时时彩平台,腾讯分分彩,北京赛车,北京赛车pk10,北京赛车pk10技巧,幸运飞艇,彩票平台推荐,飞艇开奖,幸运飞艇官网,大发彩票,彩票平台推荐,500彩票,六合彩,大乐透,双色球,体彩足球,体育彩票大家最熟悉的应该是现在的 Notebook LM（是 Google Labs 推出的、基于 Gemini 模型的 AI 原生研究与学习工具，核心是让你把自己的资料 “喂” 给 AI，让 AI 基于你的专属内容提供服务）。它的起源非常有意思。一开始它叫 Tailwind，只有四五个人做，想法是打造一款 AI 原生的研究工具，基于用户自己的内容来工作。你可以把资料、书籍、论文、草稿、任何你想导入的内容放进 Notebook，然后和它交互。

　　这个创意一定程度上也受到作家 Steven Johnson 的启发，他会保存几十年的笔记、书稿草稿，他希望有一个产品能把所有资料放进去，然后交互提问：我 1997 年是怎么想的？那份草稿写了什么？Notebook LM 最终就变成了这样一款强大的研究工具，基于用户自有内容，生成摘要或文稿时会附带引用来源，这是它的核心功能。如果它引用了你的内容，会标注出处，你可以点击跳转回原文，非常实用。后来我们又想：有时候我不想只读资料，想听资料。于是我们加入了 AI 音频概览功能，效果就像播客，有两位主持人对话解读。这个想法最早来自 Jeff Dean 等团队，他们每天要读大量计算机科学论文，希望能在通勤时听论文总结，筛选要精读的内容。而且人们通过对话、讨论学习的效果更好，这也是研讨会的价值，于是就有了音频概览功能，产品也因此真正爆发。每次我做 AI 演示，都会现场建一个 Notebook，然后播放播客，第一次接触的人都会非常震撼。很多观众和听众问我：“你们是不是用你的声音训练的？” 因为听起来很像我。我都会说：不是，只是它开头总会说 “我们来拆解一下”，几乎所有播客都会这么开场。

　　另一个例子是 Flow（是 Google Labs 推出的 AI 电影制作工具，由 DeepMind 的 Veo、Imagen 与 Gemini 模型驱动，专为创意人士打造，能把文字、图像转化为连贯、高质量的视频片段与完整场景）。我讲个小故事：我人生第一次也是最后一次登山，是厄瓜多尔的科托帕希火山。我想做一段视频记录，但有些瞬间我没有拍，只想专心登山。比如我的水壶从背包掉出来，滚下冰川消失在暗处。我想用动画还原这个片段，就用了谷歌的视频生成工具 Flow，输入指令生成纪录片风格动画，插入到视频里。放在以前，我得专门找动画师。Flow 就是实验室诞生的神奇产品。

　　：我们会努力的。比如 Pomello（面向传统中小企业的 AI 营销工具，由 Google Labs 与 DeepMind 联合开发），面向中小企业的工具，不是那种科技初创公司，而是传统中小企业，帮助他们快速搭建富有创意的线上展示页面。还有 AIR Studio（面向开发者的无代码 / 低代码 AI 原型开发平台），面向开发者。我们希望为各类创作者，比如开发者、艺术家、电影制作人、音乐人，打造顶尖 AI 工具。

　　主持人：有两个产品我特别想试用，可能会成为下一个 Notebook LM：一个是 CC（基于 Gemini 的个人 AI 助理、生产力智能体，类似 “超级版 Notion AI + 个人日程管家”），谷歌内部的实验性生产力智能体；另一个是 Disco（基于 Gemini 3 的生成式浏览器，核心能力是 GenTabs），你可以基于一堆链接生成网页应用。比如你规划周末活动，打开一堆网页，它就能自动生成对应应用，比如自定义地图，标注各个活动地点，你选定日期，它会高亮当天可用的项目。

　　：我可以先回答。这种机制实际上依然存在。回到实验室，大概 80% 的项目来自实验室团队，另外 20% 就来自 20% 时间项目。我举个教育领域的例子，这也是 Laya 和我非常重视的方向。谷歌研究的一位员工，本职工作和教育无关，但他提出一个想法：能不能让人们用自己适合的方式学习？现在的 AI 工具已经可以支持多样化的学习方式。这个项目最终变成了 “Learn Your Way”（ 是 Google Labs 推出的、基于 LearnLM 的 AI 个性化学习实验工具，核心是把静态教材、资料变成适配年级、贴合兴趣、多模态互动的学习体验），你可以在谷歌实验室里找到这款实验产品。

