当 AI 已经能够写代码、生成界面、协助科学家提出研究假设，下一次突破会发生在哪里？Google Research 负责人 Yossi Matias 的判断是：我们正在进入研究的黄金时代。每一次技术进步都在成为新的起点，让过去难以解决的问题重新变得值得尝试。
在这期 The Google Research Podcast 中，主持人 Sinéad Bovell 与 Matias 探讨了 Google 如何把前沿研究带入现实。Matias 曾获理论计算机科学领域的哥德尔奖，也参与推动了 Google Trends、搜索自动补全和对话式 AI 等技术。
他所关注的问题横跨模型架构、科学发现、医疗健康与灾害预测，而贯穿这场对话的，是一个更具体的追问：当 AI 大幅降低执行工作的成本，人类应该提出什么问题，又该如何判断答案？
他的主要观点包括：
现有架构的限制，并不等于 AI 的极限。 Scaling law 描述的是沿着既有技术路线增加数据和算力的收益，但新的算法与架构仍可能改变效率边界。Matias 以投机解码为例，强调研究还要不断寻找全新的方法，而下一轮更大幅度的提升仍有待突破。
AI 最成熟的形态是人们不再需要时刻注意它。 他将这种状态称为“环境智能”（ambient intelligence）：智能自然融入日常体验，用户可以专注于自己的问题，逐渐把背后的技术能力视为理所当然。
生成式 AI 将改变信息的呈现方式，界面也会随问题而生成。 Generative UI 可以根据任务选择图片、代码、交互模拟等表达形式。教育也可能因此改变。同一个知识点，可以根据学生的年龄、语言和兴趣，生成不同的解释与学习体验。
每个人都可能拥有一间虚拟实验室，科学家的工作重心将随之变化。 当 AI 能够协助检索文献、构建模型和开展实验，年轻研究者就有机会更早承担过去属于资深科学家的工作：提出问题、组织研究、比较方案，并判断结果是否有价值。
执行能力越便宜，判断力和验证能力就越重要。 AI 可以生成大量假设，但决定哪些问题值得研究、哪些证据足以支持结论，仍需要严谨的判断。科研培养体系因此需要调整，让学生更早学习如何指导 AI，以及如何检查它的工作。
跨学科能力将成为更重要的优势。 AI 能帮助研究者调用其他领域的知识与工具，也能让产品经理、工程师和设计师承担更多彼此交叉的工作。专业训练需要重新寻找深度与广度的平衡，让人们能够连接不同领域、处理更复杂的问题。
AI 的实际价值，需要通过部署和反馈不断验证。 他把这一过程称为“研究的魔法循环”：提出问题、开展研究、进入现实应用，再从应用中发现新的问题。洪水预测和医疗研究的意义，最终都要落实到人们是否能够提前行动、工作流程是否得到改善。
Google 希望把分散的地理空间模型连接成「行星级智能」。 将天气、洪水、卫星影像和人口动态等模型与 Agent 能力结合后，系统有望进一步回答：哪些社区容易受灾、哪些设施会受到影响，以及应当如何组织应对。
开放模型能让更多人站在研究成果之上继续创新。 Matias 以 MedGemma 等模型为例，强调平台的价值在于降低后来者的开发门槛，让研究团队、企业和医疗机构能够把资源投入各自真正需要解决的问题。
长期研究需要宏大的目标，也需要持续推进的具体步骤。 无论是洪水预测还是量子计算，团队都要不断判断：什么问题足够重要、当前是否具备突破的条件，以及下一步怎样才能带来实质性的进展。
研究的黄金时代：让不可能成为可能
Sinéad Bovell：Google是如何构建未来的？在Google内部，有一群研究人员致力于探索一切“可能之事”。他们的使命，是推动那些具有变革意义的突破——这些突破不仅能够改变Google的产品，也能够帮助解决人类面临的一些最大挑战。从发明Transformer的团队——正是这一架构开启了生成式AI时代——到量子计算、洪水预警系统，再到加速科学发现的AI，Google Research一直在不断突破科学与技术的边界，探索究竟还有什么是可能实现的。而今天，我将与负责领导Google Research这些多元化研究工作的Yossi Matias坐下来聊一聊。
Yossi不仅是一位成果丰硕的研究者——他曾凭借一项具有开创性意义的算法获得Gödel Prize，这项算法让AI实现了规模化；同时，他也是一位真正的建设者。你很可能已经体验过他的工作，只是自己并不知道。从Autocomplete，到Google Trends，再到Google Search中各种每天被数十亿人使用的功能，他的成果已经融入我们的日常生活。
今天，我想问问他：现在有哪些事情让人觉得还不可能实现？而这些事情，也许用不了多久就会成为现实。我是Sinéad Bovell，这里是The Google Research Podcast。
Sinéad Bovell：Yossi，欢迎来到我们的播客。
Yossi Matias：很高兴来到这里，Sinéad。
Sinéad Bovell：我想先从我自己的理解开始。对我来说，Google Research感觉就像是Google内部这样一个地方：未来会先在这里被做成原型，然后才逐渐成为我们日常生活的一部分。你会如何描述Google Research的工作？
Yossi Matias：当然。我想先说，这是一个真正属于研究的黄金时代。因为过去从来没有任何一个时代，能够像今天这样，让我们真正去想象未来，并以我们现在所能达到的速度和规模，帮助把它变成现实。
Google本身就是从一篇研究论文开始的。而Google Research一直以来都是这样一个组织、这样一个团队：我们会去思考，如何解决和推动那些真正重要的问题。很多时候，我们做的其实就是让不可能成为可能。
现在，我们关注的范围非常广，因为我们非常在意各种能够产生实际影响的领域。比如，如何推进机器学习，包括基础机器学习和应用机器学习；如何开发新的算法，去解决大量不同的问题；如何构建能够真正支撑未来的计算系统；以及如何利用AI来帮助解决医疗健康领域的问题。还有气候、教育，如何推动科学、如何加速科学，以及如何进一步推进生成式AI的基础。当然，生成式AI现在正在真正地改变我们周围几乎一切事物。同时，我们也在探索其他的技术范式，比如构建量子计算机。
Sinéad Bovell：我之前看过你的一些演讲，其中有两页幻灯片展示了你们所覆盖的研究领域有多么广泛。一页展示的是从基础机器学习和算法，一直到量子；然后下一页展示的则是从星球一直到细胞。这确实覆盖了整个范围。但你拥有一种非常独特的能力：你不仅能够看到未来会发生什么，能够进入未来，同时还能够在构建未来。而且，你过去的判断一次又一次被证明是正确的。
今天我们都在和AI系统聊天，好像这已经是再正常不过的事情了。但八年前，你们就构建了Google Duplex，它是最早的一批对话式AI系统之一。Google Research也是现代AI领域最著名的论文之一——“Attention Is All You Need”——发表的地方。这篇论文让全世界认识了Transformer。你究竟是如何一边构建未来，一边判断未来将走向何方的？当然，我还必须问一句：接下来又会发生什么？
预测下一步，而不是从过去外推
Yossi Matias：有意思的是，当我们思考技术发展的时候，它并不是简单地从我们迄今为止所做的一切中进行外推。
真正美妙的地方在于，预测接下来会发生什么。而且非常重要的一点是，我们在Google Research所做的事情，不只是去关注未来三个月、六个月、九个月我们能做到什么，还要去看更远的视野——看拐角之后有什么，看哪些事情实际上即将成为可能，以及以我们目前所处的位置和拥有的能力，我们是否能够真正让这些事情成为现实。
我们拥有一种很有意思的动态：在任何一个时刻，无论我们取得了什么突破、实现了什么进步，这些都会成为一层新的基础，而我们可以在此之上继续迈向下一层。回到你刚才提到的对话式AI以及其他技术。某种程度上，这就是在判断趋势究竟会向哪里发展，并对一个问题做出判断：哪些事情我们已经站在了实现它的门槛上，即使我们还不知道究竟应该如何实现？
比如，大约十年前，我逐渐意识到，对话体验将会成为现实，我们已经站在了实现它的门槛上。因为我们开始看到，语音处理已经变得越来越好；我们也开始看到早期的语音合成技术。当然，现在这些对我们来说已经完全是理所当然的事情了。
