对话DeepMind研究副总裁Ed Chi：个性化通用助理的未来

Ed Chi 是 Google DeepMind 研究副总裁，也是思维链（Chain-of-Thought）论文的作者之一。这篇论文让大模型学会「先推理、再作答」，是今天推理模型的基础方法之一。他过去 30 年从推荐、搜索做起，如今主导大模型的推理、规划与记忆研究。

在硅谷坐标的专访中，他对六个问题给出了判断：消费级 AI 走到了哪一步，通用助理何时真正到来，Google 的护城河在哪里，大模型的记忆难在哪里，开源与闭源的差距与 AI 泡沫，以及 AI 时代的教育。以下为要点整理，观点仅代表嘉宾个人，不代表 Google。

Ed H. Chi · Google DeepMind 研究副总裁

■2025 年之前，大模型对普通人只是「多了几个聊天 app」

在 Ed Chi 看来，大模型问世后的三四年里，投资人热情高涨、资金大量投入，但对大多数人的生活并没有带来实质改变。

■2026 年收入爆发，但集中在企业端

今年 Anthropic 和 OpenAI 凭借 AI 编程和订阅，收入从百亿美元量级跃升至六七百亿美元，两家合计可能接近 2000 亿美元（嘉宾估算）。但这些收入主要来自企业 API 调用和编程场景，「消费级这一块的影响，事实上还没有真正开始，我们只是看到一些曙光。」

■个人助理正从「问答」走向「代办」，卡点是权限与可靠性

搜索是大模型在消费端最大的应用，Google 由此发展出 AI Mode。新一代助理产品希望更进一步，替用户订机票、订酒店、购物。难点在于授权与可靠性：用户担心把信用卡交给助理后，它会乱买东西。他判断这一领域仍处早期，预计 6 个月到一年内，通用助理与 AI 搜索之间的关系和交互方式会更加清晰。

■推理能力已跨越式进步，但仍局限于特定领域

三四年前写思维链论文时，模型在解小学数学题，准确率只有三十几个百分点；今天最强的模型已在挑战纳维-斯托克斯方程这样的顶级数学难题。但这种推理集中在数学等特定领域。通用助理需要的是跨领域推理，比如对高尔夫球杆和球的理解，这与数学完全不同。做应用之前，必须先弄清模型在各个领域的推理能力到了什么程度。

■消费端真正的护城河是用户信任

用户对助理的体验和感受决定一切。助理只要犯一次严重错误，用户就可能彻底改观，这与雇用真人助理时的容忍度是同一个道理。

■「奶奶测试」：衡量通用助理是否到来的标准

Ed Chi 提出了一个测试：当有一天你的奶奶指着家里的机器人，责怪它「怎么这么笨」，就说明通用助理的时代真的到了。这意味着普通人已经像对待真人助理一样对它抱有很高的期待。目前无论产品还是科研，都在探索这条边界。

■下一个入口尚无定论

入口会是搜索、手机、智能眼镜还是其他设备，目前没有结论。他认为通用助理时代不该再让用户操心下载和更新 app。端侧模型与消费级硬件仍是很大的空白，比如智能音箱、智能冰箱这类曾被冷落的设备，今天加一块屏幕、接入大模型，就能比七八年前容易得多地实现智能化。至于现象级产品出自大厂还是创业公司，他认为并不重要，关键在于找到人与 AI 互动的正确方式。

■Google 不可能放弃自研模型

用户期待 Google 拥有自己的核心技术，而不是使用其他公司的模型，这有「技术主权」的意味。Google 也在持续开发更大的模型。

■优势在于全栈

Google 的业务覆盖模型研发、应用与服务，向下延伸到超大规模算力中心、自研芯片乃至能源的使用和调度。这使它每个 token 的成本是行业最低的。

■模型能力普及后，竞争的核心是成本

当各家模型能力趋同，最重要的就是成本控制：用最低的成本交付最好的能力。他指出业内目前很多人还没有关注成本，「但所有 AI 的东西，最终都是能力除以成本（capability over cost）。」对于资本开支高企、应用收入尚未兑现的担忧，他认为以 5 到 10 年为周期的公司，真正该优化的指标正是能力与成本之比。

■大模型与小模型之间的资源分配是长期难题

DeepMind 近几个月发布的多是较小的模型，因为个人助理、个性化应用需要的是小模型。湾区追求 AGI 的群体相信「软件吞噬世界」，只要编程做到极致就能赢得一切，因此偏爱超大模型；但在他看来，手机和通用助理不宜依赖超大模型，能耗太高。大模型与小模型之间如何分配资源，即便在大厂内部也是难题。

