WEBVTT

00:00:00.000 --> 00:00:11.480
欢迎回到On Insight

00:00:11.480 --> 00:00:14.120
如果我们要选一个节点

00:00:14.120 --> 00:00:15.920
作为全球AI产业

00:00:15.920 --> 00:00:18.720
从学术梦幻期彻底跨入

00:00:18.720 --> 00:00:20.520
现实暴击期的分水里

00:00:20.520 --> 00:00:21.440
我敢打赌

00:00:21.440 --> 00:00:24.180
绝不会是哪家大厂又在PPT里

00:00:24.180 --> 00:00:26.480
发布了多大规模参数的模型

00:00:26.480 --> 00:00:28.900
基准测试又突破了多高的分数

00:00:28.900 --> 00:00:33.680
真正的变局往往发生在那些看起来极度安静

00:00:33.680 --> 00:00:37.240
甚至带着几分诡异的高层人事变动力

00:00:37.240 --> 00:00:39.780
就在最近谷歌内部发生了一场

00:00:39.780 --> 00:00:43.400
足以重塑整个硅谷底层格局的震荡

00:00:43.400 --> 00:00:46.040
在谷歌效力了整整27年

00:00:46.040 --> 00:00:49.260
被全球程序员尊为代码之神的

00:00:49.260 --> 00:00:52.440
谷歌首席科学家Jeff Dean正式宣布离职

00:00:52.440 --> 00:00:55.240
如果这只是一位老将退影的话

00:00:55.240 --> 00:00:59.960
倒也不至于让硅谷各大投资机构和安全部门彻夜未免

00:00:59.960 --> 00:01:02.320
真正认识背后发紧的是

00:01:02.320 --> 00:01:05.520
JFDN离职的时候带走了一个堪称

00:01:05.520 --> 00:01:09.180
硅谷全明星的豪华降维打击阵容

00:01:09.180 --> 00:01:14.660
这其中包括与JFDN合作20多年的底层系统传奇搭档

00:01:14.660 --> 00:01:16.380
桑杰·格马瓦特

00:01:16.380 --> 00:01:19.160
还有Google D.Mine的研究副总裁

00:01:19.160 --> 00:01:23.940
詹姆勒模型最核心的技术操盘手奥里奥尔·维尼亚尔斯

00:01:23.940 --> 00:01:29.000
以及AutoML领域先驱和Google Brain的联合创始人黎光莲

00:01:29.000 --> 00:01:31.060
这四个人加在一起

00:01:31.060 --> 00:01:36.040
几乎就是半个谷歌AI与底层分布式系统的技术灵魂

00:01:36.040 --> 00:01:39.600
他们组建了一家名为Discovery Loop的新公司

00:01:39.600 --> 00:01:43.620
按理说面对如此核心的技术骨干离职

00:01:43.620 --> 00:01:46.700
谷歌应该爆发一场血腥的公关战

00:01:46.700 --> 00:01:47.300
对吧

00:01:47.300 --> 00:01:49.000
但诡异的事情来了

00:01:49.000 --> 00:01:51.180
在继续后面的内容之前

00:01:51.180 --> 00:01:53.240
我想先请你帮我一个小忙

00:01:53.240 --> 00:01:55.100
如果你经常观看我的视频

00:01:55.100 --> 00:01:56.500
但还没有订阅我的频道

00:01:56.500 --> 00:01:58.040
欢迎点击订阅

00:01:58.040 --> 00:01:59.760
这样你就不会错过

00:01:59.760 --> 00:02:02.460
后续更多的科学资讯和深度解析

00:02:02.460 --> 00:02:05.800
那如果你觉得这期视频对你有所帮助

00:02:05.800 --> 00:02:07.580
也请帮忙点赞和分享

00:02:07.580 --> 00:02:09.360
让更多人看到这些内容

00:02:09.360 --> 00:02:12.280
那如果你希望给予我更多的支持

00:02:12.280 --> 00:02:13.880
也欢迎加入我的会员

00:02:13.880 --> 00:02:15.740
每月一杯咖啡的钱

00:02:15.740 --> 00:02:18.440
就是对我持续创作最大的支持

