📢 转载信息
原文链接：https://techcrunch.com/2026/02/23/googles-cloud-ai-lead-on-the-three-frontiers-of-model-capability/
原文作者：Russell Brandom
作为谷歌云的产品副总裁，Michael Gerstenhaber主要负责Vertex AI，这是公司用于部署企业级AI的统一平台。这使他能够从高层视角了解公司实际如何使用AI模型，以及要释放智能体AI（agentic AI）的潜力还需要完成哪些工作。
与Michael交谈时，我尤其被一个我以前没听过的观点所打动。正如他所说，AI模型正同时向三个前沿领域推进：原始智能（raw intelligence）、响应时间（response time），以及与原始能力关系较小但与成本息息相关的第三个特质——模型是否能以足够低的成本部署，以应对大规模、不可预测的规模需求。这是一种思考模型能力的新方式，对于任何试图将前沿模型推向新方向的人来说，都尤为有价值。
本次采访已为篇幅和清晰度进行了编辑。
为什么不先向我们介绍一下您迄今为止在AI方面的经验，以及您在谷歌的工作？
我接触AI大约两年了。我曾在Anthropic工作了一年半，在谷歌工作了将近半年。我负责谷歌的开发者平台Vertex AI。我们的大多数客户都是构建自己应用的工程师。他们需要访问智能体模式（agentic patterns）。他们需要一个智能体平台（agentic platform）。他们需要访问全球最聪明模型的推理能力。我为他们提供这些，但我自己不提供应用本身。这些由Shopify、Thomson Reuters以及我们的各种客户在其各自的领域中提供。
是什么吸引您来到谷歌？
我认为谷歌在世界上是独一无二的，因为它拥有从接口到基础设施层的全部能力。我们可以建造数据中心。我们可以购买电力并建造发电站。我们有自己的芯片。我们有自己的模型。我们控制着推理层。我们控制着智能体层。我们有内存API，用于交错代码编写。在此之上，我们还有一个智能体引擎（agent engine），确保合规性和治理。然后，我们甚至有面向消费者的Gemini企业版和Gemini聊天界面，对吧？所以我来这里的部分原因是，我看到谷歌在垂直整合方面具有独特的优势，并且我认为这对我们来说是一个优势。
（此处为活动广告内容，已跳过）
奇怪的是，尽管公司之间存在所有差异，但感觉三大实验室在能力上非常接近。这仅仅是智能的竞赛，还是比这更复杂？
我认为存在三个边界。像Gemini Pro这样的模型是为原始智能进行优化的。想想编写代码。你只想要你能得到的最好的代码，即使它需要45分钟，因为我必须维护它，我必须将其投入生产。我只想要最好的。
然后是与延迟（latency）相关的另一个边界。如果我正在做客户支持，我需要知道如何应用某个政策，你需要智能来应用该政策。你是否被允许进行交易退款？我能否在飞机上升级我的座位？但是，如果花了45分钟才得到答案，那么无论你有多正确，都没有意义。因此，对于这些情况，你需要在该延迟预算内使用最智能的产品，因为一旦那个人感到厌烦并挂断电话，更多的智能就不再重要了。
然后是最后一个类别，像Reddit或Meta这样的公司希望审核整个互联网。他们有大预算，但如果他们不知道某事如何扩展，他们就不能对其承担企业风险。他们不知道今天或明天会有多少有害帖子出现。因此，他们必须将预算限制在他们能负担得起的最高智能模型上，但要以可扩展的方式应用于无限数量的主题。对于这种情况，成本变得非常、非常重要。
我一直在思考的一个问题是，为什么智能体系统需要这么长时间才能普及。感觉模型已经到位了，我也看到了令人难以置信的演示，但我们没有看到一年前我所期望的那种重大变化。您认为是什么阻碍了它？
这项技术基本上只有两年历史，仍然缺少很多必要的基础设施。我们还没有针对智能体行为进行审计的规范模式。我们还没有关于向智能体授权数据的规范模式。这些模式需要工作才能投入生产。而生产环境总是技术能力的滞后指标。因此，两年时间不足以看到智能在生产中支持什么，而这正是人们正在努力的地方。
我认为它在软件工程领域独特地快速发展，因为它很好地融入了软件开发生命周期。我们有一个可以安全地破坏事物的开发环境，然后我们再从开发环境提升到测试环境。谷歌编写代码的过程要求两个人审计该代码，并共同确认它已经好到足以让谷歌的品牌背书并提供给我们的客户。因此，我们有许多这种人在回路中（human-in-the-loop）的流程，使实施的风险极低。但我们需要在其他地方、为其他专业生产出类似的规范模式。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区