Gemini 3 之后，谷歌首席科学家 Jeff Dean 说清 AI 的 3 个关键信号

Gemini 3，又一个最强模型出现。

但和上一次相比，它到底变了什么？ 是跑分又涨了几个点，还是 AI 真的不一样了？

就在 Gemini 3 发布后，11 月 22 日，Jeff Dean 在斯坦福大学发表演讲，系统回顾了 15 年 AI 演进，从神经网络、TPU、Transformer 到稀疏模型和蒸馏技术，最后展示 Gemini 3 的独特能力。

在演讲中，Jeff Dean 没有讲 benchmark 数字，也没有做产品宣传。他说的是：

为什么 AI 应该像大脑那样工作？

为什么 AI 要从能说变成能做 ？

为什么下一代 AI 不拼参数，而是拼效率？

在 Jeff Dean 的视角里，Gemini 3 不只是一个更大的模型，而是让 AI 的用法彻底变了。

这三条判断，才是这次发布背后真正的信号。

信号一：从拼大小，到像大脑

演讲一开始，Jeff Dean 就直指一个问题：传统 AI 模型太浪费了。

他说：

“在传统神经网络中，你为每个例子激活整个模型，这非常浪费。更好的方式是：拥有一个非常大的模型，但每次只激活其中 1% 到 5%。”

假设你有一个巨大的模型，包含了图像、语言、数学、代码等各种能力。传统做法：无论你问什么问题，整个模型都要调用一遍。就像每次开灯，家里所有电器都要启动。Jeff Dean 的想法：根据任务类型，只运行需要的那部分。处理图片时，只用视觉模块；写代码时，只用编程模块。

他用大脑做比喻：你坐在英语课上，大脑会使用处理语言的那部分；开车时，大脑就关闭它，将全部精力专注于控制身体和观察路况。AI 模型也应该这样工作。

这个想法不是为 Gemini 3 才提出的。

早在几年前，Jeff Dean 就开始推动团队往这个方向研究，并给它起了个名字：Pathways 架构。该架构的核心目标，是构建一个超大模型却能保持高效，让每次推理仅激活一小部分路径。

Google 通过“专家混合”（MoE）技术来实现的：

模型内部有很多专家模块

有的擅长图像，有的擅长语言，有的做信息融合

输入数据进来后，系统自动决定调用哪些专家

效果有多好？Jeff Dean 在演讲中展示的数据很惊人：用同样的计算预算，MoE 架构可以训练出效果提升 8 倍的模型。

而 Gemini 3，正是这套理念的最新实践。

它不再一次性加载全部权重，而是按需调用专家模块。

结果是：性能更强，成本更低，还能同时处理多个任务。就像你的大脑：处理复杂问题时多个区域协同工作，做简单事情时只用一小部分。

这个转变意味着什么？

未来的顶级模型，不再是一个什么都做的全能选手，而是各有专长、协同工作的专业团队。

AI 竞争的关键，从“谁的模型更大”，变成了谁能更好地调用工具。

信号二：AI 为什么不只是回答？

如果说第一节讲的是模型内部如何变聪明，那第二节要讲的是：它开始能为你做事了。

在演讲现场，Jeff Dean 演示了一个例子：一位用户有一堆家族食谱，有些是韩语手写的，有些是英语的，都是老照片，有折痕和油渍。

用户的需求很简单：做一个双语食谱网站。

然后，Gemini 3 做了什么？ 第一步：扫描并识别所有照片中的文字； 第二步：翻译成双语版本； 第三步：自动生成网站布局； 第四步：为每个食谱配上 AI 生成的配图。

整个过程，用户只说了一句话。

这就是传统助手和智能 Agent 的区别。助手是你问什么它答什么，Agent 是你说目标、它自己拆解任务、调用工具、完成整个操作链。

Jeff Dean 说：

AI 不只是回答你，而是具有行动能力。

这个能力背后的技术突破是：在可验证领域的强化学习。

什么意思？

以编程为例：

• AI 生成一段代码
• 系统自动检查：能编译吗？
• 如果能，给奖励；如果不能，给惩罚
• 更进一步：代码通过单元测试了吗？
• 通过了，给更多奖励

同样的逻辑也适用于数学：

• AI 生成一个证明
• 系统用证明检查器验证
• 正确就奖励，错误就指出是第几步出错

Jeff Dean 说：这个技术突破使模型能够真正探索潜在解决方案的空间，随着时间推移，它在探索这个空间时变得越来越好。

效果有多惊人？Gemini 在 2025 年国际数学奥林匹克竞赛（IMO）上，解决了六道题中的五道，获得金牌。

这个成绩有多震撼？

要知道，就在三年前的 2022 年，AI 模型在数学推理上还非常弱。

当时，业界最先进的模型在 GSM8K（一个中学数学基准测试）上的准确率只有 15%。测试的题目是什么难度呢？比如：Sean 有五个玩具，圣诞节他又得到了两个，现在有几个玩具？

