Google首席AI架构师揭秘Gemini 4进展，坦诚承认落后原因，解释从模型到智能体的转型思路。
Google DeepMind SVP Koray证实Gemini 4是公司迄今最具雄心的预训练运行，目前进展顺利但保持谨慎乐观。他承认当前Gemini模型质量略低于前沿，但强调Google正从模型向智能体转型。Gemini 3.5 Pro仍在开发中，但优先级低于Flash系列。Koray认为AGI没有测试阈值，而是信任的逐步建立。
Gemini 4 训练顺利吗？ Gemini 3.5 Pro 还会有吗？ Google Deepmind 为什么落后了？ 相信这是很多关注 Google Deepmind 和 Gemini 的朋友们...
Gemini 4 训练顺利吗？ Gemini 3.5 Pro 还会有吗？ Google Deepmind 为什么落后了？ 相信这是很多关注 Google Deepmind 和 Gemini 的朋友们一直的疑问。今天 @OfficialLoganK 和 @koraykv 近 30 分钟的访谈中，一一得到了回应。 Koray 是 Google DeepMind SVP、Google 首席 AI 架构师，目前 Google 全部 AI 模型研发的实际负责人。 Gemini 4：确认进展顺利，但刻意保持低调 · Koray 证实 Gemini 4 是 Google "迄今最具雄心的预训练运行"，目前"一切看起来不错"，团队士气高昂。 · 反复强调"谨慎乐观"，并明确表示在模型真正交付给用户（先内部、后外部）之前，潜力不等于现实。全程未透露任何时间表、规模或基准数据。 承认 Google Deepmind 当前不在前沿 · 当前 Gemini 模型的质量确实略低于前沿，这是事实。 · "对 Google 来说，除了站在前沿，其他一切都不重要。" 所有目标、优先级、资源分配都围绕这一点。 · Koray 同时给出信心来源：团队、Google 的全栈资源（芯片到产品）、以及 Google 长期投资颠覆性技术的基因 技术路线：从"模型"到"智能体"的转型已完成认知升级 · Koray 反思：Gemini 3 时代 Google 曾触及前沿，但前沿本身移动了——涌现能力集中在智能体编程上，Google 当时"刚启动引擎"。 · 3.5 → 3.6 → 3.7（I/O 发布后三周内连发两代）的核心收获，是学会了如何训练一个能真正与人协作编程的智能体。 · 方法论：多条并行研究轨道——许多 3.6/3.7 中兑现的成果源自一年前的布局，成熟后收敛进主模型。 3.5 Pro 延期的官方回应 面对用户追问，Koray 的解释是：Pro、Flash、Flash-Lite 是并行轨道，而 Flash 系列迭代极快、"越来越接近前沿"，因此当前以 Flash 为推进主线；3.5 Pro "仍在开发中"，与 Gemini 4 并行。——这实质上默认了 3.5 Pro 已不再是优先级最高的。 AGI 观：没有测试，只有旅程 · "AGI 没有测试——如果你有，请发给我们，我们会跑。" 他认为 AGI 不存在某个突然跨越的阈值，而是信任的逐步建立。 · 进步的模式是"堆叠的 S 曲线"：一次解锁带来跃升，随后增量改进加深理解，孕育下一次发现。 · 值得注意的历史坦白：今天的技术与 20 年前本质相同——仍是深度学习 + 强化学习 + 相似的损失函数；真正变化的是问题域从 Atari、围棋走向语言的"模糊性深度"。 组织与战略叙事 · 整合 GDM（前沿研究 + 产品）的目的：保持大的创意漏斗，让探索自由发生，再通过 Gemini 引导方向。 · "与用户共建 AGI"：模型用途覆盖从日常邮件到科学发现的整个光谱，用户使用反馈就是通往 AGI 的指南针——这也是他认为"Google 是构建 AGI 的正确之地"的核心论据（数十亿用户产品 = 无可替代的反馈飞轮）。 Google @Google A new episode of Release Notes is available now with @koraykv 🤝 @OfficialLoganK Listen for more of Koray’s and Logan’s conversation on the future of AGI and @GoogleDeepMind , our most ambitious pre-training model run to date, and more 👇 00:00 Intro 00:24 From models to coding agents 03:07 Gemini 4 pre-training 04:08 Why the frontier is all that matters 06:38 Leading frontier AI at Google 08:53 Why there's no test for AGI 10:58 Early days at DeepMind 15:08 Atari vs. real-world ambiguity 17:18 20 years of deep learning 18:47 The reality of engineering hill climbs 21:05 Why Google is the place to build AGI 22:19 Parallel model development 23:34 The shift to agentic coding 24:57 What makes models more intelligent Your browser does not support the video tag. 🔗 View on Twitter 🔗 View Quoted Tweet 💬 0 🔄 0 ❤️ 0 👀 118 ⚡