而且很明显，拥有对话式交互才是终极的——也就是终极的用户界面。毕竟，这就是我们彼此沟通的方式。从那以后，有一件事情让我尤其兴奋，那就是：我们究竟要如何利用AI，开发出能够让这种对话体验成为现实的技术？
我们的Duplex就是这样一个例子。当然，到现在为止，就在几年前，我们已经分享过这样一个数据：借助Duplex技术，通过致电商家询问营业时间等信息，已经促成了超过1万亿次商业信息查询。
但这不仅仅是关于对话体验。另一个重要方向，是消除不同模态之间的障碍。比如，如何在文本、图片和视频之间转换内容；如何通过多模态的方式，并跨越不同语言实现交流，从而消除语言障碍；以及如何让人们以不同的方式消费内容。同样，现在这些对我们来说已经变得理所当然了。
我在Google工作，而且我在Google的Search部门实际上已经工作了十多年。人们已经习惯了这样一个事实：如果你想寻找信息，你只要Google一下就行了。
Ambient intelligence：好到你不再注意的AI
Yossi Matias：同样地，我们也会逐渐习惯其他技术。一旦它们能够正常运行，我们就会自然而然地认为它们本来就应该如此。我喜欢把这种状态称为ambient intelligence。实际上，这指的是：智能已经变得如此优秀，以至于你把它视为理所当然，根本不需要为它操心，然后继续去关注下一件事情。
我们现在确实非常接近这种状态。大家常说，先进的技术与魔法之间几乎无法区分，这句话非常准确。但同样真实的是，一旦我们体验过某项技术几次，它就不再是魔法了。实际上，我们会直接假定它本来就在发生。我们会理所当然地认为它就是能正常工作，然后继续去探索下一件事情。
Sinéad Bovell：对。我想这句话是Arthur C. Clarke说的。任何足够先进的技术，都与魔法无异。而这句话真的非常准确。因为我们今天用AI做的这些事情，放在几年前，可能还会显得非同寻常、不可能实现，或者极其激进；而现在，我们所有人都已经只是自然而然地在使用它了。
就你认为我们接下来会走向哪里而言，你刚才提到了两件事情。第一，你指向的是Generative UI。我读过你在今年二月和合作者一起发表的那篇论文。第二个就是ambient intelligence。
我们未来可能走向的愿景，是这样一个世界：我们几乎就像使用电力一样，持续地“使用”人工智能，而根本没有人在思考这件事情。没有人会想：“等等，我的手机会不会充上电？”你会默认电就在那儿。
那么，ambient intelligence的愿景，是不是意味着我们最终可以像使用基础设施一样持续获得AI的智能，并且可以直接提出那些需要高级智能才能回答的问题，而根本不需要去想：为了回答这个问题，背后究竟需要投入多少智能和计算？
Generative UI：会适应你的界面
Yossi Matias：对。这其实关乎的就是一切可能之事。当你思考“探索一切可能之事”究竟意味着什么时，它其实是两件事情的结合：什么是重要的，以及什么是你真正能够实现的。
Generative UI就是一个很好的例子。有一个非常出色的团队实际上在研究：我们现在能够利用生成式AI做些什么，从而为用户创造新的体验？他们发现，借助Generative UI，我们不仅可以生成那些能够神奇地适合你的提示词的内容，还可以进一步利用它来判断：什么才是向你呈现这些内容的最佳方式？
如果你问的是某个视觉相关的问题，那就给你展示一张图片。如果你问的是一个算法，那么或许可以直接写一段代码，并给你展示一个模拟。如果你问的是分形，那就可以写出生成分形的代码，并实际展示不同的参数，让你亲自调整和探索。如果你问的是“它们之间有什么联系”，比如什么是二次方程，而且你还是个孩子，那么也许最好的方式，就是让你看到一个人在投篮，同时展示投篮角度与二次方程之间的关系。
这些都是一些例子。而最美妙的地方在于，AI不仅能够加速研究本身，也能够加速这些成果的部署。于是我们可以看到，一项技术如何从一个演示，逐渐变成Search和Gemini应用中的一项功能，真正为你提供一种更加有吸引力的信息呈现方式。
Sinéad Bovell：对我来说，这似乎代表了我们与数字信息互动方式的一次范式转变。因为现在已经不再只是把信息展示给你，而是以与你、你的具体语境，甚至可能与你所使用的设备都相关的方式来呈现信息。
我们之前聊天的时候，我就在想，比如有些人搜索一家餐厅时，他们想要读菜单。他们非常熟悉食物，知道各种菜品的名称；但对另外一些人来说，真正重要的是图片。所以最终，我们可能会达到这样一种状态：界面能够根据它对你的了解，自动决定应该以什么方式呈现信息。比如，它知道这个人是一个图片优先的用户，那么就优先展示图片；而对于那些喜欢看到各种精确菜名的人，它就直接给出文字列表。这就是我们今天已经能够做到的事情，也是Gen UI正在走向的方向。
Yossi Matias：对。我们也在尝试把同样的能力应用到不同的领域中。
Gen UI之所以非常强大，当然是因为它只需要一个提示词就能够实际生成内容，这也是为什么我们能够把它放进Search里。但如果把问题放得更广一些——我们究竟希望信息以什么方式呈现？我们又希望它如何适应用户，不仅适应用户的意图，还要适应用户所处的语境？——那么其实还有很多其他领域值得探索。
比如，我们开始问自己：我们能不能重新构想教育中的教科书？举个例子，如果你想学习重力，与其只是读一段文字、配上几张图片，我们能不能利用AI来重新构想这种学习方式？比如，根据一个人的情况，用适合他的语言来展示相关的例子。十岁的小孩和十八岁的人，适合的方式就不一样。我们能不能进一步根据一个人的兴趣来调整内容？如果你是一个喜欢足球的十岁女孩，那么也许我们就可以用足球中的例子来向你解释重力。
实际上，我们已经开展了一个叫Learn Your Way的实验，做的正是这件事情——重新构想学习方式。而且，我们实际上还处在非常早期的阶段，正在探索如何利用技术来解决问题。归根结底，一切还是从一个问题开始：我们到底要解决什么问题？今天我们能够利用技术做到什么？而未来，我们又能够构建什么，让我们能够把这个问题解决得更好？
Sinéad Bovell：对。换句话说，我们能不能做得比静态的界面、比标准化的静态教科书更好？我们每个人学习的方式都不一样。那么最终，这个系统能不能真正理解：对我们每个人来说，什么才是最合适的使用方式？
现在，如果我们退一步，从技术层面来思考一下这个愿景——最终形成一个ambient智能层，让我们所有人都像持续使用AI一样使用它，却根本不需要去思考AI本身；同时，Gen UI让用户界面能够根据你当下所处的状态和情境来适应你。那么，从技术层面来说，究竟还需要发生什么，才能实现这样的愿景？
超越Scaling law：架构上的下一步
Sinéad Bovell：因为我们经常听到整个行业讨论Scaling law。我们正在触及预训练的极限。我们可能不能再指望，只要投入更大的数据集、更多的算力，就能够继续看到进步。但Google Research的一项明确使命，就是提出新的架构，或者推动那些能够突破部分限制的效率突破。从架构的角度来说，究竟需要发生什么？或者说，要实现刚才所描述的那个愿景，我们是否需要一种不同的架构？
Yossi Matias：现在有很多讨论都在问：好，那么我们今天所采用的方法究竟存在怎样的极限？我们是不是已经触及了这个极限。但某种意义上，人们似乎忽略了一个事实：就在几年前，我们甚至还没有今天这样的架构。那为什么我们要假设，这就是唯一可能的路径呢？
同样，如果回到研究突破的第一性原理——我们究竟要如何推动研究突破来解决问题？
当你思考生成式AI时，其实有很多领域都还需要进一步的工作和研究。我们也一直在探索如何让它们变得更好。比如，显然，一个方向就是让它们更加高效。另一个方向，是让它们更加事实准确、更加可信。顺便说一句，这也是我们从2021年开始持续推进的研究。早在2022年，我们甚至就发布了相应的基准测试，用来让学术社区能够研究如何测试LLM的功能性和一致性。
还有其他很多领域也需要继续取得进展。比如，不只是如何让推理变得更好、如何解决更加困难的问题，还包括如何在多维、多模态的环境中工作，等等。现在，我们已经在这些方面都看到了巨大的进步。