Ed Chi：模型能力普及之后，最重要的是成本控制

■存储短缺可以用计算来缓解

对于当前 DRAM、NAND、硬盘全线紧张的局面，他从计算机科学的角度指出，存储和计算之间可以互相替代。有长期投资规划的公司，不必过分担心一时的存储短缺。

■记忆研究的重点是算法，而不只是硬件

关键在于计算方法需要多少存储和带宽，以及神经网络能否通过设计降低存储需求。例如 Kimi 的 delta attention 模型，存储用法就与传统的全注意力和稀疏注意力不同。此外还有个性化记忆、KV cache 等问题。

■一两百万 token 的上下文远远不够

当前 Transformer 模型的上下文窗口最多约一两百万 token，在他看来「完全不够」。更大的问题是，业界仍把记忆当作单纯的检索机制。从认知科学的角度，记忆是一种不断变化、指导行为的「程序」，远不只是检索。

■记忆的本质是排序

很多人认为机器不需要遗忘，记忆只是「记得或不记得」。Ed Chi 认为，记忆的核心是排序：判断什么最重要。提到巴黎，你想起的是最重要的几段记忆，而不是所有与巴黎有关的信息一涌而来。他预计存储与计算之间的关系在未来几年会有新的突破，创业公司在其中也有机会。

Ed Chi 接受硅谷坐标专访

■价值创造正向应用和算力两端转移

模型能力正在「大路货化」，最好与最差模型之间的差距在缩小。价值会流向应用和 token 工厂（算力基础设施）两端。应用端的护城河是用户黏性、留存与体验；算力端则是成本：能源效率、芯片设计、存储与计算的配合，以及端侧与云端的分工。

■开源追上闭源，思维链是原因之一

开源模型通过思维链去观察闭源模型的推理方式并加以复制。因此大厂正在想办法把思维链隐藏起来。但多模态等能力很难复制，「开源必然追平闭源」的说法在他看来还不成熟：一些能力会因蒸馏而普及，另一些目前看不到这种趋势。

■AI 不是整体泡沫，而是局部泡沫

「我不觉得整个市场是泡沫，但它肯定在不同的地方有不同的泡沫。」例如物理智能领域存在一些不现实的预期，而很多模型的推理能力其实仍然很差。他认为分歧源于信念：如果相信解决了软件就解决了一切，结论是一回事；如果认为解决软件之后还有大量问题，那么「我们还有很多戏可以看」。

■编程之后，看好消费端崛起

当前大模型公司的收入以企业订阅为主。他看好下一阶段消费级 AI 的崛起，并直言这正是自己留在 Google 的原因：消费级服务一直是 Google 最强的领域。

■AlphaGo 之后，下棋的人反而更多了

近十年前 AlphaGo 战胜顶尖棋手时，很多人认为人类将不再下棋。结果下棋和研究围棋的人反而更多了。他认为数学也会如此：AI 能解决难题之后，会有更多人觉得数学有趣、想去研究它。

■学习的动力从「探索边界」转向「好奇与乐趣」

过去研究数学，更多是为了探索知识的边界；今后，理解与乐趣会成为更重要的动力，更多人会出于内心的好奇去学习。

■AI 降低了学习门槛

过去学围棋要请教练、找棋力相当的对手；今天一部手机上的围棋 AI 就能陪练，反而带动了大量孩子学棋。搜索也一样：大模型出现后，Google 看到搜索类应用在增加，而不是减少。他承认 AI 会改变很多现有结构，但对未来保持乐观。

Ed Chi 谈 AI 时代的教育

» 名词解释

思维链（Chain-of-Thought）让模型先写出一步步的推理过程再给答案的方法，Ed Chi 是该论文作者之一。

通用助理不只回答问题，还能替用户办事的 AI，如订机票、订酒店、网购。

AI ModeGoogle 搜索中的 AI 模式，直接由大模型生成回答。

端侧模型直接在手机、眼镜等设备本地运行的小模型。

Token大模型处理文字的基本单位，大致相当于一个字或一个词，也是计费单位。

Token 工厂大规模生产 token 的算力基础设施，即 AI 数据中心。

资本开支（Capex）科技公司建设数据中心、采购芯片的投入。

上下文窗口模型一次能处理的文字长度，相当于它的工作记忆。

KV cache模型推理时缓存中间结果的技术，占用大量显存。

蒸馏用大模型的输出训练小模型，把能力迁移过去。

纳维-斯托克斯方程描述流体运动的方程，相关问题是千禧年七大数学难题之一。