00:02:18.440 --> 00:02:19.900
好的我们继续

00:02:19.900 --> 00:02:21.840
这个诡异的事情就是

00:02:21.840 --> 00:02:23.760
谷歌不仅没有阻拦

00:02:23.760 --> 00:02:28.000
反而第一时间成为了Discovery Loop的初始投资方

00:02:28.000 --> 00:02:32.240
并且双手奉上了Google Cloud的超级算力集群

00:02:32.240 --> 00:02:36.540
双方直接签下了长期云服务绑定协议

00:02:36.540 --> 00:02:37.120
不仅如此

00:02:37.120 --> 00:02:38.340
就在同一天

00:02:38.340 --> 00:02:40.680
Google DeepMind内部也完成了一场

00:02:40.680 --> 00:02:43.220
近乎手术刀级别的高层重组

00:02:43.220 --> 00:02:45.960
DeepMind的灵魂人物Demith Hossabies

00:02:45.960 --> 00:02:48.940
正式卸任DeepMind CEO的日常管理

00:02:48.940 --> 00:02:51.460
身任Alphabet的首席科学家

00:02:51.460 --> 00:02:54.520
去操盘更为宏大的ATI理论中局

00:02:54.520 --> 00:02:57.880
而接替他全盘操盘Google DeepMind的新帅

00:02:57.880 --> 00:03:00.140
是原DevMind的CTO

00:03:00.140 --> 00:03:02.520
DQN与WaveNet的发明人

00:03:02.520 --> 00:03:04.000
科雷·卡伍克·乔鲁

00:03:04.000 --> 00:03:06.560
他越过了所有中间管理层

00:03:06.560 --> 00:03:09.440
直接向谷歌CEO桑德尔PX1汇报

00:03:09.440 --> 00:03:10.660
听到这里

00:03:10.660 --> 00:03:14.420
你脑海里一定盘旋着一个极其巨大的悬念

00:03:14.420 --> 00:03:16.940
就是谷歌为什么会心甘情愿的

00:03:16.940 --> 00:03:19.220
让自己的顶尖大脑集体外逃

00:03:19.220 --> 00:03:21.340
甚至还要掏钱掏算力

00:03:21.340 --> 00:03:22.740
帮他们去创业呢

00:03:22.740 --> 00:03:25.740
而那位既懂DQN强化学习

00:03:25.740 --> 00:03:28.880
又懂Vivnet原生语音的工程狂人

00:03:28.880 --> 00:03:30.260
柯雷接棒之后

00:03:30.260 --> 00:03:32.840
到底要把Gemlet带向何方呢

00:03:32.840 --> 00:03:35.320
今天我们就有一期节目

00:03:35.320 --> 00:03:38.460
彻底拆解这场看似是高层离职潮

00:03:38.460 --> 00:03:41.720
实则是谷歌AI技术大分流的

00:03:41.720 --> 00:03:43.120
硅谷终极棋局

00:03:43.120 --> 00:03:44.820
要解开这个谜团

00:03:44.820 --> 00:03:46.240
我们首先得搞清楚

00:03:46.240 --> 00:03:49.360
Jeff Dean带着这帮神仙阵容杀出去

00:03:49.360 --> 00:03:51.700
到底要去干一件什么样的事情

00:03:51.700 --> 00:03:54.200
在Discovery Loop的官宣里

00:03:54.200 --> 00:03:56.960
Jeff Dean直接描绘了公司的愿景

00:03:56.960 --> 00:04:00.920
那就是构建自动化的科学方法闭环

00:04:00.920 --> 00:04:01.900
简单来说

00:04:01.900 --> 00:04:03.380
过去几百年

00:04:03.380 --> 00:04:05.500
人类探索未知的方式

00:04:05.500 --> 00:04:07.300
本质上都是串行实验

00:04:07.300 --> 00:04:09.600
就是科学家提出假设

00:04:09.600 --> 00:04:10.880
亲手写代码

00:04:10.880 --> 00:04:11.760
跑一次实验

00:04:11.760 --> 00:04:13.140