但某种意义上，每当你取得一次进步，这个进步本身就会成为新的基准测试。于是问题就变成了：接下来你要把它带到哪里？而你总会觉得自己距离真正想实现的目标还差得很远，因为总有更大的问题等待解决。你会希望能够依靠这些能力去完成更多的事情。
这里可以拿效率举一个例子。现在有所谓的Scaling law。假设你只使用当前已有的技术，然后不断投入更多的数据、更多的算力，等等。但当然，我们还可以有新的技术、新的算法。我的意思是，Transformer本身就是一种新的架构。
又比如，就在几年前，我们提出了所谓的投机解码。它本质上是一种针对大型LLM推理的更优算法。它表明，我们实际上可以在不牺牲质量的情况下，让推理的效率提升两倍甚至更多——无论是从推理所需的时间来看，还是从所需要的算力量来看。而且实际上，你可以有很多不同的变体，效率提升完全可以超过2倍。
现在，基于这一范式已经出现了数百种不同的变体。如今，人们已经把这种加速能力视为理所当然了。但我其实正在等待更多的创新，等待看到10倍、100倍，等待看到新的架构。
我的意思是，研究最令人着迷的地方就在于，它并不只是想办法把我们已经知道的东西不断拉伸，把现有技术做到尽可能好的程度。当然，当你开发技术的时候，这件事情显然一直都需要做。但研究同样意味着：提出全新的方法。我还从来没有真正看到过一个可以被证明的结论，说：“这件事情就是做不到的。”因为很多时候，问题只是：我们什么时候能够实现下一次突破、下一次创新、下一次转折点。
Sinéad Bovell：一方面，我们在现有的架构上仍然有很多提升空间。我们还可以做更多事情：让它们变得更加高效，让它们更加事实准确。与此同时，未来还会不断出现新的突破。这并不是故事的终点。我们将会看到架构本身不断出现创新。而这也就是你刚才所说的——也许未来会比我们今天拥有的技术好10倍、100倍，甚至1000倍。
Yossi Matias：对。而且我们试图利用技术实现的目标也一直在变化。实际上，我们一直在不断提高自己对于“究竟想实现什么”的要求。比如，我们希望把这些技术应用到更多其他领域。
显然，我们最开始是从语言模型入手的，但现在我们当然也希望能够拥有关于这个世界的模型。我们希望能够构建世界模型。我们发现，在很多情况下，实际上只需要使用基础模型，让模型从各种经验中学习，就已经能够获得非常多的价值。但如果我们进一步把这些能力与各种物理模拟结合起来，同时加入对更多额外材料的理解，那么我们就能够获得更多洞见，也能够获得更多培养数据。比如，在分子层级上的数据，或者生物数据，都能够帮助我们构建更加优秀的模型，从而让我们能够真正去提出一些今天还无法提出的问题。
或者，我们还可以研究如何表示这个世界中各种事实之间的关系，并在此基础之上进一步构建层。当然，我们也可以利用AI来帮助我们进一步推动这一进程。
Sinéad Bovell：所以从某种意义上来说，你认为我们其实仍然处在人工智能的早期阶段吗？尽管这个领域其实已经存在了几十年——这一点可能很多人并不知道——但我们距离这个领域未来可能实现的事情，是不是仍然非常早期？
Yossi Matias：这里存在一种很有意思的二元对立。一方面，我们会觉得：“等等，我们现在已经走得这么远了。”毕竟，与仅仅几年前相比，我们已经取得了如此巨大的进展。但另一方面，我们又很难预测自己接下来究竟会走向哪里。因为现在，我们谈论的是利用AI本身来加速AI。AI正在加速研究，而AI也正在加速AI的发展。当然，人们也在讨论这样一个阶段：AI将会实现递归式自我提升，等等。而实际上，我们现在已经在使用AI来加速研究本身了。
从很多方面来看，我们仍然处在早期阶段。而且，有句话说得很好：“预测很难，尤其是预测未来。”即使我们的工作本身就是在做这些判断、进行这些押注、对不同方向进行投资，我也不认为任何人都能够非常有把握地说，多年之后这个世界究竟会变成什么样，AI和技术又究竟会发展成什么样。
但有一点是明确的：我们仍然在取得巨大的进步，而这种进步将会影响方方面面。而我们真正试图做的一部分工作，就是提出正确的问题：我们究竟能够在哪些地方产生最大的影响？哪些研究突破能够最终转化为对一切领域的影响？从产品，到核心技术，再到科学、社会，等等。
AI Co-Scientist与“装在口袋里的通才”
Sinéad Bovell：我们来谈谈科学吧，因为我知道科学是Google Research工作中的一个重要组成部分。那么，这一刻对于科学来说意味着什么？科学究竟发生了什么变化？
Yossi Matias：对我而言，我们现在最令人兴奋的进展之一，就是如何加速科学发现本身。换句话说，我们不仅要思考如何利用现有最先进的技术来提出具体的问题，还要思考：如何真正利用AI，为完整的科学方法提供所需要的工具。
如果你想想科学究竟包含什么。比如，想象一下一个科学实验室。里面有研究人员正在努力解决这样一个问题：为什么某些细菌比其他细菌更具传染性？为什么它们会对抗生素产生抗药性？这就是我们的一位合作伙伴——Imperial College的研究人员——多年来一直在研究的一个问题。
接下来，你会看到研究人员——而且往往是各个层级的研究者，包括研究生和博士后——首先提出假设。当然，他们还需要先查阅文献：我们能够从已有的研究中了解到什么？然后提出假设，再对这些假设进行验证。
而我们现在正在探索的是：我们如何利用AI来加速这一整套过程？比如，我们有一个叫AI Co-Scientist的系统。它是一个多智能体系统，本质上可以完成文献搜索——搜索整个文献，然后生成假设。而且它可以生成很多假设，然后尝试对这些假设进行验证、排序，最后把结果带回给研究者，说：“好，这里有一个假设，也许它能够回答你心里正在思考的那个研究问题。”由于它能够浏览整个文献，并将假设与我们目前能够获得的各种数据进行比对，它实际上可以以一种非常惊人的方式加速研究。
在这个具体案例中，AI Co-Scientist只用了三天，就提出了一个我们的合作伙伴花了几年时间才提出的假设。而且它还提出了另一个假设。我们在Stanford以及其他地方还有一些合作伙伴，他们也在使用AI Co-Scientist来帮助提出关于肝纤维化、药物重定向等方面的假设。
我们现在看到的是：突然之间，我们拥有了一个AI系统，它可以扮演一个非常强大的合作者的角色。事实上，我和我们的合作伙伴交流时问他们：“你们使用它的体验怎么样？”他们的回答是：就像在和一位能力极强的合作者一起工作。
而有意思的是，这不仅仅是一个聪明的合作者，因为它实际上能够阅读各个学科的文献。它本质上就像拥有一位通才——也就是一个精通多个学科的人。就像把一个通才装进了你的口袋。
现在想象一下这样一个世界：任何研究者、任何学生，实际上都拥有一个为自己工作的虚拟实验室。任何人都可以提出一个研究问题，让系统去检索文献、生成假设、验证这些假设。未来，它甚至可能通过真正的实验室实验来验证这些假设——只要我们拥有足够的机器设备，能够真正执行这些实验。而我们已经看到整个产业在这方面取得了很好的进展，也在不断加速这一过程。
这意味着，今天只有少数人——只有很小一部分研究者，通常是非常资深的实验室负责人——才能拥有的能力，未来每一位研究者都可能拥有。这实际上意味着，每个人都能够提出更大的问题，更快地取得进展。而科学从来都不缺需要我们回答的问题，所以这将会大幅加速科学发现。
不过，这还只是整个方程的一部分。因为如果你想想科学家，比如生物学家、化学家，或者材料设计科学家，他们在自己的领域里可能非常优秀。但今天，如果你真的想构建能够检验假设的模型，光是这件事情本身就需要大量工作。实际上，这可能需要几天、几周甚至几个月。有时候，你甚至需要专门聘请数据科学家，来帮助你构建这些模型。
Empirical Research Assistance：把建模交给AI
Yossi Matias：我们有这样一个系统，叫Empirical Research Assistance。它同样是利用生成式AI，来帮助解决这一类问题。对于任何一个定义明确的问题，以及与这个问题相关的任何输入，它都能够帮助你找到、搜索并构建合适的模型，从而帮助你解决这个问题。
顺便说一下，Co-Scientist和Empirical Research Assistance都已经发表在Nature上，就在几周前发表。而到那个时候，我们已经有相当多的论文，在一系列不同领域中使用Empirical Research Assistance来加速研究本身，并解决过去一直悬而未决的问题。这些领域包括从宇宙学到流行病学，再到工程和经济学。