　　它不是实验室团队做的，而是公司其他部门员工的创意。我们持续从全公司收到各种出色创意。另一个例子是 Co-Scientist（是 Google Research 基于 Gemini 2.0 打造的多智能体科研协作系统，定位是人类科学家的虚拟研究伙伴，核心是模拟 “假设生成 — 辩论 — 验证 — 迭代” 的完整科研流程，帮研究者加速发现、突破思维局限），来自 DeepMind 和谷歌研究，是帮助科学家进行科研发现的工具，之后会放到实验室里测试、迭代，但它并不是在实验室内部构建的。全公司员工产生创意的机制依然非常活跃，也带来了很多令人兴奋的创新。

　　：DeepMind 的研究者同样有机会构建实验性产品。这其实是我们文化的一部分，给大家探索的空间，并且坚持跨学科方式，不只局限于研究者，这一点非常令人兴奋。我们会汇聚不同视角，解决真实挑战。有时候甚至是用 AI 工具提升自身工作效率：比如让法律团队更快审核研究论文、获取反馈；为责任团队做更自动化的红队测试；还有解读古代文献。我们有一个项目，是一位研究者自主发起的探索：不只关注今天的智能，还要挖掘被遗忘的历史知识。他牵头做了一个项目，不仅能鉴定泥板年代，还能补全缺失内容、进行翻译。这就是 Project ANEKS 项目（是 Google DeepMind 的一个 AI 研究项目），专注古代文献研究。正如 James 所说，谷歌最不缺的就是聪明、有好奇心的人，而且公司文化支持这种探索。

　　：我再补充一点。谷歌的研究文化非常独特，回到你最开始提到的贝尔实验室，不管是 DeepMind 还是谷歌研究，我们都坚持一个理念：从研究走向现实。很多研究突破会非常快地转化为现实影响力。AlphaFold 就是很好的例子，它是诺贝尔奖级别的突破，而现在全球已有超过 190 个国家、350 万研究者在使用它。还有天气预报领域的突破，现在已经投入实际使用，我们的洪水预警系统已经覆盖 150 个国家、20 亿人。把科研突破转化为社会影响力，是我们非常独特的一点。

　　主持人：有个问题我必须问，不然观众会问我为什么不问。很多年里，外界对谷歌的印象是 “不敢发布产品”。最典型的例子：Transformer 模型是谷歌发明的，而 ChatGPT 是第一个基于它的主流应用。我年底采访过 Sam Altman，他当时说过一句很受关注的话：如果谷歌早期就重视我们，他们早就把我们碾压了，而现在他们是强大的竞争对手。“发布产品” 这件事，在谷歌内部是不是变得更重要了？把实验推向公众的野心是不是更强了？

　　：我认为是的，而且这是一个自然演变的过程。谷歌一直在产生大量研究突破，我们始终存在一种良性的张力：产品是否已经准备好？我们并不总能做出完美判断，但我认为这种张力是好事，是 “大胆与负责并存” 的体现。同时我们也意识到：很多实验和创新，只有让人们使用、体验，我们才能学到东西。这回归到科学方法。产品的红队测试我们做得很多，但真实用户的使用，甚至恶意使用，都能让我们学到更多。这就是一种演变：发布有用的产品，并从发布中学习。我们现在常说“持续交付”，Gemini 模型大概每 5 到 6 个月就会迭代新一代，这就是你看到的变化。

　　：首先，正如 James 之前所说，这是一个非常重要的领域。我们对待它的方式和其他领域一致：既要大胆思考 AI 如何改变学习方式、释放人类潜力，也要保持负责，识别风险并投入资源降低风险。我们在调查中还发现，约 80% 的成年学习者认为 AI 对学习有帮助，它能以适合的形式、在需要的时候提供信息。我们重点关注的方向之一，是让 AI 不只给出答案，而是带你一步步拆解问题。这一切都建立在科学方法之上。三年前，我们决定把学习当作一流的科学问题去研究：人是如何学习的？谷歌内部有相关经验和专业能力，同时全球也有大量研究者在做这件事。我们非常慎重地与教育学专家、全球教育工作者合作，推出了 Learn LM。

　　让每一位学生都拥有个性化导师，让每一位教师都拥有教学助手。AI 是生产力工具，它能改变师生互动的模式。我们不是说 AI 是魔法，教师才是核心，但 AI 能解放教师，让他们回归人与人之间的真实互动。我们在教师生产力工具上已经看到很好的进展。我刚去北爱尔兰，当地教师和政府合作做了试点，他们的便利贴上写满了收获：平均每位教师每周节省 10 小时，多出的时间用来陪伴家人，为班里 30 多名不同需求的学生设计教案。这非常鼓舞人心。但我们仍处在早期阶段，必须意识到这件事事关重大，关系到人的一生。帮助他们学习、打开机会，并从中学习、反哺研究，这至关重要。