等几天看结果

00:04:13.140 --> 00:04:13.900
分析数据

00:04:13.900 --> 00:04:15.880
然后再手动修改参数

00:04:15.880 --> 00:04:16.600
跑下一次

00:04:16.600 --> 00:04:18.300
在这套流程里

00:04:18.300 --> 00:04:20.720
最瓶颈的变量不是算力

00:04:20.720 --> 00:04:23.300
而是人类脑力的思考速度

00:04:23.300 --> 00:04:25.600
与手动操作的物理实验

00:04:25.600 --> 00:04:28.480
而Discovery Loop要构建一套

00:04:28.480 --> 00:04:31.280
完全自主运行的AIA层架构

00:04:31.280 --> 00:04:33.720
做到自动提出科研假设

00:04:33.720 --> 00:04:35.620
自动编写实验代码

00:04:35.620 --> 00:04:37.400
自动部署分布式计算

00:04:37.400 --> 00:04:39.220
自动分析实验指标

00:04:39.220 --> 00:04:41.160
最后自动递归迭代

00:04:41.160 --> 00:04:43.380
你注意看Discovery Loop的

00:04:43.380 --> 00:04:45.140
手机应用场景选择

00:04:45.140 --> 00:04:48.040
他们没有第一天就跑去见物理实验室

00:04:48.040 --> 00:04:50.220
而是选择吃自己的狗粮

00:04:50.220 --> 00:04:54.320
把机器学习研发本身作为第一个实验战场

00:04:54.320 --> 00:04:57.580
也就是说他们要用AI去自动设计

00:04:57.580 --> 00:04:58.560
自动搜索

00:04:58.560 --> 00:05:02.260
自动验证下一代超越Transformer的模型架构

00:05:02.260 --> 00:05:04.140
很多朋友可能会问

00:05:04.140 --> 00:05:06.840
用AI自动写代码做研究

00:05:06.840 --> 00:05:10.140
之前日本Sakana AI的项目不是也做过吗

00:05:10.140 --> 00:05:13.200
这正是我们接下来要拆解的关键

00:05:13.200 --> 00:05:18.100
Satan的AI的项目本质上是一个应用层的agent流程封装

00:05:18.100 --> 00:05:22.700
它是拿现成的GPT4O或者Cloud外包一层prompt

00:05:22.700 --> 00:05:26.300
去模拟科学家写代码跑实验写论文

00:05:26.300 --> 00:05:31.380
它的上限完全被底下调用的通用大模型给封死了

00:05:31.380 --> 00:05:35.140
而Discovery Loop完全是另一个维度的存在

00:05:35.140 --> 00:05:42.540
Jeff Dean和桑杰·格瓦马特是写出MapReduce Bigtable的超级系统架构师

00:05:42.540 --> 00:05:45.300
李光莲是AutoML的鼻祖

00:05:45.300 --> 00:05:47.020
奥里尔尔维尼亚尔斯

00:05:47.020 --> 00:05:50.580
是顶尖的神经网络搜索与多模态专家

00:05:50.580 --> 00:05:53.960
他们要做的是从底层分布式计算

00:05:53.960 --> 00:05:55.520
硬件算力调度

00:05:55.520 --> 00:06:00.120
神经架构搜索到算法闭环的系统级重构

00:06:00.120 --> 00:06:02.180
他们不是在用AI写论文

00:06:02.180 --> 00:06:04.660
他们是在用超级计算机集群

00:06:04.660 --> 00:06:09.260
让AI去做数以万计的硬件级与架构级实验

00:06:09.260 --> 00:06:13.000
直接在算法底层寻找下一个Transformer

00:06:13.000 --> 00:06:15.260
那么回到我们开头的悬念

00:06:15.260 --> 00:06:19.560
就是谷歌为什么不把这个超级团队留在内部

00:06:19.560 --> 00:06:23.340
而是支持他们独立成立一家公共利益公司呢

00:06:23.340 --> 00:06:25.980
因为谷歌算透了一笔账

