Gemini 3，又一個(gè)最強(qiáng)模型出現(xiàn)。

但和上一次相比，它到底變了什么？ 是跑分又漲了幾個(gè)點(diǎn)，還是 AI 真的不一樣了？

就在 Gemini 3 發(fā)布后，11 月 22 日，Jeff Dean 在斯坦福大學(xué)發(fā)表演講，系統(tǒng)回顧了 15 年 AI 演進(jìn)，從神經(jīng)網(wǎng)絡(luò)、TPU、Transformer 到稀疏模型和蒸餾技術(shù)，最后展示 Gemini 3 的獨(dú)特能力。

在演講中，Jeff Dean 沒有講 benchmark 數(shù)字，也沒有做產(chǎn)品宣傳。他說的是：

為什么 AI 應(yīng)該像大腦那樣工作？

為什么 AI 要從能說變成能做 ？

為什么下一代 AI 不拼參數(shù)，而是拼效率？

在 Jeff Dean 的視角里，Gemini 3 不只是一個(gè)更大的模型，而是讓 AI 的用法徹底變了。

這三條判斷，才是這次發(fā)布背后真正的信號。

信號一：從拼大小，到像大腦

演講一開始，Jeff Dean 就直指一個(gè)問題：傳統(tǒng) AI 模型太浪費(fèi)了。

他說：

“在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中，你為每個(gè)例子激活整個(gè)模型，這非常浪費(fèi)。更好的方式是：擁有一個(gè)非常大的模型，但每次只激活其中 1% 到 5%。”

假設(shè)你有一個(gè)巨大的模型，包含了圖像、語言、數(shù)學(xué)、代碼等各種能力。傳統(tǒng)做法：無論你問什么問題，整個(gè)模型都要調(diào)用一遍。就像每次開燈，家里所有電器都要啟動(dòng)。Jeff Dean 的想法：根據(jù)任務(wù)類型，只運(yùn)行需要的那部分。處理圖片時(shí)，只用視覺模塊；寫代碼時(shí)，只用編程模塊。

他用大腦做比喻：你坐在英語課上，大腦會(huì)使用處理語言的那部分；開車時(shí)，大腦就關(guān)閉它，將全部精力專注于控制身體和觀察路況。AI 模型也應(yīng)該這樣工作。

這個(gè)想法不是為 Gemini 3 才提出的。

早在幾年前，Jeff Dean 就開始推動(dòng)團(tuán)隊(duì)往這個(gè)方向研究，并給它起了個(gè)名字：Pathways 架構(gòu)。該架構(gòu)的核心目標(biāo)，是構(gòu)建一個(gè)超大模型卻能保持高效，讓每次推理僅激活一小部分路徑。

Google 通過“專家混合”（MoE）技術(shù)來實(shí)現(xiàn)的：

模型內(nèi)部有很多專家模塊

有的擅長圖像，有的擅長語言，有的做信息融合

輸入數(shù)據(jù)進(jìn)來后，系統(tǒng)自動(dòng)決定調(diào)用哪些專家

效果有多好？Jeff Dean 在演講中展示的數(shù)據(jù)很驚人：用同樣的計(jì)算預(yù)算，MoE 架構(gòu)可以訓(xùn)練出效果提升 8 倍的模型。

而 Gemini 3，正是這套理念的最新實(shí)踐。

它不再一次性加載全部權(quán)重，而是按需調(diào)用專家模塊。

結(jié)果是：性能更強(qiáng)，成本更低，還能同時(shí)處理多個(gè)任務(wù)。就像你的大腦：處理復(fù)雜問題時(shí)多個(gè)區(qū)域協(xié)同工作，做簡單事情時(shí)只用一小部分。

這個(gè)轉(zhuǎn)變意味著什么？

未來的頂級模型，不再是一個(gè)什么都做的全能選手，而是各有專長、協(xié)同工作的專業(yè)團(tuán)隊(duì)。

AI 競爭的關(guān)鍵，從“誰的模型更大”，變成了誰能更好地調(diào)用工具。

信號二：AI 為什么不只是回答？

如果說第一節(jié)講的是模型內(nèi)部如何變聰明，那第二節(jié)要講的是：它開始能為你做事了。

在演講現(xiàn)場，Jeff Dean 演示了一個(gè)例子：一位用戶有一堆家族食譜，有些是韓語手寫的，有些是英語的，都是老照片，有折痕和油漬。

用戶的需求很簡單：做一個(gè)雙語食譜網(wǎng)站。

然后，Gemini 3 做了什么？ 第一步：掃描并識別所有照片中的文字； 第二步：翻譯成雙語版本； 第三步：自動(dòng)生成網(wǎng)站布局； 第四步：為每個(gè)食譜配上 AI 生成的配圖。