　　：我补充一点。我们发现，教育领域和社会其他领域一样：新技术到来时，不能只是简单嫁接到现有流程里，而是要重新设计工作流程。举个学习的例子：大家很担心作弊问题。在 AI 普及的世界里，我们或许不应该再用传统的方式考试和评估。一些学区发现，学生使用引导式学习时，是真的在学习，知识掌握程度会提升；但如果只是为了熬夜赶作业，他们就不会认真用。于是这些学区做了实验：增加周测。学生听到要多考试可能会崩溃。但结果是：测试变多，学生为了备考主动使用引导式学习的时间变长，学习效果反而更好。这就是我们需要重新想象学习流程的例子，而不是把技术硬套在现有结构上。我们通过和教师、学校、学区交流，得到了很多有趣的实验和创新结论。我们仍处在非常早期的阶段，但大家对认知负载等问题的担忧是真实的，我们必须认真对待。

　　：这让我想到当年把电脑引入课堂和大学的时候。我们能从那段历史里吸取很多经验。一方面，我们可以主动做一些事情；另一方面，我们也在召集各方领导者，从体系层面探讨应对方式。我们把管理者聚在一起，讨论在各自机构里建立负责任使用技术的框架。现在的情况有点混乱，大家各行其是，而我们需要一种探索性的共识：AI 不会消失，公平的使用机会和素养至关重要。有些学生为了领先而用 AI，有些学生因为害怕被视为作弊而不敢用，这就会造成分化，我们也观察到了性别上的差异。我们能做的，是把领导者聚在一起，探讨如何开启新篇章，如何在最大化收益的同时建立护栏、降低风险。去年年底，我、James 和几位同事共同举办了一场活动，分享最佳实践，交流哪些有效、哪些无效，我们的研究者也参与其中。我们还为教师提供实操培训，教他们负责任地使用工具。这更多是为了释放生产力和潜力，而不是替代。激励机制的设计也必须跟上，这一点毫无疑问。

　　：这回到我们的核心思路：AI 能帮助我们解开哪些根源性问题、加深对世界的基础理解，从而为整个领域打开大门。AlphaFold 就是其中之一。你提到的 AlphaGeometry（是 DeepMind 开发的、能自动解决高难度奥林匹克几何证明题的 AI 系统，达到了国际数学奥林匹克“IMO”金牌选手的水平。），还有我们的材料科学项目，都非常令人兴奋。我们把已知的 4 万种稳定晶体，拓展到了 40 多万种，目前正在实验室和研究中测试。这意味着什么？你可以想象更优质的电动汽车电池、超级计算机的超导体。很多突破都要依靠新材料实现。我们仍处在早期阶段，但我们相信这是一个很有前景的方向，有可能改变我们的生活和工作方式。

　　：我们有一个非常庞大的气象项目，由 DeepMind 和谷歌研究共同推进。气象预测的维度很多：普通天气预报，下周、明天天气如何，Graphcast（ 是 Google DeepMind 于 2023 年推出的、基于图神经网络“GNN”的全球中期天气预报 AI 模型，是气象预测领域的里程碑式突破）来自 DeepMind，是目前业内顶尖的模型。我们还在预测其他气象事件：季风、飓风、洪水等极端天气。我举一个影响生命安全的例子：业内早就知道，如果洪水预警能提前 6 天以上发出，就能挽救生命。联合国估计，这样能减少一半的灾害损失。这一直是一个难题。两年半前，我们的团队构建了预测河流洪水的模型，在孟加拉国试点成功。如今，

　　：这是典型的谷歌式疯狂构想。我们思考：今天如何训练 AI 系统？100 年之后，考虑到训练模型需要的算力和能源，会怎么做？100 年后，我们肯定会在太空训练，毕竟太阳的能量是地球的百万亿倍，而且 24 小时不间断。为什么不现在就朝着这个未来迈进？ Project Suncatcher 项目就是这样一个谷歌式登月计划。我们已经完成了几个关键里程碑，计划把 TPU，一款专用 AI 芯片，送入太空进行训练。我们真的要把芯片送上太空。第一个里程碑是我们希望 2027 年在太空完成若干次训练任务。这就是 Project Suncatcher，一步步走向那个未来。有人会联想到 Dyson Sphere（是物理学家弗里曼・戴森在 1960 年提出的科幻级巨型工程构想，核心是用巨大结构完全包裹恒星，捕获其几乎全部能量，是 II 型文明的标志性能源方案），利用太阳系、甚至银河系的能量。