作为谷歌云产品副总裁，迈克尔·格森哈伯（Michael Gerstenhaber）主要负责Vertex AI——该公司部署企业级人工智能的统一平台。这使他能够从高层视角洞察企业实际应用AI模型的现状，以及释放智能体AI（agentic AI）潜力仍需完成的工作。
交谈中，一个新颖观点令人印象深刻：AI模型正同时在三个前沿领域取得突破——原始智能、响应速度，以及与成本紧密相关的第三维度。即模型能否以足够低的成本部署，从而在大规模且不可预测的场景下稳定运行。这种看待模型能力的新视角，对试图将前沿模型推向新方向的人极具价值。
本次采访已进行删减和润色，以精简篇幅并提高清晰度。
请先介绍你在AI领域的经历及在谷歌的工作内容
我在AI领域工作约两年，曾在Anthropic任职一年半，在谷歌近半年。目前负责运营Vertex AI，这是谷歌的开发者平台。我们的客户主要是构建自有应用的工程师，他们需要访问智能体模式（agentic patterns）、接入智能体平台，并使用世界顶级模型的推理能力。我提供基础设施，而应用本身则由Shopify、汤森路透（Thomson Reuters）等各行业客户自行构建。
是什么吸引你加入谷歌？
谷歌在全球范围内独一无二，拥有从界面到基础设施层的全栈能力。我们可以建设数据中心、购买电力甚至建造发电厂；拥有自研芯片、模型、可控的推理层与智能体层；提供用于记忆和交错代码编写的API，并在其上构建了确保合规与治理的智能体引擎。此外，还有面向消费者的Gemini Chat和企业版Gemini聊天界面。我将谷歌视为一家独特的垂直整合公司，这种整合正是我们的核心优势。
三大实验室的能力似乎相当接近，这仅仅是追求更高智能的竞争，还是情况更复杂？
我认为存在三个边界：
一是原始智能。例如写代码，无论耗时45分钟与否，我只想要最好的结果，因为后续需要维护并投入生产环境。
二是延迟。在客户服务场景中，若查询退货政策或升级座位需等待45分钟，答案再正确也毫无意义。此时需要在特定延迟预算内提供最智能的产品，一旦用户失去耐心挂断电话，更高的智能便不再重要。
三是成本与扩展性。如Reddit或Meta等平台希望审核整个互联网，虽预算庞大，但面对无法预知的有害帖子数量，不敢承担企业级风险。它们必须在可负担的最高智能模型与无限主题覆盖之间找到平衡，此时成本变得至关重要。
为何智能体系统（agentic systems）普及缓慢？模型已就位，演示也惊艳，但未见预期中的重大变革，阻碍何在？
该技术仅发展两年，基础设施仍不完善。目前缺乏审计智能体行为、向智能体授权数据的成熟模式，这些都需要大量工作才能投入生产环境。而生产环境始终是技术能力的滞后指标，两年时间尚不足以观察智能技术在生产环境中能支持什么，这也是人们感到困难的原因。
智能体在软件工程领域发展较快，是因为其很好地融入了软件开发生命周期。我们拥有开发环境，可以安全试错后再部署至测试环境。在Google，代码编写需经两人审计确认足够优秀，才愿为品牌背书并提供给客户。这种“人在回路”（human-in-the-loop）流程使实施风险极低。我们需要在其他领域和职业中建立类似的模式。