这种小学算术题，当时的 AI 正确率也只有 15%。

而现在，Gemini 能解决的是国际数学奥林匹克的题目，这是全球数学天才竞赛中最难的问题。

从小学算术到奥赛金牌，用了不到三年时间。

这个飞跃说明，AI 不只是在回答问题上变强了，而是具备了真正的问题解决能力。它能够自己探索、尝试、验证，直到找到正确答案。

具体来说，Agent 需要三个关键能力：

状态感知：知道你想要什么、理解当前进展

工具组合：能调用搜索、计算器、API 等外部工具

多步执行：根据反馈调整计划、循环尝试直到完成

而 Gemini 3 通过和 Google 生态的深度集成，可以串联日历、邮件、云端服务等真实系统，把这些能力真正用起来。

就像前面的食谱网站案例：你不需要说“先识别文字，再翻译，再排版”，只需要说“做个网站”，Gemini 3 自己搞定所有步骤。

这改变了每个人工作方式：

过去，你要告诉 AI 每一步怎么做。

现在，你只需要说出目标，剩下的 AI 自己搞定。

你的角色从使用者变成了指挥者。

信号三：什么决定 AI 能否普及？

如果说 Pathways 架构让模型变聪明，Agent 系统让模型能行动，那第三个信号最容易被忽视，但可能最关键：让 AI 真正用得起。

Jeff Dean 在斯坦福讲了一个 2013 年的故事。

当时，Google 刚做出一个很好的语音识别模型，比现有系统的错误率低很多。Jeff Dean 做了一个测算：如果 1 亿人开始每天和手机说话 3 分钟，会发生什么？

答案是：需要把 Google 的服务器数量翻倍。

就是说，一个功能的改进，要付出整个公司服务器资源翻倍的代价。

这让 Jeff Dean 意识到：光有好模型不够，必须让它用得起。

于是，TPU 诞生了。

1、TPU：为效率而生的硬件

2015 年，第一代 TPU 投入使用。它专门为机器学习设计，做了一件事：把低精度线性代数运算做到极致。

结果是什么？

比当时的 CPU 和 GPU 快 15 到 30 倍，能效高 30 到 80 倍。

这让原本需要翻倍服务器才能推出的功能，现在只需要现有硬件的一小部分就能实现。

到了最新第七代 Ironwood TPU，单个 pod 有 9,216 个芯片。如果和第一代机器学习超级计算 pod（TPUv2）比，性能提升了 3,600 倍，能效提升了 30 倍。

Jeff Dean 特别指出，这些提升不只靠芯片工艺进步，更重要的是谷歌从设计之初就把能效作为核心目标。

2、蒸馏：让小模型学会大模型的能力

硬件是一方面，算法是另一方面。

Jeff Dean 和 Geoffrey Hinton、Oriol Vinyals 一起研究了一个叫“蒸馏”的技术。

核心思想是：让大模型当老师，教小模型。

在一个语音识别任务中，他们做了个实验：

• 用 100% 的训练数据，准确率是 58.9%
• 只用 3% 的训练数据，准确率掉到 44%
• 但如果用蒸馏，只用 3% 的数据，准确率能达到 57%

他们实现了用 3% 的数据，达到接近 100% 数据的效果。

Jeff Dean 说：

“你可以训练一个非常大的模型，然后用蒸馏让一个小得多的模型获得非常接近大模型的性能。”

这就是为什么 Gemini 可以同时做到性能领先和手机可用。大模型在云端训练，小模型通过蒸馏学习，部署到手机上。参数只有十分之一，但保留了 80% 以上的能力。

3、真正的门槛：能不能在现实约束下落地

但技术突破只是第一步。Jeff Dean 认为，AI 要真正普及到全球，必须面对更现实的问题：能源够不够？电力稳不稳？网络通不通？设备能不能支持？

这也是为什么 Google 要在东南亚等新兴市场推广 AI。这些地区可能没有强大的电网和服务器基础设施，但通过 TPU 和蒸馏这样的效率技术，人们依然可以在现有条件下用上 AI。

Google 的策略不是等条件完美了再推广，而是让技术适应现实。

这背后的逻辑改变了整个行业的关注点。

过去，大家比的是：

• 这个模型有多强？
• 多大参数？多少 token？

现在，真正重要的是：

• 它能不能在我的设备上用起来？
• 成本能压到多少？
• 能不能离线用？

下一轮竞争，拼的不是参数，是落地效率。

结语｜从模型，到系统

看性能数据，这是一次模型升级。

看 Jeff Dean 的思路，这是一次范式转变。

从 2013 年服务器要翻倍的困境，到 2025 年拿下 IMO 金牌，Jeff Dean 一直在回答一个问题：

如何让 AI 既强大，又可用？

答案是三个转变：

不是拼谁的模型更大，而是拼设计更聪明（Pathways）

不是拼谁的回答更准，而是拼能真正做事（Agent）

不是拼谁的参数更多，而是拼能让更多人用上（TPU+蒸馏）

Gemini 3 不是终点，而是这套系统思维的第一次完整展现。

📮 原文链接：

https://www.youtube.com/watch?v=AnTw_t21ayE&t=921s

https://blockchain.news/ainews/key-ai-trends-and-deep-learning-breakthroughs-insights-from-jeff-dean-s-stanford-ai-club-talk-on-gemini-models

https://blog.google/products/gemini/gemini-3/?utm_source=chatgpt.com

https://www.wired.com/story/google-launches-gemini-3-ai-bubble-search?utm_source=chatgpt.com

本文来自微信公众号“AI 深度研究员”，作者：AI深度研究员，36氪经授权发布。