再一次，如果你想想这个组合：提出假设、进行文献搜索，我们最近已经通过一个叫Gemini for Science的项目，让这些能力真正变得可用。顺便说一句，这是Google内部多个组织、多个团队之间合作的成果，让研究者能够真正使用这些能力。
比如，Empirical Research Assistance与另一个由DeepMind开发的系统——AlphaEvolve——结合起来，实际上正在为我们所谓的计算发现提供能力。除此之外，还有文献洞见等其他领域。这些都是科学方法中用于加速研究的组成部分。
而且，这还只是其中的一部分。因为另一个我们真正需要关注的问题是：我们将如何评审科学的文献？我们也在尝试各种论文助手工具，它们能够帮助你获得关于自己论文的反馈。未来，我甚至设想审稿人也会使用AI。
事实上，科学方法比以往任何时候都更加重要，而利用AI来辅助科学方法，将会成为我们以一种严谨的方式加速科学发现的关键。这种方式能够让我们真正构建起一层层的科学的知识，并进一步探索下一个研究问题。我们正在看到这种加速，而这也是利用AI来加速科学本身最令人兴奋的方面之一。
Sinéad Bovell：对。那些过去可能需要几年才能完成的事情，我们未来可能会在几个月、几周甚至几天之内看到结果。而且，普通人可能没有意识到，当你有一个想要解决、或者想要验证的假设时，为了研究清楚究竟应该沿着这条路线继续下去，背后其实需要完成大量的工作。就拿你刚才举的例子来说：为什么这种细菌会产生抗生素抗药性？那么现在，你得去研究所有已经发表的、关于这种细菌的内容。也许已经有人证明过或者证伪过某种解释——也就是为什么它会产生抗生素抗药性。光是弄清楚这个假设到底值不值得继续研究，可能就需要几个月。
然后你又提到了Empirical Research Assistance。假设你是一名化学家，现在你可能还需要自己写代码，构建一个模型，真正去测试这个假设。你可能需要找一位计算机科学家来帮忙；或者，你自己就得突然开始写代码。而现在，你身边拥有了这样一个虚拟团队，它可以开始帮你完成所有这些工作。
我很喜欢你在一次演讲中提到的一个例子：大多数人可能没有意识到，Edison当年大约有100个人和他一起工作。很多顶尖科学家身边其实都有这样一个由很多人组成的“工厂”——一个完整的团队在为他们工作。而现在，本质上，我们正在创造这样的东西。
但是，现在是不是也出现了一个问题？如果你把所有这些工具放在一起考虑，我们是否正在出现一个技能缺口？因为拥有这样一个虚拟实验室是一回事，知道如何使用它又是另一回事。几天前我们有一次通话，你说了一句话，非常有意思。你说：“我们在如何加速科学家的培养，让他们把自己视为架构师这件事情上存在一个缺口。”你所说的“科学家即架构师”，究竟是什么意思？
科学家即架构师：弥合技能缺口
Yossi Matias：首先，Edison可能是终极意义上的发明家，而他当时拥有一个发明工厂。他并不是一个人独自完成所有事情的。他有自己的实验室。当你想想今天那些最受尊敬、最令人钦佩的科学家，他们实际上也都有一个实验室在和他们一起工作。而现在，我们正在进入这样一个世界：每个人都将拥有自己的虚拟实验室。我把这看作是：AI是人的创造力的放大器。
而研究者的角色将比以往任何时候都更加重要。我的意思是，有时候人们会产生这样的想法：“等等，如果一个研究生、博士后，或者初级科学家，以前需要花大量时间做文献研究、构建模型，而现在这些事情都可以免费获得，那么还剩下什么需要做呢？”
但关键恰恰在这里：人创造力比以往任何时候都更加重要。因为当你真正拥有一个随时可以调用的虚拟实验室时，你就可以提出问题。从本质上来说，你可以做今天只有非常资深的研究者才能做的事情。
我把它看作是：AI是人的创造力的放大器。但这并不是一个预测。这是一个设计目标。因为如果你仔细想想，一个初级科学家要想真正做到今天拥有一个虚拟实验室、并像拥有这个虚拟实验室一样开展工作，需要什么？这通常需要很多年的成长过程。你先从更加基础、更初级的工作开始，然后不断学习；你通过观察来学习，再逐渐掌握这些能力。
在一个我们能够让年轻的科学家很早就开始提出这些问题的世界里，我们实际上需要弥合这个缺口。我们需要真正重新思考如何培养研究生。而且顺便说一句，这适用于任何领域。工程是这样，计算机科学是这样，生物医学领域也是这样。甚至可能医护工作者也是如此——
Sinéad Bovell：法律也是。面对所有这些工具，同样如此。
Yossi Matias：对，因为AI实际上正在承担这些可以说是入门级任务，这让每个人都能够真正进入更加进阶的阶段——去提出正确的问题、给出正确的指导，并且对结果做出判断。
因为结果从来都不是简单的非黑即白。它并不是“这里是问题，这里是答案”。实际情况总是：“这里有几种可能性；这里存在不同的取舍。”那么，这个结果好吗？你要不要比较这些不同的参数？判断力的重要性比以往任何时候都更高。
这里有几个观察。第一，我们需要思考如何调整我们的系统、课程、培养体系等等，从而让整个培养过程能够适应AI，并真正把如何使用AI融入其中。而且我相当乐观的一点是，我们其实也可以利用AI来帮助完成这件事。比如，在科学方法方面，AI可以帮助对论文提供早期反馈，而这恰恰是任何一位指导研究生的导师都需要花费大量时间去做的事情之一，等等。这是我们可以观察到的一个现象。
另一个观察是：判断什么才是重要的问题，这种判断力通常会变得更加至关重要；与此同时，对一个答案是否正确进行判断，也同样如此。有时候，这其实是非常明确的。比如你有一个优化，你知道自己希望把某个数值优化到什么程度。你可以进行检查，检查结果，甚至可以验证它是不是最优解。但有时候，这就需要做出判断，因为你想要的方案是应用于一个复杂的系统，而这个系统本身存在各种取舍。
这里我想引用一句话。我很喜欢爵士乐，而我最喜欢的名言之一来自Duke Ellington。他谈到音乐时说：“If it sounds good, it is good.”
这句话其实非常深刻，因为归根结底，什么才算是good的判断，本身就是未来我们越来越需要依赖人类去完成的事情。当然，AI系统也会不断学习，然后应用这些判断；而我们也会进一步提出更加宏大的问题，但与此同时，我们依然需要做出这些判断。
Sinéad Bovell：这也是为什么科学教育可能会变得更加困难，而不是更容易。有些人会想：“哦，现在我们有了这么多技术，事情应该会变得更简单。”但恰恰相反，它实际上会变得更难。
因为你描述的是这样一个世界：一个人原本需要花十年、十五年才能建立起来的技能，我们很快就会开始期待初级科学家也具备这些能力。因为他们可以提出一些过去可能需要一个人花四十年才能弄明白的问题。现在，他们已经有可能去回答这些问题了。你需要建立相应的判断技能，才能真正做到这一点。这大概就是整个社会在教育领域的发展方向。
Yossi Matias：当然。这又是一个视觉上的错觉。而且我们以前已经见过类似的情况。我的意思是，当Google和Wikipedia变成一种可以说是日用品、人人都可以使用的东西之后，人们当时也有过担忧。比如，我们的孩子会不会因此变得愚蠢或者懒惰？因为过去我们会给他们布置作业，让他们去图书馆查找、收集各种事实，而现在他们几分钟之内就可以完成这些事情。
但后来我们适应了。作为一个社会，我们实际上提高了期望。这些能力现在已经被视为一种默认具备的基础能力——也就是默认具备的基础能力。而现在，当然，我们又在不断提高“什么是期望、什么是默认具备的”的标准。
你甚至可以想想数学。现在我们经常会看到研究者，有时候甚至是孩子，出来说：“嘿，我们用AI解出了这个Erdős问题，或者那个Erdős问题。”Erdős问题实际上是一系列由Paul Erdős这位传奇数学家提出的数学问题，其中很多问题已经开放了很长时间。
在某个瞬间，人们会产生一种错觉：“等等，那是不是意味着所有这些研究问题都要被解决了？”其实并不是。当然，其中一些问题会被解决，很多问题会得到大幅加速。但与此同时，我们也能够开始提出更大的问题。所以这里从来不存在“我们已经没有什么东西需要解决了”这样的情况。