00:06:25.980 --> 00:06:29.720
像AI自主研发下一代AI这种前沿探索

00:06:29.720 --> 00:06:33.640
风险极高 烧钱极大 失败率也极高

00:06:33.640 --> 00:06:35.720
如果放在谷歌Digmy内部

00:06:35.720 --> 00:06:40.440
研究员们每天要面对华尔街的财报审查和季度KPI

00:06:40.440 --> 00:06:43.700
就会被无限牵扯精力去搞产品适配

00:06:43.700 --> 00:06:46.260
通过把JFDN团队外部化

00:06:46.260 --> 00:06:48.740
谷歌既让这一帮顶尖天才

00:06:48.740 --> 00:06:52.280
摆脱了大公司病和商业汇报的枷锁

00:06:52.280 --> 00:06:57.140
又能通过初始投资方和独家GoCloud算力的身份

00:06:57.140 --> 00:07:01.820
牢牢锁定未来潜在的技术回流与云服务收益

00:07:01.820 --> 00:07:06.580
这一招叫做前沿高风险战略的外部结偶

00:07:06.580 --> 00:07:11.440
如果说Jeff Dean的离职是把远期高风险探索拆分了出去

00:07:11.440 --> 00:07:16.740
那么接下来发生的事情才是对Jamlight产品生态影响最深远

00:07:16.740 --> 00:07:18.240
也是最暴力的一环

00:07:18.240 --> 00:07:22.700
接掌Google D.My的全局率颖的科雷卡伍克·乔武

00:07:22.700 --> 00:07:27.180
是一个与Demis Hossabies风格截然不同的工程技术派

00:07:27.180 --> 00:07:31.480
Demis是国际象棋神童和神经科学家

00:07:31.480 --> 00:07:33.400
它充满着理想主义

00:07:33.400 --> 00:07:36.180
而柯雷是把深度强化学习

00:07:36.180 --> 00:07:38.660
真正推向AlphaGo破局

00:07:38.660 --> 00:07:40.620
把WaveNet徐徐语音

00:07:40.620 --> 00:07:45.620
真正变成极异手机里语音引擎的超级工程操盘手

00:07:45.620 --> 00:07:47.760
在柯雷掌舵之后

00:07:47.760 --> 00:07:50.640
Google G-Mind释放出了一个极其明确的信号

00:07:50.640 --> 00:07:53.060
就是全面放弃学术包袱

00:07:53.060 --> 00:07:57.240
转向极致工程演进与大规模商业化暴击

00:07:57.240 --> 00:07:58.680
在他的主持下

00:07:58.680 --> 00:07:59.960
Gemlet的底层架构

00:08:00.000 --> 00:08:02.840
Gamlight的底层架构正在发生三重极其硬核的眼镜

00:08:02.840 --> 00:08:04.760
首先最根本的变化是

00:08:04.760 --> 00:08:08.840
彻底打破对预训练参数崇拜的单位幻想

00:08:08.840 --> 00:08:13.720
全面转向后训练与推理期计算的深度融合

00:08:13.720 --> 00:08:17.800
在过去两年 行业盲目堆叠预训练参数

00:08:17.800 --> 00:08:21.720
但预训练越往后 编辑效应递减越严重

00:08:21.720 --> 00:08:24.100
算力成本高到令人发指

00:08:24.100 --> 00:08:27.900
柯雷结合他在DQN强化学习领域的积累

00:08:27.900 --> 00:08:31.280
给Gemla引入了过程奖励模型PRM

00:08:31.280 --> 00:08:34.160
与蒙特卡洛书搜索MCTS

00:08:34.160 --> 00:08:37.080
打个比方 传统的语言模型

00:08:37.080 --> 00:08:39.820
就像在考场上没有任何草稿纸

00:08:39.820 --> 00:08:41.780
靠直觉备答案的考生

00:08:41.780 --> 00:08:44.180
遇到简单的题那是没问题的

00:08:44.180 --> 00:08:47.520
但遇到复杂逻辑推导或者长流程编程

00:08:47.520 --> 00:08:50.520
中间要是错一步后面就全乱了

00:08:50.520 --> 00:08:53.460
而PRM与MCTS的融合

