当 AI 已能辅助代码编写、界面生成及科学假设提出，下一次技术突破将指向何方？Google Research 负责人 Yossi Matias 认为，我们正步入“研究的黄金时代”。技术的每一次进步都将成为新的起点，使过去难以攻克的难题重新具备探索价值。
在最新一期 The Google Research Podcast 中，Matias 与主持人 Sinéad Bovell 深入探讨了 Google 如何将前沿研究转化为现实应用。作为理论计算机科学哥德尔奖得主，Matias 曾推动 Google Trends、搜索自动补全及对话式 AI 等技术的发展。本次对话核心聚焦于：当 AI 大幅降低执行成本时，人类应如何提出关键问题并验证答案。
其核心观点包括：
现有架构限制并非 AI 极限。 Scaling law 仅描述既定路线下的收益，新算法与架构（如投机解码）有望突破效率边界。
AI 的终极形态是“环境智能”（Ambient Intelligence）。 智能将自然融入日常，用户无需感知技术存在，可专注于解决自身问题。
生成式 UI 将重塑信息呈现。 界面可根据任务类型（图片、代码、模拟）及用户背景（年龄、兴趣）动态生成，实现个性化教育与服务。
虚拟实验室赋能科研民主化。 AI 协助文献检索、建模与实验，使年轻研究者能更早承担资深科学家的工作，加速科学发现。
判断力与验证能力愈发重要。 随着假设生成成本降低，筛选有价值问题及验证结论严谨性成为核心竞争力，科研培养体系需随之调整。
跨学科能力成为关键优势。 AI 降低领域间知识调用门槛，促使人才向深度与广度平衡发展，以处理更复杂的多领域问题。
“研究的魔法循环”验证实际价值。 通过“提出问题-研究-应用-反馈”的闭环，确保技术成果（如洪水预测、医疗研究）真正改善工作流程与社会福祉。
构建“行星级智能”。 Google 旨在连接地理空间模型、卫星影像与 Agent 能力，形成 Google Earth AI，以应对灾害、公共卫生等全球性挑战。
开放模型促进创新。 通过 MedGemma 等开源模型降低开发门槛，让各界资源集中于解决特定领域的实际问题。
宏大目标与具体步骤并重。 长期研究需在明确愿景下，不断评估突破条件，通过持续的小步迭代实现实质性进展。
研究的黄金时代：让不可能成为可能
Sinéad Bovell：Google 内部有一群研究人员致力于探索“可能之事”，从 Transformer 架构到量子计算，再到加速科学发现的 AI。作为 Google Research 的领导者，你如何描述这项工作？
Yossi Matias：我们正处于研究的黄金时代。过去从未有一个时代能像今天这样，让我们以如此速度和规模将想象变为现实。Google Research 的使命是让不可能成为可能，涵盖机器学习、算法、计算系统、医疗健康、气候、教育及量子计算等领域。
Sinéad Bovell：你不仅预判未来，更在构建未来。从早期的对话式 AI Google Duplex 到 Transformer 论文，你如何判断技术走向？接下来会发生什么？
预测下一步：超越简单外推
Yossi Matias：技术发展并非简单的线性外推。我们在 Google Research 不仅关注短期目标，更着眼于长远视野，判断哪些事情已站在实现门槛上。例如，十年前语音处理和合成技术的进步让我意识到对话式交互将成为终极用户界面。如今，消除文本、图片、视频及语言间的模态障碍已成为常态。
Ambient Intelligence：好到你不再注意的 AI
Yossi Matias：我将理想的 AI 状态称为“环境智能”（Ambient Intelligence）。当智能足够优秀且稳定时，用户将其视为理所当然，如同电力一般，无需操心即可持续使用。此时，人们可直接提出需要高级智能回答的问题，而无需关注背后的计算过程。
Generative UI：会适应你的界面
Yossi Matias：生成式 UI（Generative UI）不仅生成内容，还根据用户意图和语境选择最佳呈现方式。视觉问题展示图片，算法问题展示代码或模拟，教育场景则根据学生年龄和兴趣定制解释（如用足球例子讲解重力）。这种动态适应能力正在从演示走向 Search 和 Gemini 等实际应用。
Sinéad Bovell：这意味着界面将从静态转向动态，根据用户偏好（如图片优先或文字优先）自动调整。这需要怎样的技术支撑？
超越 Scaling Law：架构上的下一步
Sinéad Bovell：行业常讨论 Scaling Law 的极限。从架构角度看，我们需要什么突破来实现上述愿景？