同样，你可以想想医疗健康。我们确实取得了一些进展，但如果我们真正想要解决医疗健康，还有大量工作要做。比如，我们怎么才能真正解决医疗健康？我们怎么才能确保没有人会因为某种医学病症的出现而措手不及？我们怎么才能实现早期检测？我们怎么才能找到癌症的疗法？我们怎么才能真正解决公共卫生问题？这些问题其实都还处在非常早期的阶段。我们真正应该做的是拥抱AI，并利用AI来帮助我们解决这些问题。
跨学科科学与验证难题
Sinéad Bovell：对。现在我们需要更多真正进入这个领域、并且借助这些技术开展工作的人。那么，验证会不会成为一个瓶颈？因为你刚才提到，现在AI并不受限于某一个特定的学科。我们人类是这样的：每隔几十年，才会出现一个能够跨越多个学科的通才，但这种人通常非常少见。你研究化学，你研究物理，你研究生物。但未来AI有可能发现某种跨越不同学科而存在的规律，而这个规律在某一个具体学科内部看起来却没有意义。那么，如果我们一直以来都是按照一个学科、一个学科的方式接受训练的，到底谁有能力判断这个发现到底有没有意义？
Yossi Matias：那我其实想先从“学科”以及“跨学科”这个概念说起，因为在我看来，这实际上是我们现在看到的AI最重要的机遇之一——AI能够真正加速科学发现。
科学界的构建方式确实通常会推动人们专注于某一个特定的学科。而我一次又一次发现，当你把多个学科结合起来的时候，很多真正神奇的事情就发生了。你实际上可以从不同领域借鉴知识、观察知识，并把它们连接起来。通常情况下，真正能够跨越多个学科的人并不多，而那些真正能够跨学科思考的人，往往能够产生很多非常有价值的成果。而现在，有了AI，我们实际上可以做到这一点。所以我非常乐观，AI将加速并帮助我们真正把多个领域连接在一起。
顺便说一句，关于验证的问题也非常关键。因为在一个AI可以生成大量假设的世界里，如何检查这些假设、验证这些假设，以及对它们做出正确判断，会变得越来越重要。所以很显然，我们也需要利用AI来帮助我们完成这些工作。
另外，在一个我们能够真正跨越不同垂直领域、不同领域取得更多进展的世界里，更加广泛的教育也会变得越来越重要。所以这是未来我们可能会看到的一个非常积极的方向。
当然，我们也需要鼓励人们这样做。所以说，我们始终会面临一个取舍：究竟是深入某一个特定领域，还是拓宽自己的知识范围？过去很多时候，深入一个领域是必须的，因为如果你想彻底解决一个问题，你需要自己完成从实验室工作，到构建模型，再到解决所有定理等等一整套工作。但在这样一个你已经拥有一个虚拟实验室的世界里，我们就需要重新思考：究竟需要把一个人训练到什么程度，以及我们应该如何找到合适的平衡，来决定应该怎样教育自己。
而且，这不仅仅适用于科学。这同样会发生在技术领域。过去，我们有软件工程师、产品经理、用户界面设计师等等不同的角色。但突然之间，我设想、我看到的是，我们现在正在进入这样一个世界：借助AI，每个人都可以拥有一支由虚拟工程师组成的团队，替自己完成一些工作；还可以拥有一支……所以实际上，你可以拥有许多这样的职能。换句话说，跨越不同学科和职能、同时具备多领域技能的能力，将会变得极其重要。
Sinéad Bovell：对。我想说，“职业头衔”这个概念可能会越来越难以维持，因为现在，我们关注的将更多是我们所从事的事情背后的技能，而不是工业时代形成的那套具体分类体系。但现在，我们将能够更加灵活地在不同领域之间流动。比如，你原本从事产品工作，现在也可以做一些工程方面的工作；甚至在科学领域也是如此，可以跨越不同学科。
那么，对于一个不是科学家的人来说，当AI加速科学发展之后，他会从自己的生活中感受到什么变化？为什么他们应该在意这件事？这对他们来说究竟意味着什么？
Yossi Matias：首先，我们现在正在经历的一件事情是，AI系统是一种具有通用能力的系统，它们能够真正承担各种任务。过去，这些任务需要专家才能完成。而现在，这将为更多人打开机会，让他们能够在许多不同的学科中承担角色，发挥重要作用。
比如，你已经可以看到一些从来没有编程经验的人开发应用程序。我实际上听说过一个例子，有人在一家初创公司工作，他跟我说：“我现在负责和我们的客户合作，他们会向我提出一些功能需求。而很多时候，我其实根本不需要让我们的工程师来做这件事。我自己就可以完成原型。”想想看，这其实非常强大。
如果你是一名科学家，需要在另一个学科上获得一些帮助，你也不一定非得花时间去寻找合适的人脉、找到那个正确的连接。你可以直接利用AI来帮助你。这种连接不同学科的能力将会变得越来越强大。
顺便说一个很有意思的点。当我回想起来，甚至在将近20年前、我刚加入Google的时候，我们就一直希望确保产品经理接受过计算机科学教育。即使他们的工作并不是写代码，我们也希望他们能够理解如何写代码。我们一直要求研究人员具备写代码的能力，也一直希望工程师能够解决研究问题。理解不同学科这一点，其实一直都存在。
而现在，这个机会变得更大了，因为任何人都可以进一步拓展自己的能力。现在，更多的人能够开发应用程序、编写代码；更多的人也能够成为某一个特定领域的专家。而借助AI，他们还能够运用恰当的研究能力，在科学研究中真正产生影响——以一种过去根本无法想象的方式。
Sinéad Bovell：对。我们现在正处于凭感觉编程的时代。很快，我们可能就会进入凭感觉做药物发现的时代，换句话说，普通人都可以自己提出各种分子。那么，对于洪水预测来说，这是不是意味着我们终于能够真正理解这个星球一直在向我们发出的那些信号？
Yossi Matias：我先从一个问题开始：我们为什么会研究洪水预测？我之前应该提到过，我们总是需要从“为什么”开始。我们要做的事情究竟会产生什么影响？
实际上，在过去大约十年里，我一直负责我们所谓的危机韧性或危机响应工作。发生危机时，人们会来到Google，所以我们一直在研究，如何为他们提供能够真正采取行动的信息，帮助他们应对所面临的各种危机。事实上，我们后来推出了一个叫作S.O.S. alerts的功能。
但我发现了一件事：当然，我们能够提供多大帮助，取决于我们能够分享什么样的信息。而事实证明，最具破坏性的自然灾害之一就是洪水——洪水每年都会造成数千人伤亡。但在这方面，我们却没能提供足够的帮助，因为真正能够发挥作用的唯一方式，是提供关于未来会发生什么的预测，让人们能够提前采取行动。实际上，最好的帮助方式，就是预测即将发生的事情。
大约十年前，当我去问洪水领域的专家：“我们怎样才能进一步提高预测能力？”当时的普遍共识是，这太难了。因为如果你想得到有价值的预测，就必须具备高置信度的预测能力，而其中又涉及太多变量，等等。我们真正思考的是：好吧，所有人都说这太难了，但这是一个非常重要、值得解决的问题。那么，我们就看看自己能不能在这个问题上取得进展。
于是，我们首先开展了一些研究。等到取得了足够的进展之后，我们实际上在印度进行了一项试点，结果表明，在非常严格的限制条件下，我们确实能够做出相当合理的预测。但这已经足以让我感到乐观了。事实上，大约八年前，我们甚至发表了一篇论文，提出了一个假设：未来，我们将能够借助机器学习和云端实现规模化。当时我其实完全不知道具体要怎么做到这一点，但当时已经有足够多的迹象表明，我们可以把所有这些变量纳入进来，并尝试利用机器学习来解决这个问题。
这个过程确实需要经历很多轮迭代：从研究到实际进入现场进行尝试，再到找出我们能够做什么；同时与学术界合作、与政府合作，建立合作伙伴关系，真正把那些负责收集数据的人连接起来，让我们能够基于这些数据构建机器学习模型，并最终推动这一领域的科学发展。
后来，我们在Nature上发表了一篇论文，提出了我们所谓的全球水文模型。我们真正展示的是：我们可以构建模型，让它从那些拥有足够数据的地区所发生的洪水事件中进行学习，然后把这个模型应用到那些数据相对不足的地区。
这个一开始被认为“几乎不可能解决”的问题，我们现在不仅证明了自己能够推动这项科学的发展，而且同一个团队还构建了一个系统，如今已经能够在150个国家提供最长达7天的洪水预测，覆盖约20亿人口。它现在已经真正进入实际应用，并且正在挽救生命，因为它已经部署在那里、可以被使用。救援人员和政府都可以通过我们所谓的Flood Hub获取这些预测信息。
这是一个很好的例子：从一个问题出发，进行研究，再不断迭代，最终把它带入现实世界。接下来，我想提出另一个问题。我喜欢把这个过程称为“研究的魔法循环”。从某种意义上说，研究之所以比以往任何时候都更加令人兴奋，其中一个原因就是，这个“魔法循环”正在以前所未有的速度加速，而且还在进一步加速。借助AI，我们可以利用AI来更快地推动研究；然后，我们又可以利用AI帮助我们把研究带入现实世界，而这能够产生巨大的影响。在这个案例中，它甚至能够挽救生命。