00:08:53.460 --> 00:08:58.000
相当于给Gemla配了一张无线扩展的虚拟草稿纸

00:08:58.000 --> 00:08:59.920
和一位微观监考官

00:08:59.920 --> 00:09:01.520
在推理的每一步

00:09:01.520 --> 00:09:06.080
PRM都会对它的逻辑合理性进行毫秒级评分

00:09:06.080 --> 00:09:10.000
同时MCTS数搜索会在后台预判

00:09:10.000 --> 00:09:11.700
未来几十步的走向

00:09:11.700 --> 00:09:14.720
如果发现某个分支走向死胡同

00:09:14.720 --> 00:09:17.440
模型会在推理阶段自动撤回

00:09:17.440 --> 00:09:19.140
并重新搜索最右键

00:09:19.140 --> 00:09:20.240
这意味着

00:09:20.240 --> 00:09:24.180
在不用无限膨胀预讯链参数的前提下

00:09:24.180 --> 00:09:26.240
GEMLINE处理高难度编程

00:09:26.240 --> 00:09:29.620
复杂数学推导和A乘的规划的成功率

00:09:29.620 --> 00:09:31.420
称指数级提升

00:09:31.420 --> 00:09:33.940
紧接着第二种转变在于

00:09:33.940 --> 00:09:36.540
系统级推理效率的极限拉链

00:09:36.540 --> 00:09:40.660
那就是构建Gemini Spark端云协同分层架构

00:09:40.660 --> 00:09:44.260
这里稍微提一下我个人对Spark的使用体验

00:09:44.260 --> 00:09:46.060
虽然它还是Beta版本

00:09:46.060 --> 00:09:47.260
但先说结论

00:09:47.260 --> 00:09:49.080
我觉得它超级好用

00:09:49.080 --> 00:09:50.740
我会单独出一期视频

00:09:50.740 --> 00:09:54.100
聊一下Gemini Spark和Hermes Agent的配合使用

00:09:54.100 --> 00:09:56.780
作为Google订阅的长期体验者

00:09:56.780 --> 00:10:00.520
我明显感觉最近Gemini的使用限额提高了

00:10:00.520 --> 00:10:03.880
他们虽然没有发布像Fable 5这类的模型

00:10:03.880 --> 00:10:06.400
但是无论是Gemini 3.6 Flash

00:10:06.400 --> 00:10:09.440
还是Gemlet 3.1 Pro都变得更聪明了

00:10:09.440 --> 00:10:11.740
好 我们继续这个第二重转变

00:10:11.740 --> 00:10:14.260
在商业高并发场景中

00:10:14.260 --> 00:10:16.420
用户问一句 今天天气怎么样

00:10:16.420 --> 00:10:20.680
如果都要调用一次千亿参数的单体大模型

00:10:20.680 --> 00:10:23.820
显存和电力开销能把大厂烧穿

00:10:23.820 --> 00:10:26.220
克雷推动的Gemlet Spark架构

00:10:26.220 --> 00:10:30.900
把整套AI系统做成了像特种部队一样的分层调度

00:10:30.900 --> 00:10:35.840
前端部署及轻量及低延迟的Gemlet Spark代理模型

00:10:35.840 --> 00:10:37.800
负责高频意图识别

00:10:37.800 --> 00:10:40.240
上下门过滤和轻量任务

00:10:40.240 --> 00:10:41.820
只有当前线判定

00:10:41.820 --> 00:10:44.180
涉及复杂长链条逻辑的时候

00:10:44.180 --> 00:10:47.560
才会无缝调动云端期间大模型

00:10:47.560 --> 00:10:48.960
这种分层架构

00:10:48.960 --> 00:10:51.860
直接把单位Token成本打了下来

00:10:51.860 --> 00:10:55.340
这才是支撑数亿并发的商业硬实力

00:10:55.340 --> 00:10:56.900
而第三种变化

00:10:56.900 --> 00:10:59.460
则是柯雷将他的看家本领

00:10:59.460 --> 00:11:02.500
VIVNET原生音频与流逝生成