Yossi Matias：不应假设现有架构是唯一路径。除了提升效率和事实准确性，新算法如“投机解码”已在保证质量前提下将推理效率提升两倍以上。我期待看到更多架构创新，带来十倍甚至百倍的效率提升。研究的核心在于提出全新方法，而非仅拉伸现有技术。
此外，我们正从语言模型向世界模型演进，结合物理模拟和多模态数据，以解决今天无法提出的问题。
AI Co-Scientist 与“装在口袋里的通才”
Sinéad Bovell：AI 对科学研究意味着什么？
Yossi Matias：AI 正在加速科学发现全流程。以“AI Co-Scientist”为例，这个多智能体系统能检索文献、生成并验证假设。在细菌抗药性研究中，它仅用三天就提出了合作伙伴耗时数年才得出的假设。它如同一位精通多学科的“通才”，让每位研究者都拥有虚拟实验室，大幅降低科研门槛。
Empirical Research Assistance：把建模交给 AI
Yossi Matias：“Empirical Research Assistance”系统利用生成式 AI 帮助构建模型，解决定义明确的问题。该系统与 AlphaEvolve 等工具结合，已应用于宇宙学、流行病学等领域，相关成果发表于 Nature。未来，AI 还将辅助论文评审，加速科学知识体系的构建。
科学家即架构师：弥合技能缺口
Yossi Matias：AI 是创造力的放大器，但也带来了技能缺口。当基础任务由 AI 完成，研究者需转型为“架构师”，重点在于提出问题、指导 AI 及判断结果。教育体系需调整，培养学生早期掌握这些高阶能力。判断力（Judgment）变得比以往更重要，因为答案往往涉及复杂系统的权衡。
Sinéad Bovell：这意味着科学教育反而更难了，因为社会对初级研究者的期望值提高了，要求他们具备过去资深专家才有的判断力。
跨学科科学与验证难题
Sinéad Bovell：AI 可能发现跨学科规律，但受限于单学科训练的人类如何验证？
Yossi Matias：AI 有助于连接不同领域知识，打破学科壁垒。验证环节同样关键，需利用 AI 辅助检查大量假设。同时，广泛的教育将变得更加重要，人才需在深度与广度间找到新平衡。职业头衔界限模糊，跨职能能力成为常态。
Google Earth AI：构建行星级智能
Yossi Matias：以洪水预测为例，我们从河流洪水预测扩展到城市山洪预测。通过“Groundsource”技术，利用生成式 AI 分析多年新闻报道，构建了包含 260 万起山洪事件的数据库，从而训练出更精准的模型。目前，Flood Hub 已覆盖 150 个国家约 20 亿人口。
我们的终极目标是构建“行星级智能”（Planetary Intelligence），即 Google Earth AI。它结合地理空间模型、卫星影像及人口动态模型，加上 Agentic 层，可回答关于地球的任何问题，如灾害影响社区、基础设施风险及公共卫生危机扩散路径。
医疗健康：从诊断到 Google Health App
Yossi Matias：在医疗领域，我们开发了 MedGemma 等开源模型，下载量超 500 万次，支持数千种应用开发。例如，乌干达一名医护工作者在无网环境下依靠基于 MedGemma 的应用成功协助分娩。此外，AI 在糖尿病视网膜病变筛查及乳腺癌 X 光辅助诊断中显著降低漏诊率并节省医生时间。最新发布的 Google Health app 则利用可穿戴设备数据提供个性化健康洞察。
定义下一个十年的科学问题
Sinéad Bovell：未来十年哪些科学问题至关重要？
Yossi Matias：大脑运作、药物设计、材料科学、地球预测、粮食安全及能源效率等领域仍有巨大探索空间。教育是重中之重，AI 可助力个性化学习，激发每个人潜能。教师的角色将更侧重于启发与引导。此外，AI 作为工具将放大人类创造力。
关于量子计算，Willow 芯片在纠错方面取得突破，证明规模化量子计算机的可行性。未来几年内，实用化量子计算将越来越近，硬件、软件与算法的跨层级互动将驱动新一轮创新。
如何带领团队攻克“不可能”
Sinéad Bovell：如何管理涉及长期突破的项目？
Yossi Matias：关键在于不断追问：什么事情真正重要？我们是否有能力解决？何时提升到更高层次？我们朝着宏大目标持续迈出小步，通过快速迭代实现阶跃式进步。Google Research 的优势在于能将顶尖人才的研究成果，通过拥有数十亿用户的产品平台迅速转化为社会影响。
原视频：The Next Breakthroughs in AI with Yossi Matias | The Google Research Podcast
编译：Alice Xu