Sinéad Bovell：这太不可思议了。想象一下，你提前七天收到一条通知，告诉你：“这里七天后会发生洪水。”这真的会彻底改变人的生活。
Yossi Matias：而且，就在几个月前，尼日利亚政府以及一个叫作GiveDirectly的组织，实际上通过我们的Flood Hub API，向村民发放资金，让他们能够提前撤离。但实际上，故事还没有结束。因为在任何一个时刻，当你达到一个新的阶段时，都会出现这样一种情况：好，这是我们现在能够做到的；但这里还有一些问题，我们还没有解决。比如说，在洪水这个问题上，我们又遇到了另一堵墙。那就是，目前这些模型都适用于我们所谓的河流洪水，也就是河流水位上涨并漫过河岸所造成的洪水。
但有一些破坏性极强的洪水实际上属于山洪。这类洪水来得非常突然，往往出乎人们的预料，而且通常发生的方式决定了我们没有足够的数据来构建相应的模型。实际上，直到大约去年，这都还是一个尚未解决的问题。
而接下来，新的创新就出现了。我们发现，我们实际上可以利用一种新的观测方式。我们所关注的这些洪水事件，至少在城市地区，通常都会被新闻媒体报道。而当时的想法是：我们可以利用生成式AI，使用Gemini，去读取过去20年的新闻报道，识别其中被报道的洪水事件，而这些报道通常还会描述洪水发生的时间。这些都是公开信息，而且涉及多种语言。我们基本上可以利用这些信息建立一个洪水事件数据库。
我们把这种技术称为Groundsource。本质上，它构建的是一套真实基准数据，让我们能够基于这些数据进一步构建AI模型。我们实际上利用生成式AI识别出了260万起山洪事件，然后就可以基于这些数据构建机器学习模型、AI模型。现在，我们也已经在Flood Hub上提供了针对城市暴洪的预测。
一个就在一年前几乎无法解决的问题，现在通过生成式AI与我们能够获得的观测数据相结合，再加上利用这些数据、通过各种代理指标建立联系，我们实际上就能够解决它。
现在，这种范式本身其实并不是什么全新的东西。很多年前，我和我的团队就开发了Google Trends。我们发现，一个非常有用的范式，就是利用Google Trends——本质上，人们有时会把它称为意图的基础——通过人们搜索趋势的变化，来识别各种现象。比如，我们可以仅仅根据搜索趋势的聚合数据，识别某些疫情暴发现象、某些政治事件，以及其他各种现象。而现在，通过Groundsource，我们可以把这种方法提升到一个新的层次。而且，我们也让其他人能够使用它。
至于城市暴洪，这就是一个很好的例子：我们把生成式AI与公开信息结合起来，从而真正解决一个社会层面的挑战，而这个解决方案最终可能产生挽救生命的影响。
Sinéad Bovell：那么，对于危机韧性，你的North Star是什么？你现在在哪里？你希望走向哪里？
Yossi Matias：是的，这是一个很好的问题。显然，洪水预测就是这样一个问题。但我们还有大量研究工作正在进行，比如进一步提升风暴预测的能力。我们在Google DeepMind的同事正在做非常出色的工作，实际上正在推动这方面的研究，并与Google Research合作，引入我们所谓的WeatherNext，帮助进行天气以及极端天气等方面的预测。
我们也在研究野火检测。在这里，我们同样在研究如何利用卫星影像来帮助预测野火，甚至已经开始与其他合作伙伴展开合作。我们发起了一个叫作Fireside的项目，本质上是一项计划：将50颗、60多颗卫星送入轨道。等这些卫星进入轨道之后，它们将使我们能够每20分钟对地球上的每一个地点进行洪水预测，并识别出像这个房间这么大的野火。
Google Earth AI，构建行星级智能
Yossi Matias：当我思考所有这些危机韧性相关的任务，以及我们的目标究竟是什么、我们要走向哪里时，我们的North Star其实非常简单：任何人都不应该再对即将到来的自然灾害毫无准备、措手不及。
这实际上就是我们试图解决的问题。我们如何利用预测，让人们能够提前做好准备？这样一来，他们既可以保护自己的人身安全，也可以保护自己的财产，同时还能够采取相应的行动。这就是我们努力前进的方向。
当然，要实现这一目标，我们需要具备这些技术，才能提出正确的问题。你需要能够针对这个世界提出问题——关于洪水、天气、风暴、极端高温等等。后来，在某个阶段，我们又意识到：你知道吗？我们真正想要的，其实是拥有一种行星级智能。
那么，如果我们把所有这些地理空间模型结合起来，再加入卫星影像呢？我们可以构建更多关于卫星数据的模型，引入各种数据。我们还有一个自己开发的模型，叫作Population Dynamics，它本质上是一个关于人群移动的基础模型。在新冠疫情期间的分析等工作中，这个模型实际上就发挥了相当重要的作用。
那么，如果我们把这些模型全部结合起来，形成一个我们称之为Google Earth AI的模型家族，同时在它之上再增加一个Agentic层，会怎么样？这样一来，你实际上就可以向它提出任何关于这个星球的问题。
比如，在危机韧性的语境下，你不仅可以问：“洪水或者风暴将会在哪里登陆？”还可以进一步问：“哪些社区最容易受到影响？为了疏散这些社区，需要采取哪些行动？哪些基础设施会受到影响？我们需要提前采取什么措施？”
再想想公共卫生。事实上，最近我们与Mount Sinai、Boston Children's Hospital和Harvard的一些合作伙伴发表了一篇论文，研究如何利用Earth AI在ZIP code级别分析麻疹疫苗接种情况。如果你再从公共卫生或者流行病学的角度来看，很多问题本质上都是在做这样的连接：把疫情暴发和各种公共卫生现象，与地球上的具体地点联系起来；再进一步将它们与这些地区的经济状况以及其他因素联系起来，比如从整体层面来看，哪些人接种了疫苗，哪些人没有接种疫苗。
实际上，已经有很多合作伙伴围绕公共卫生开展了相关工作，包括像Cooper/Smith这样的合作伙伴，与W.H.O.以及其他机构合作，显然也在研究如何利用Earth AI帮助应对霍乱疫情暴发，以及现在的埃博拉疫情暴发。公共卫生是另一个非常重要的领域。
危机韧性是另一个重要领域，甚至对企业来说也是如此。如果你从事某种商业活动，实际上很多企业都会关心从行星尺度来看正在发生什么。比如，它甚至可以应用于市场营销业务。WPP就是一个合作伙伴，它正在使用LTI来提出商业问题。或者，如果你是一家物流公司，或者一家仓储公司，你也会希望针对这个星球提出各种问题。
这些问题可以是理解某种现象；也可以再次用于公共卫生危机的分析；甚至可以单纯为了科学研究或教育目的而使用。这种将AI作为一个平台来实现行星级智能的理念非常令人着迷。它让我们能够把所做的一切提升到一个新的层次。我们不再只是一次解决一个问题，而是把这些问题连接起来，利用AI将它们真正串联在一起，让整个过程变得无缝。
Sinéad Bovell：如果我们把这个话题和之前谈到的ambient intelligence联系起来，那么这里似乎存在一条很清晰的逻辑：企业正在试图为自己的组织构建一个智能层，而Google正在为整个星球构建一个智能层。在这个智能层之上，你实际上可以和这个星球、和整个世界进行对话。
我读到的一些论文中的例子就很有意思。比如，你可以是一名自然保护工作者，然后向Earth AI提问：“如果我们现在面临着城市扩张、需要修建一条道路的压力，那么森林A和森林B，哪一片森林对于某个特定物种来说更加关键？”或者，你可以是一名健康领域专家，直接问：“这次霍乱疫情接下来会扩散到哪里？”而你甚至不需要知道或者理解背后究竟有哪些智能、哪些不同的模型在运作，也不需要理解其中涉及的流行病学、地理空间分析、信息通信等复杂机制。这是不是可以看作通往那个ambient智能层的一种入口？
医疗健康：从诊断到Google Health App
Yossi Matias：从某种意义上来说，是的。因为这同样体现了我们构建一个平台的价值所在：你建立了一个新的基础，让所有人都可以在这个基础上继续工作，然后他们就可以把精力集中在更上一层的问题上。