00:11:02.500 --> 00:11:06.240
深度融合到了詹姆賴的全模态底座中

00:11:06.240 --> 00:11:08.020
以往的多模态AI

00:11:08.020 --> 00:11:11.420
往往是文本模型外挂语音识别

00:11:11.420 --> 00:11:13.960
与语音合成模块的拼接车

00:11:13.960 --> 00:11:16.120
延迟高 语调生硬

00:11:16.120 --> 00:11:18.120
而柯雷主导下的詹姆賴

00:11:18.120 --> 00:11:21.440
实现了真正的原生全模态流逝交互

00:11:21.440 --> 00:11:23.280
不仅能实现毫秒级

00:11:23.280 --> 00:11:25.840
实时音视频双向对打

00:11:25.840 --> 00:11:27.640
还能在听懂说话的同时

00:11:27.640 --> 00:11:29.180
自主执行代码

00:11:29.180 --> 00:11:31.580
甚至在手机屏幕上动态生成

00:11:31.580 --> 00:11:33.600
UI界面与交互空间

00:11:33.600 --> 00:11:35.600
这已经不是在聊天了

00:11:35.600 --> 00:11:40.580
这是直接把自然语言变成了实时软件生成的界面

00:11:40.580 --> 00:11:42.800
那底层架构演进的再漂亮

00:11:42.800 --> 00:11:45.000
如果不能转化为商业流水

00:11:45.000 --> 00:11:47.280
在今天也是一张废纸

00:11:47.280 --> 00:11:50.900
科雷·卡伍克·乔鲁这次最让人惊悚的调整

00:11:50.900 --> 00:11:52.680
在于他不仅管科研

00:11:52.680 --> 00:11:57.600
还同时兼任了Gemline产品与开发者生态的最高指挥官

00:11:57.600 --> 00:11:59.940
在过去的大厂体制里

00:11:59.940 --> 00:12:04.360
科研实验室和商品产品部门是完全脱节的

00:12:04.360 --> 00:12:05.580
实验室发了论文

00:12:05.580 --> 00:12:08.780
产品部门要花大半年去沟通打包

00:12:08.780 --> 00:12:10.740
而柯雷一把抓之后

00:12:10.740 --> 00:12:13.820
直接祭出了商业落地的三大杀招

00:12:13.820 --> 00:12:15.820
在终端入口上

00:12:15.820 --> 00:12:19.000
他们开始加速清洗传统的语音助手

00:12:19.000 --> 00:12:22.440
全面用GM来替换掉Android和VLOS上

00:12:22.440 --> 00:12:24.560
那个指挥社闹钟的assistant

00:12:24.560 --> 00:12:28.860
赋予他操作系统级的最高上下文读取权限

00:12:28.860 --> 00:12:31.160
与跨应用API调用能力

00:12:31.160 --> 00:12:35.040
直接把它打造成操作系统的中央控制大脑

00:12:35.040 --> 00:12:38.520
比如在ValOS手表或者车载系统里

00:12:38.520 --> 00:12:42.340
你只需要说帮我安排今晚与张总的商务晚餐

00:12:42.340 --> 00:12:46.040
并准备一份他公司最新财报的背景简报

00:12:46.040 --> 00:12:50.160
Gamlight就会自动调取邮件和地图订餐厅

00:12:50.160 --> 00:12:54.440
同时在云端提取财报生成简报推送给你

00:12:54.440 --> 00:12:55.580
与此同时

00:12:55.580 --> 00:12:58.300
他们还大幅压缩了科研成果

00:12:58.300 --> 00:13:00.440
转化到商业API的时间

00:13:00.440 --> 00:13:04.440
在谷歌云Vertex AI和开发者API上

00:13:04.440 --> 00:13:07.140
前沿团队在Achern代码生成

00:13:07.140 --> 00:13:10.800
自动模型评估和推理加速上的突破

00:13:10.800 --> 00:13:13.560
能以周级别的速度直接部署上线

00:13:13.560 --> 00:13:15.720
让科研成果在第一秒

00:13:15.720 --> 00:13:17.680
