Gemini 3，又一個最強模型出現。

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

就在 Gemini 3 發布后，11 月 22 日，Jeff Dean 在斯坦福大學發表演講，系統回顧了 15 年 AI 演進，從神經網絡、TPU、Transformer 到稀疏模型和蒸餾技術，最后展示 Gemini 3 的獨特能力。

在演講中，Jeff Dean 沒有講 benchmark 數字，也沒有做產品宣傳。他說的是：

為什么 AI 應該像大腦那樣工作？

為什么 AI 要從能說變成能做 ？

為什么下一代 AI 不拼參數，而是拼效率？

在 Jeff Dean 的視角里，Gemini 3 不只是一個更大的模型，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 就直指一個問題：傳統 AI 模型太浪費了。

他說：

“在傳統神經網絡中，你為每個例子激活整個模型，這非常浪費。更好的方式是：擁有一個非常大的模型，但每次只激活其中 1% 到 5%。”

假設你有一個巨大的模型，包含了圖像、語言、數學、代碼等各種能力。傳統做法：無論你問什么問題，整個模型都要調用一遍。就像每次開燈，家里所有電器都要啟動。Jeff Dean 的想法：根據任務類型，只運行需要的那部分。處理圖片時，只用視覺模塊；寫代碼時，只用編程模塊。

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

這個想法不是為 Gemini 3 才提出的。

早在幾年前，Jeff Dean 就開始推動團隊往這個方向研究，并給它起了個名字：Pathways 架構。該架構的核心目標，是構建一個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）技術來實現的：

模型內部有很多專家模塊

有的擅長圖像，有的擅長語言，有的做信息融合

輸入數據進來后，系統自動決定調用哪些專家

效果有多好？Jeff Dean 在演講中展示的數據很驚人：用同樣的計算預算，MoE 架構可以訓練出效果提升 8 倍的模型。

而 Gemini 3，正是這套理念的最新實踐。

它不再一次性加載全部權重，而是按需調用專家模塊。

結果是：性能更強，成本更低，還能同時處理多個任務。就像你的大腦：處理復雜問題時多個區域協同工作，做簡單事情時只用一小部分。

這個轉變意味著什么？

未來的頂級模型，不再是一個什么都做的全能選手，而是各有專長、協同工作的專業團隊。

AI 競爭的關鍵，從“誰的模型更大”，變成了誰能更好地調用工具。

信號二：AI 為什么不只是回答？

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

在演講現場，Jeff Dean 演示了一個例子：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：做一個雙語食譜網站。

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：自動生成網站布局； 第四步：為每個食譜配上 AI 生成的配圖。

整個過程，用戶只說了一句話。

這就是傳統助手和智能 Agent 的區別。助手是你問什么它答什么，Agent 是你說目標、它自己拆解任務、調用工具、完成整個操作鏈。

Jeff Dean 說：

AI 不只是回答你，而是具有行動能力。

這個能力背后的技術突破是：在可驗證領域的強化學習。

什么意思？

以編程為例：

AI 生成一段代碼

系統自動檢查：能編譯嗎？

如果能，給獎勵；如果不能，給懲罰

更進一步：代碼通過單元測試了嗎？

通過了，給更多獎勵

同樣的邏輯也適用于數學：

AI 生成一個證明

系統用證明檢查器驗證

正確就獎勵，錯誤就指出是第幾步出錯

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

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

這個成績有多震撼？

要知道，就在三年前的 2022 年，AI 模型在數學推理上還非常弱。

當時，業界最先進的模型在 GSM8K（一個中學數學基準測試）上的準確率只有 15%。測試的題目是什么難度呢？比如：Sean 有五個玩具，圣誕節他又得到了兩個，現在有幾個玩具？

這種小學算術題，當時的 AI 正確率也只有 15%。

而現在，Gemini 能解決的是國際數學奧林匹克的題目，這是全球數學天才競賽中最難的問題。

從小學算術到奧賽金牌，用了不到三年時間。

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

具體來說，Agent 需要三個關鍵能力：

狀態感知：知道你想要什么、理解當前進展

工具組合：能調用搜索、計算器、API 等外部工具

多步執行：根據反饋調整計劃、循環嘗試直到完成

而 Gemini 3 通過和 Google 生態的深度集成，可以串聯日歷、郵件、云端服務等真實系統，把這些能力真正用起來。

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

這改變了每個人工作方式：

過去，你要告訴 AI 每一步怎么做。

現在，你只需要說出目標，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 架構讓模型變聰明，Agent 系統讓模型能行動，那第三個信號最容易被忽視，但可能最關鍵：讓 AI 真正用得起。

Jeff Dean 在斯坦福講了一個 2013 年的故事。

當時，Google 剛做出一個很好的語音識別模型，比現有系統的錯誤率低很多。Jeff Dean 做了一個測算：如果 1 億人開始每天和手機說話 3 分鐘，會發生什么？

答案是：需要把 Google 的服務器數量翻倍。

就是說，一個功能的改進，要付出整個公司服務器資源翻倍的代價。

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。它專門為機器學習設計，做了一件事：把低精度線性代數運算做到極致。

結果是什么？

比當時的 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器才能推出的功能，現在只需要現有硬件的一小部分就能實現。

到了最新第七代 Ironwood TPU，單個 pod 有 9,216 個芯片。如果和第一代機器學習超級計算 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步，更重要的是谷歌從設計之初就把能效作為核心目標。

2、蒸餾：讓小模型學會大模型的能力

硬件是一方面，算法是另一方面。

Jeff Dean 和 Geoffrey Hinton、Oriol Vinyals 一起研究了一個叫“蒸餾”的技術。

核心思想是：讓大模型當老師，教小模型。

在一個語音識別任務中，他們做了個實驗：

用 100% 的訓練數據，準確率是 58.9%

只用 3% 的訓練數據，準確率掉到 44%

但如果用蒸餾，只用 3% 的數據，準確率能達到 57%

他們實現了用 3% 的數據，達到接近 100% 數據的效果。

Jeff Dean 說：

“你可以訓練一個非常大的模型，然后用蒸餾讓一個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 可以同時做到性能領先和手機可用。大模型在云端訓練，小模型通過蒸餾學習，部署到手機上。參數只有十分之一，但保留了 80% 以上的能力。

3、真正的門檻：能不能在現實約束下落地

但技術突破只是第一步。Jeff Dean 認為，AI 要真正普及到全球，必須面對更現實的問題：能源夠不夠？電力穩不穩？網絡通不通？設備能不能支持？

這也是為什么 Google 要在東南亞等新興市場推廣 AI。這些地區可能沒有強大的電網和服務器基礎設施，但通過 TPU 和蒸餾這樣的效率技術，人們依然可以在現有條件下用上 AI。

Google 的策略不是等條件完美了再推廣，而是讓技術適應現實。

這背后的邏輯改變了整個行業的關注點。

過去，大家比的是：

這個模型有多強？

多大參數？多少 token？

現在，真正重要的是：

它能不能在我的設備上用起來？

成本能壓到多少？

能不能離線用？

下一輪競爭，拼的不是參數，是落地效率。

結語｜從模型，到系統

看性能數據，這是一次模型升級。

看 Jeff Dean 的思路，這是一次范式轉變。

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

如何讓 AI 既強大，又可用？

答案是三個轉變：

不是拼誰的模型更大，而是拼設計更聰明（Pathways）

不是拼誰的回答更準，而是拼能真正做事（Agent）

不是拼誰的參數更多，而是拼能讓更多人用上（TPU+蒸餾）

Gemini 3 不是終點，而是這套系統思維的第一次完整展現。