让我再举一个完全不同领域的例子，那就是医疗健康。同样，在医疗领域，你需要构建各种模型。你希望模型能够真正理解语言以及医学信息。比如，几年前，我们实际上研究了这样一个问题：我们能不能让语言模型以一种真正理解医学信息的方式来处理医学内容？于是，我们把一个问题作为基准测试：让语言模型参加美国的医学考试。
事实上，我们第一次证明了，我们可以针对语言模型进行适配，使它首次达到美国医学考试的及格分数线。等到这项研究发表在Nature上时，我们已经拥有了一个能够达到专家级水平的模型：在当时的测试中，模型得分达到85%，相比之下，及格线是65%；而加入多模态后，得分达到了91%。
更重要的是，当时已经有合作伙伴开始利用这个模型测试各种应用。而这又是我所说的“研究的魔法循环”：先提出研究问题，尝试应用它，然后再提出下一个研究问题。但完成这些之后，我们还会问自己：我们怎样才能把赋予这些模型的能力进一步开放出来，让更多人能够基于这些能力继续构建？因此，我们也推出了一个叫作HAI-DEF的平台，本质上是一系列开放模型，让其他人可以在这些模型之上继续开发。
我们实际上还开发了一个叫作MedGemma的模型。Gemma是我们的语言模型开源模型，也是Gemini的开源版本。而MedGemma则是在Gemma的基础上进一步构建的医疗模型，集合了我们能够构建的一些最优秀的医学能力，并可以用于各种不同的医疗场景。我们在一年多以前把它开放出来，而到现在已经有超过500万次下载。与此同时，通过这些下载，我们也了解到已经有数千种应用正在基于它进行开发。
这些应用的一个基础，就是你已经拥有了一个能够更好地理解医学信息的模型。你还可以把它用于各种不同的应用场景，比如医学术语的语音识别。这就是其中一个已经存在的模型应用。
比如，我听说有一家初创公司正在研究如何为各种疾病构建基础模型，他们把MedGemma作为基线。这样一来，他们可能就节省了原本需要投入的大量资金和几年的时间，而且已经可以直接在此基础上构建解决自己问题所需要的东西。
最近，我还听说了另一个实际应用案例：乌干达一个村庄里的一名医护工作者，遇到了一个非常紧急的情况——一名女性即将分娩，但当时她没有任何互联网连接。不过，她手机上有一个使用MedGemma的应用，因此她能够获得一些医疗建议。她根据这个应用提供的信息，获得了关于患者状况的指导。这个基于MedGemma、由第三方开发的应用可能挽救了母亲和孩子两个人的生命。
这只是众多案例中的一个，我们可能甚至还不知道其他已经发生的案例。这就是拥有一个平台的力量。这也是为什么让模型开放、让其他人可以使用它们如此重要。对了，最近就在几天前，我们也把我们的洪水预测模型开源了，这样其他人也可以基于这些模型继续开发。
Sinéad Bovell：对。人工智能不是天花板。它会变成新的地板，科学家和整个社会都可以从这个新的起点上继续向上跃升。整个社会、每一个人，都站在AI之上继续向前发展。
Yossi Matias：当然，如果我们谈的是医疗健康，这只是其中一个方向。医疗健康显然是AI将对社会和人们产生巨大影响的领域之一。我们在不断提升理解语言等方面能力的同时，也开始问自己：我们究竟怎样才能在不同层面上，把AI真正融入医疗工作流程？
从比较传统的AI应用来看，我们已经开展了一些研究。例如，我们曾经研究过糖尿病视网膜病变。这种疾病实际上可能导致失明，而及时发现可以帮助避免失明。这项研究现在已经有十年左右的历史，但这些年来，我们与印度和泰国的合作伙伴一起，把这项研究真正带入了现实应用。截至目前，已经完成了超过100万次筛查，帮助避免了成千上万人失明。
或者，最近我们与NHS一起发表了一项研究，研究如何利用机器学习辅助乳腺X光检查，看看我们究竟如何能够把AI真正融入医疗工作流程。研究结果表明，AI确实能够发挥作用。实际上，我们在Nature上发表了两篇论文，显示AI可以帮助将漏诊降低25%，同时为放射科医生节省40%的时间。这些都是研究不断走向现实应用的步骤：我们究竟如何才能真正把研究成果带入实际工作流程？
另一个方向是，如果你思考一下医疗诊断的实际体验，其中很大一部分其实是与医生、医疗从业者之间的对话体验。我们研究的问题就是：既然现在我们已经拥有了能够针对医疗状况提供可信信息的语言模型，那么我们能不能把它作为诊断过程的一部分，用它来帮助推动医患之间的对话？我们希望通过实际测试来验证这种方法是否可行。
同样，我们后来在Nature以及其他学术平台上发表了一系列论文，结果显示，在多个维度上，这类系统确实能够提供辅助，其中包括有用性，甚至包括同理心等方面。
就在最近，我们还宣布与Included Health展开合作，在实际医疗环境中进行测试，看看这种方式能否真正帮助医疗从业者。我们采取的是一种非常审慎的方式：严格测试各种能力，把结果发表出来，这样我们才能确认自己的测量方式是准确的；然后，再以尽可能合理的方式进行实际应用测试，并在此基础上继续迭代。
同样地，就在最近，我们还发布了我们所谓的Google Health app，本质上是根据人们手表上的传感器所收集的健康信息，为用户提供与自身健康相关的信息。其中很大一部分能力，都建立在一系列研究的基础之上——研究如何在个性化场景中使用大语言模型，看看我们如何把这些信息转化成真正对人们有帮助的洞见，同时通过严格的研究对其进行验证，然后再把它带入现实世界。
这些其实都是“研究的魔法循环”的不同体现：提出问题 → 开展研究 → 将研究应用于现实 → 提出下一个问题 → 不断迭代。
定义下一个十年的科学问题
Sinéad Bovell：那么，如果我们把目光投向未来，你认为哪些科学问题将定义接下来的十年？不仅是对Google而言，对整个世界来说又是哪些问题？
Yossi Matias：我想，当我们思考——或者说，当我思考科学问题时，我们实际上还处于非常早期的阶段。我们还没有真正解锁几乎任何一个我能想到的领域所需要的全部知识。
我们当然会为各种研究突破感到兴奋，但如果你真正想一想，我们现在对于大脑如何运作究竟了解多少？我们在药物设计方面走到了哪里？在材料设计方面走到了哪里？我们又在多大程度上真正理解了这个星球，以至于能够对它进行预测？
为什么我们还应该感到意外？为什么我们不能真正准确地知道接下来会发生什么，然后提前为此做好计划？而这些都会影响我们的生活。还有粮食不安全呢？在这些领域中的每一个，都还有大量工作要做。还有能源。我的意思是，我们现在谈论了很多能源问题，以及如何解决这些问题。但我相当确定，随着科学上的突破，我们也会看到能源领域的突破，以及资源利用效率等方面的突破。
当你思考我们生活中所有这些重大问题——我们的日常生活、人际互动，以及如何……我们之前也谈到了教育。对我而言，教育可能是任何一个社会最重要的事情。它决定着未来。如果我们能够让每一个人都充分发挥自己的天赋，并且让他们能够利用未来的AI技术，以及更广泛意义上的技术，去真正解决其他问题，那么这其中蕴含着巨大的潜力。而这实际上也是我们还有巨大提升空间的地方。
顺便说一句，教师的角色将比以往任何时候都更加重要。我相信我们每个人都有自己受到过启发的老师——那些真正帮助我们塑造自我、影响我们人生选择的老师。希望未来能够让更多教师去启发学生，并借助AI，在我们能够学习的内容和学习方式上进一步加速，同时让学习变得更加有趣。
这些都是我们在各个领域面临的巨大机遇。
还有一个我特别期待的领域，就是看看我们究竟能够如何帮助提升创造力。而且，这个领域本身也会不断发生变化，因为AI正逐渐成为一种工具。现在，会有越来越多的人能够表达自己。这也会改变许多不同的学科和领域。创造力以及人性其实是我们生命中最重要的部分。看看我们未来如何借助技术来进一步放大这些能力，这也是我非常期待看到的事情。
Sinéad Bovell：那么，量子计算在这一切当中处于什么位置？如果我们把目光放到下一个十年，我会觉得，当你回顾量子计算的发展时间线时，过去几十年其实一直都在证明：量子物理能够以一种可以规模化的方式真正发挥作用。
我试着为不了解量子计算的人解释一下量子计算的基本原理，如果其中有科学上的错误，也请你纠正我。Qubit是量子计算机的基本单元，但它们脆弱得令人沮丧。而要构建一台能够解决我们真正关心的重大问题的量子计算机——比如对分子或者复杂系统进行建模——你就必须能够向系统中加入更多的Qubit。而从历史上看，这一直是非常困难的事情，这也是为什么Willow会成为如此重要的里程碑。因为它证明了，我们可以构建规模更大的量子计算机，而且随着规模扩大，它实际上还能够变得越来越可靠。