直接转化为商业账单

00:13:17.680 --> 00:13:21.340
形成技术产品与算力的超级费轮

00:13:21.340 --> 00:13:22.740
更关键的是

00:13:22.740 --> 00:13:25.960
谷歌正在悄无声息地改变自己的盈利模式

00:13:25.960 --> 00:13:30.000
当用户不再翻页点击搜索广告链接

00:13:30.000 --> 00:13:32.740
而是让Gamlet给出最终答案时

00:13:32.740 --> 00:13:34.020
谷歌的解法是

00:13:34.020 --> 00:13:37.300
直接占据agent决策路径的入口

00:13:37.300 --> 00:13:40.640
当Gamlet在每日简报或者个人助理里

00:13:40.640 --> 00:13:43.260
帮你规划行程推荐服务时

00:13:43.260 --> 00:13:45.440
它在生成方案的同时

00:13:45.440 --> 00:13:47.960
精准接入商业API入口

00:13:47.960 --> 00:13:51.500
谷歌由此从一个信息检索广告商

00:13:51.500 --> 00:13:54.640
变成了全局智能决策的开门人

00:13:54.640 --> 00:13:56.920
抽取服务分账和佣金

00:13:56.920 --> 00:13:59.580
拆决员Jeff Dean的离职创业

00:13:59.580 --> 00:14:02.140
与柯磊掌舵下的Deep Mind重组

00:14:02.140 --> 00:14:06.440
我们终于能看清这场硅谷AI大戏的全貌了

00:14:06.440 --> 00:14:11.140
硅谷的AI战争正是告别了依靠概念和论文引用量

00:14:11.140 --> 00:14:13.780
获取高估值的学术竞赛阶段

00:14:13.780 --> 00:14:16.700
全面跨入了拼推理成本

00:14:16.700 --> 00:14:18.380
拼系统稳定性

00:14:18.380 --> 00:14:19.880
拼终端控制力

00:14:19.880 --> 00:14:23.920
以及拼商业造学能力的工程与商业深水去

00:14:23.920 --> 00:14:27.800
对于我们所有在做AI研发架构设计

00:14:27.800 --> 00:14:29.920
或者技术创业的朋友来说

00:14:29.920 --> 00:14:31.720
谷歌的这一系列辩证

00:14:31.720 --> 00:14:34.860
留下了三条极其宝贵的工程启发

00:14:34.860 --> 00:14:36.940
首先不要盲目迷信

00:14:36.940 --> 00:14:39.580
纯域训练参数的单位堆叠

00:14:39.580 --> 00:14:41.940
多去研究推理器计算

00:14:41.940 --> 00:14:46.120
通过过程奖励模型打分与蒙特卡洛数搜索

00:14:46.120 --> 00:14:49.300
让模型在推理阶段学会自我纠错

00:14:49.300 --> 00:14:53.120
这是低成本实现逻辑跨越的唯一解法

00:14:53.120 --> 00:14:56.580
其次要学会拥抱端云分层架构

00:14:56.580 --> 00:14:58.520
平气无论任务大小

00:14:58.520 --> 00:15:01.620
一力调用千亿大模型的粗暴思维

00:15:01.620 --> 00:15:03.400
学习Jamler Spark的设计

00:15:03.400 --> 00:15:06.900
用轻量级模型做好前置意图路由

00:15:06.900 --> 00:15:10.020
才能在高并发任务中守住成本底线

00:15:10.020 --> 00:15:13.800
最后我们需要重新思考软件入口的定义

00:15:13.800 --> 00:15:16.260
未来的软件竞争不再是争夺

00:15:16.260 --> 00:15:18.420
手机屏幕上的APP图标位置

00:15:18.420 --> 00:15:20.980
而是争夺能否被系统及agent

00:15:20.980 --> 00:15:23.160
API决策链所调用

00:15:23.160 --> 00:15:25.120
技术不相信幻觉

00:15:25.120 --> 00:15:26.720
商业不相信眼泪

00:15:26.720 --> 00:15:27.860
这里是All Insight

00:15:27.860 --> 00:15:28.760
我们下期见