整個(gè)過程，用戶只說了一句話。

這就是傳統(tǒng)助手和智能 Agent 的區(qū)別。助手是你問什么它答什么，Agent 是你說目標(biāo)、它自己拆解任務(wù)、調(diào)用工具、完成整個(gè)操作鏈。

Jeff Dean 說：

AI 不只是回答你，而是具有行動(dòng)能力。

這個(gè)能力背后的技術(shù)突破是：在可驗(yàn)證領(lǐng)域的強(qiáng)化學(xué)習(xí)。

什么意思？

以編程為例：

AI 生成一段代碼

系統(tǒng)自動(dòng)檢查：能編譯嗎？

如果能，給獎(jiǎng)勵(lì)；如果不能，給懲罰

更進(jìn)一步：代碼通過單元測試了嗎？

通過了，給更多獎(jiǎng)勵(lì)

同樣的邏輯也適用于數(shù)學(xué)：

AI 生成一個(gè)證明

系統(tǒng)用證明檢查器驗(yàn)證

正確就獎(jiǎng)勵(lì)，錯(cuò)誤就指出是第幾步出錯(cuò)

Jeff Dean 說：這個(gè)技術(shù)突破使模型能夠真正探索潛在解決方案的空間，隨著時(shí)間推移，它在探索這個(gè)空間時(shí)變得越來越好。

效果有多驚人？Gemini 在 2025 年國際數(shù)學(xué)奧林匹克競賽（IMO）上，解決了六道題中的五道，獲得金牌。

這個(gè)成績有多震撼？

要知道，就在三年前的 2022 年，AI 模型在數(shù)學(xué)推理上還非常弱。

當(dāng)時(shí)，業(yè)界最先進(jìn)的模型在 GSM8K（一個(gè)中學(xué)數(shù)學(xué)基準(zhǔn)測試）上的準(zhǔn)確率只有 15%。測試的題目是什么難度呢？比如：Sean 有五個(gè)玩具，圣誕節(jié)他又得到了兩個(gè)，現(xiàn)在有幾個(gè)玩具？

這種小學(xué)算術(shù)題，當(dāng)時(shí)的 AI 正確率也只有 15%。

而現(xiàn)在，Gemini 能解決的是國際數(shù)學(xué)奧林匹克的題目，這是全球數(shù)學(xué)天才競賽中最難的問題。

從小學(xué)算術(shù)到奧賽金牌，用了不到三年時(shí)間。

這個(gè)飛躍說明，AI 不只是在回答問題上變強(qiáng)了，而是具備了真正的問題解決能力。它能夠自己探索、嘗試、驗(yàn)證，直到找到正確答案。

具體來說，Agent 需要三個(gè)關(guān)鍵能力：

狀態(tài)感知：知道你想要什么、理解當(dāng)前進(jìn)展

工具組合：能調(diào)用搜索、計(jì)算器、API 等外部工具

多步執(zhí)行：根據(jù)反饋調(diào)整計(jì)劃、循環(huán)嘗試直到完成

而 Gemini 3 通過和 Google 生態(tài)的深度集成，可以串聯(lián)日歷、郵件、云端服務(wù)等真實(shí)系統(tǒng)，把這些能力真正用起來。

就像前面的食譜網(wǎng)站案例：你不需要說“先識別文字，再翻譯，再排版”，只需要說“做個(gè)網(wǎng)站”，Gemini 3 自己搞定所有步驟。

這改變了每個(gè)人工作方式：

過去，你要告訴 AI 每一步怎么做。

現(xiàn)在，你只需要說出目標(biāo)，剩下的 AI 自己搞定。

你的角色從使用者變成了指揮者。

信號三：什么決定 AI 能否普及？

如果說 Pathways 架構(gòu)讓模型變聰明，Agent 系統(tǒng)讓模型能行動(dòng)，那第三個(gè)信號最容易被忽視，但可能最關(guān)鍵：讓 AI 真正用得起。

Jeff Dean 在斯坦福講了一個(gè) 2013 年的故事。

當(dāng)時(shí)，Google 剛做出一個(gè)很好的語音識別模型，比現(xiàn)有系統(tǒng)的錯(cuò)誤率低很多。Jeff Dean 做了一個(gè)測算：如果 1 億人開始每天和手機(jī)說話 3 分鐘，會(huì)發(fā)生什么？