要真正实现量子计算的宏伟愿景，量子领域接下来还有哪些事情需要完成？剩下的这段路，会比此前的工作更难、更容易，还是说，它只是另一种完全不同类型的挑战？
Yossi Matias：在量子计算领域，当然，纠错一直被认为是我们需要突破的关键障碍之一。而就在去年，我们通过Willow chip在这方面取得了很好的进展。
如果你愿意把它称作一个需要更长时间才能完成的研究的魔法循环，量子计算就是其中之一。事实上，我们在Quantum AI Lab中正在开展的很多工作的理论基础，可以追溯到20世纪80年代。比如Michel Devoret、John Martinis和John Clarke的工作——他们实际上就在今年获得了诺贝尔物理学奖。顺便说一句，Michel现在正领导我们的硬件团队，担任首席科学家。
量子计算机的基本前提是，我们已经知道，由于它采用了不同的计算范式，也由于Qubit与经典计算机中的基本计算单元具有不同的性质，因此存在一些特定问题，量子计算机实际上能够比经典计算机快得多地解决。
我们曾经有一个这样的例子：某个问题如果用经典计算机来解决，需要10的25次方年。而后来，我们又在所谓的可验证优势上取得了进展——也就是回声算法。这是一个可以通过其他方式进行验证的问题，我们证明，量子计算机解决它的速度可以比经典计算机快13,000倍。
当然，量子计算对我们这里讨论的数字体系也有非常重要的影响，尤其是在密码学领域。早在20世纪90年代，Shor's algorithm就已经证明，量子计算机能够解决某些被认为是经典计算机无法解决的问题。
但重要的是，虽然我们现在已经知道有几十种应用能够从量子计算机中获得优势，同时量子计算机还能够产生大量知识，而这些知识又可以被AI利用，从而在分子层面——如果你愿意这么说——构建AI模型。
我非常期待的一件事情是，随着我们越来越接近一台真正实用的量子计算机，我非常有信心，我们会看到越来越多聪明的人开始探索量子计算能够带来的全新机会。因为这是一种全新的计算范式，而新的范式必然会创造新的能力。我相信，其中很多能力相较于我们今天借助现有技术能够做到的事情，都将实现非常显著的提升。
Sinéad Bovell：那么，下一阶段的范式更多会取决于硬件吗？你有没有一个大致的时间线？我们现在是在谈五年左右吗？
Yossi Matias：我们确实认为，在未来几年内，我们会越来越接近实用化的量子计算。至于具体意味着什么，我们一次又一次在技术发展中看到的一个规律，就是它实际上是不同层级之间不断扩散、相互作用的过程。
通常来说，硬件是基础。在此基础之上，你当然需要开发软件和应用。但很多时候，真正推动你去构建某种东西的，恰恰是你从“我们可以用它做什么”中获得的洞见。
还是以Shor's algorithm为例。它实际上就是一个推动因素，让我们进一步思考：“好，那么为了真正支持这样的算法，我们需要具备什么条件？”而这又进一步促使我们去思考：为了做到这一点，我们究竟需要解决哪些问题？
我们会看到一种非常美妙的跨层级互动：一方面，是我们所关注和衡量的问题；另一方面，是解决这些问题所需要的技术。然后我们还要进一步思考，从算法层面、软件层面、硬件层面等等，到底需要具备什么，才能真正解决这些问题。而这实际上也会成为未来很多年创新的重要驱动力之一。
如何带领团队攻克“不可能”
Sinéad Bovell：对。而一旦量子计算机成为现实，我们就能解决今天还无法解决的问题。然后，正如你所说，通过这个研究的魔法循环，解决这些问题又会开启一轮全新的问题，让我们可以继续去攻克，并带来全新的创新。
显然，你是那种会参与数十年周期项目的人，而很少有人能够同时参与多个这样的长期项目，但你确实在做不止一个。那么，当有些项目涉及把原本真正“不可能”的事情变成技术上“可能”时，你是如何领导团队、设定里程碑、定义进展的？你是如何带领团队走过这样一个过程的？
Yossi Matias：探索创新和研究最令人兴奋的一点，就是不断地问这些问题：首先，什么事情真正重要？我们应该在哪些地方取得进展？我们有没有条件取得这样的进展？以及，什么时候才是把这个问题提升到更高层次的合适时机？
我一直很喜欢问的一个问题是：在这个领域里，你还可以解决什么更大的问题？我们能不能实现一个真正意义上的巨大跨越？顺便说一句，这绝不是一件简单的事情。因为很多时候，当你进行创新和研究时，总会不断出现下一个令人兴奋的问题，而你所做的每一件事情都会带来新的问题。去判断“下一步最大的突破是什么”，本身就是一件非常困难的事情。顺便说，这对学术研究也是一样的。
你需要去寻找下一个真正重大的问题，而且是一个你实际上有能力推动解决的问题。没有必要随机地提出各种问题。真正重要的是，在我们所涉及的每一个领域中，不断追问：什么事情能够带来真正的改变？然后，我们能够做些什么，去提出并解决下一个重大问题？
现在，Google Research拥有世界上最优秀的一批人才。其中有非常出色的科学家和工程师，他们实际上有机会去研究一些最令人兴奋的问题。Google现在有8个产品的月活跃用户超过20亿。与此同时，我们的使命也包括产生社会影响：与合作伙伴、学术机构、政府以及其他机构合作，建设非常重要的基础设施。这本身也是一种难得的优势。而这些应用最终又能够触达如此广泛的人群。
我们实际上拥有这样一整套要素：它们能够帮助我们提出正确的问题；然后，我们也能够把取得的研究突破，进一步与Google内部非常优秀的合作伙伴一起推进，将它们真正变成现实。而真正始终需要不断追问的问题就是：下一个重大的问题是什么？哪些研究问题能够真正带来改变？哪些问题可能最终带来研究突破？
就我个人而言，我一次又一次发现，比如说，实现创新最快的方式，就是始终朝着一个非常宏大的目标，持续迈出相对较小的步伐。
如果回到我们之前谈到的洪水预测，其实就是不断迭代，每一次都比我们此前所达到的水平再向前迈出一个阶跃式的进步。而在很多情况下，要做到这一点，都需要依靠研究突破。医疗健康领域也是一样。就在几年前，我们能够做到的事情还仅仅是那些，而现在，我们提出的问题已经更大了，并且试图把它进一步提升到下一个层级。
这就是研究、创新和技术发展的令人兴奋之处。而对我来说，最令人兴奋的事情实际上是，我们和我们的团队能够有机会同时做两件事：一方面，研究处于最前沿的研究问题，并取得研究突破，从而能够在一些最受认可的学术会议和期刊上发表成果，从Nature到NeurIPS，以及其他重要平台；另一方面，也能够把这些成果真正带入现实，看到它们最终对产品、科学以及社会产生实际影响。
Sinéad Bovell：对。如果第一步按照今天的标准来看是不可能的，而你告诉你的研究团队：“好，这就是你们的第一个里程碑。”那么，你是不是可以说：“你们有六个月到十年的时间来完成第一步”？你究竟该如何为“不可能的事情”设定一个衡量标准？
Yossi Matias：首先，并不是我们提出的所有问题都属于“不可能”这个范畴。因为在很多情况下，你会发现：“哦，我实际上可以在这里产生一些改变，我也可以在那里产生一些改变。”
首先，我们一直在不断提高目标的门槛。因为从某种意义上说，现在每个人都在使用AI来解决问题。因此，我们真正想关注的是那些按照当前已知的方法，更难解决的问题。这实际上就是所谓的研究突破。
我们始终在问一个问题——我会把它称为以影响力为驱动：我们能够产生什么样的影响？为了实现这种影响，我们应该把资源投入到哪里？又在哪里，我们能够产生最大的影响、实现最大的突破？
通常来说，对我而言，最重要的问题，实际上是那些能够带来阶跃式进步的问题——那些正在眺望未来、而且距离真正实现可能已经并不遥远的问题。从研究的角度来看，这些都是非常令人兴奋的问题。而当我们真正取得研究突破，并把它带入现实之后，它也将产生最大的影响。
Sinéad Bovell：Yossi，非常感谢你。今天和你交流非常愉快。
Yossi Matias：我也非常感谢你。谢谢这次交流。
原视频：The Next Breakthroughs in AI with Yossi Matias | The Google Research Podcast
https://www.youtube.com/watch?v=ggPWZ34gGaY
编译：Alice Xu
