云端服务等真实系统，把这些能力真正用起来。

就像前面的食谱网站案例：你不需要说“先识别文字，再翻译，再排版”，只需要说“做个网站”，Gemini 3 自己搞定所有步骤。

这改变了每个人工作方式：

过去，你要告诉 AI 每一步怎么做。

现在，你只需要说出目标，剩下的 AI 自己搞定。

你的角色从使用者变成了指挥者。

信号三：什么决定 AI 能否普及？

如果说 Pathways 架构让模型变聪明，Agent 系统让模型能行动，那第三个信号最容易被忽视，但可能最关键：让 AI 真正用得起。

Jeff Dean 在斯坦福讲了一个 2013 年的故事。

当时，Google 刚做出一个很好的语音识别模型，比现有系统的错误率低很多。Jeff Dean 做了一个测算：如果 1 亿人开始每天和手机说话 3 分钟，会发生什么？

答案是：需要把 Google 的服务器数量翻倍。

就是说，一个功能的改进，要付出整个公司服务器资源翻倍的代价。

这让 Jeff Dean 意识到：光有好模型不够，必须让它用得起。

于是，TPU 诞生了。

1、TPU：为效率而生的硬件

2015 年，第一代 TPU 投入使用。它专门为机器学习设计，做了一件事：把低精度线性代数运算做到极致。

结果是什么？

比当时的 CPU 和 GPU 快 15 到 30 倍，能效高 30 到 80 倍。

这让原本需要翻倍服务器才能推出的功能，现在只需要现有硬件的一小部分就能实现。

到了最新第七代 Ironwood TPU，单个 pod 有 9,216 个芯片。如果和第一代机器学习超级计算 pod（TPUv2）比，性能提升了 3,600 倍，能效提升了 30 倍。

Jeff Dean 特别指出，这些提升不只靠芯片工艺进步，更重要的是谷歌从设计之初就把能效作为核心目标。

2、蒸馏：让小模型学会大模型的能力

硬件是一方面，算法是另一方面。

Jeff Dean 和 Geoffrey Hinton、Oriol Vinyals 一起研究了一个叫“蒸馏”的技术。

核心思想是：让大模型当老师，教小模型。

在一个语音识别任务中，他们做了个实验：

用 100% 的训练数据，准确率是 58.9%只用 3% 的训练数据，准确率掉到 44%但如果用蒸馏，只用 3% 的数据，准确率能达到 57%

他们实现了用 3% 的数据，达到接近 100% 数据的效果。

Jeff Dean 说：

“你可以训练一个非常大的模型，然后用蒸馏让一个小得多的模型获得非常接近大模型的性能。”

这就是为什么 Gemini 可以同时做到性能领先和手机可用。大模型在云端训练，小模型通过蒸馏学习，部署到手机上。参数只有十分之一，但保留了 80% 以上的能力。

3、真正的门槛：能不能在现实约束下落地

但技术突破只是第一步。Jeff Dean 认为，AI 要真正普及到全球，必须面对更现实的问题：能源够不够？电力稳不稳？网络通不通？设备能不能支持？

这也是为什么 Google 要在东南亚等新兴市场推广 AI。这些地区可能没有强大的电网和服务器基础设施，但通过 TPU 和蒸馏这样的效率技术，人们依然可以在现有条件下用上 AI。

Google 的策略不是等条件完美了再推广，而是让技术适应现实。

这背后的逻辑改变了整个行业的关注点。

过去，大家比的是：

这个模型有多强？多大参数？多少 token？

现在，真正重要的是：

它能不能在我的设备上用起来？成本能压到多少？能不能离线用？

下一轮竞争，拼的不是参数，是落地效率。

结语｜从模型，到系统

看性能数据，这是一次模型升级。

看 Jeff Dean 的思路，这是一次范式转变。

从 2013 年服务器要翻倍的困境，到 2025 年拿下 IMO 金牌，Jeff Dean 一直在回答一个问题：

如何让 AI 既强大，又可用？

答案是三个转变：

不是拼谁的模型更大，而是拼设计更聪明（Pathways）

不是拼谁的回答更准，而是拼能真正做事（Agent）

不是拼谁的参数更多，而是拼能让更多人用上（TPU+蒸馏）

Gemini 3 不是终点，而是这套系统思维的第一次完整展现。