答案是：需要把 Google 的服務(wù)器數(shù)量翻倍。

就是說，一個(gè)功能的改進(jìn)，要付出整個(gè)公司服務(wù)器資源翻倍的代價(jià)。

這讓 Jeff Dean 意識到：光有好模型不夠，必須讓它用得起。

于是，TPU 誕生了。

1、TPU：為效率而生的硬件

2015 年，第一代 TPU 投入使用。它專門為機(jī)器學(xué)習(xí)設(shè)計(jì)，做了一件事：把低精度線性代數(shù)運(yùn)算做到極致。

結(jié)果是什么？

比當(dāng)時(shí)的 CPU 和 GPU 快 15 到 30 倍，能效高 30 到 80 倍。

這讓原本需要翻倍服務(wù)器才能推出的功能，現(xiàn)在只需要現(xiàn)有硬件的一小部分就能實(shí)現(xiàn)。

到了最新第七代 Ironwood TPU，單個(gè) pod 有 9,216 個(gè)芯片。如果和第一代機(jī)器學(xué)習(xí)超級計(jì)算 pod（TPUv2）比，性能提升了 3,600 倍，能效提升了 30 倍。

Jeff Dean 特別指出，這些提升不只靠芯片工藝進(jìn)步，更重要的是谷歌從設(shè)計(jì)之初就把能效作為核心目標(biāo)。

2、蒸餾：讓小模型學(xué)會(huì)大模型的能力

硬件是一方面，算法是另一方面。

Jeff Dean 和 Geoffrey Hinton、Oriol Vinyals 一起研究了一個(gè)叫“蒸餾”的技術(shù)。

核心思想是：讓大模型當(dāng)老師，教小模型。

在一個(gè)語音識別任務(wù)中，他們做了個(gè)實(shí)驗(yàn)：

用 100% 的訓(xùn)練數(shù)據(jù)，準(zhǔn)確率是 58.9%

只用 3% 的訓(xùn)練數(shù)據(jù)，準(zhǔn)確率掉到 44%

但如果用蒸餾，只用 3% 的數(shù)據(jù)，準(zhǔn)確率能達(dá)到 57%

他們實(shí)現(xiàn)了用 3% 的數(shù)據(jù)，達(dá)到接近 100% 數(shù)據(jù)的效果。

Jeff Dean 說：

“你可以訓(xùn)練一個(gè)非常大的模型，然后用蒸餾讓一個(gè)小得多的模型獲得非常接近大模型的性能。”

這就是為什么 Gemini 可以同時(shí)做到性能領(lǐng)先和手機(jī)可用。大模型在云端訓(xùn)練，小模型通過蒸餾學(xué)習(xí)，部署到手機(jī)上。參數(shù)只有十分之一，但保留了 80% 以上的能力。

3、真正的門檻：能不能在現(xiàn)實(shí)約束下落地

但技術(shù)突破只是第一步。Jeff Dean 認(rèn)為，AI 要真正普及到全球，必須面對更現(xiàn)實(shí)的問題：能源夠不夠？電力穩(wěn)不穩(wěn)？網(wǎng)絡(luò)通不通？設(shè)備能不能支持？

這也是為什么 Google 要在東南亞等新興市場推廣 AI。這些地區(qū)可能沒有強(qiáng)大的電網(wǎng)和服務(wù)器基礎(chǔ)設(shè)施，但通過 TPU 和蒸餾這樣的效率技術(shù)，人們依然可以在現(xiàn)有條件下用上 AI。

Google 的策略不是等條件完美了再推廣，而是讓技術(shù)適應(yīng)現(xiàn)實(shí)。

這背后的邏輯改變了整個(gè)行業(yè)的關(guān)注點(diǎn)。

過去，大家比的是：

這個(gè)模型有多強(qiáng)？

多大參數(shù)？多少 token？

現(xiàn)在，真正重要的是：

它能不能在我的設(shè)備上用起來？

成本能壓到多少？

能不能離線用？

下一輪競爭，拼的不是參數(shù)，是落地效率。

結(jié)語｜從模型，到系統(tǒng)

看性能數(shù)據(jù)，這是一次模型升級。

看 Jeff Dean 的思路，這是一次范式轉(zhuǎn)變。

從 2013 年服務(wù)器要翻倍的困境，到 2025 年拿下 IMO 金牌，Jeff Dean 一直在回答一個(gè)問題：

如何讓 AI 既強(qiáng)大，又可用？

答案是三個(gè)轉(zhuǎn)變：

不是拼誰的模型更大，而是拼設(shè)計(jì)更聰明（Pathways）

不是拼誰的回答更準(zhǔn)，而是拼能真正做事（Agent）

不是拼誰的參數(shù)更多，而是拼能讓更多人用上（TPU+蒸餾）

Gemini 3 不是終點(diǎn)，而是這套系統(tǒng)思維的第一次完整展現(xiàn)。