前两天，“AI教父”Geoffrey Hinton和谷歌首席科学家Jeff Dean在NeurIPS大会对话，备受行业关注

这场对话内容，如同像一部浓缩的AI历史，既回溯关键原点，也揭示未来方向。

Hinton现场回忆，他们的AlexNet模型竟然是在学生Alex父母家的卧室里，用两块GPU训练的，电费还是家里人付的。

“我们那时候甚至没有意识到，算力会如此持续地扩展。”Hinton坦诚道。

而二十年后的今天，AI行业已成为全球科技版图的重心。仅在2024年，亚马逊、微软、谷歌、Meta这四家巨头在AI相关资本上的投入已接近3000亿美元。

这一切究竟是如何发生的？未来AI竞争与机遇又会在哪？

2012年，Hinton的学生Alex Krizhevsky正在父母的卧室里训练一个名为AlexNet的图像识别模型。

当时，他们使用的不过是两块NVIDIA GPU板，插在家用电脑上。Hinton笑着回忆：“好消息是GPU卡的钱我们出了，但他父母支付了电费。我这么做当然是为了给多伦多大学省钱。”

这个看似微小的场景，却奠定了深度学习的地位。AlexNet在ImageNet竞赛中准确率远超对手，证明了算力对于AI研究的决定性意义。

与此同时，在谷歌内部，Jeff Dean正在进行一场完全不同的计算。他回忆：“我在餐巾纸上做了一次计算：如果未来全球有1亿人每天用语音助手，每人说3分钟话，仅这一个应用就需要让谷歌的服务器总量翻倍。”

这是AI规模化的物理成本问题。

Hinton补充道：“我记得刚从大学过来不久，有一次我们的计算资源用完了。我记得Jeff拿起电话，我只听到他那头的对话：‘嗯，是的，两百万应该够了。’我当时心想，我在大学里，要想申请到两百万美元的计算资源，那得花好几年时间去写经费申请。”

这场餐桌边的对话最终催生了TPU项目。

TPU，谷歌定制AI芯片。Jeff Dean直截了当地告诉当时的CFO：“我们得自己造硬件，现在就要。”

算力狂飙：从CPU到TPU的技术路线图

Jeff Dean的决策不是一时兴起。早在1990年，他在做本科论文时就开始探索用并行算法训练神经网络。

他用的是32处理器超立方体计算机，却犯了一个错误：“我分了32份算力，却只用了10个神经元。”

二十年后，这个早期经验为TPU设计奠定了基础。2015年，第一代TPU专注于推理，而非训练，比同期CPU和GPU的推理能效高出30-80倍。

直至2017年的TPU v2，谷歌才开始在自研硬件上大规模训练模型。

今天，全球AI芯片路线已经分化为不同路径。

通用GPU以英伟达为代表，生态开放、适配性强，成为大多数AI公司的首选；专用ASIC以谷歌TPU为代表，在特定场景深度优化，能效比极高；云端专用芯片如AWS的Trainium，与云服务深度集成，服务于企业级客户；边缘AI芯片则专注于低功耗和端侧优化，广泛应用于手机、汽车和物联网设备。

不同的技术路线反映了AI计算需求的多样性，也预示着未来市场格局的复杂竞争。

如今，TPU已进化到第七代。Pathways系统让一个Python进程能统一调度分布在跨城市数据中心的数万颗TPU芯片，就像操作一台超大型计算机。

Hinton对此深有感触：“2012年左右，我们买了一块新的Titan显卡。系统管理员在安装时动作有点慢，我计算了一下，如果我从1986年开始在一台Lisp机器上运行一个神经网络，那么这块新显卡只需一分钟就能赶上它全部的计算成果。”

时间回到2017年。在谷歌大脑团队，一篇题为《Attention Is All You Need》的论文悄然发表，它提出的Transformer架构彻底改变了序列建模的基本范式。

论文的核心作者团队当时可能并未完全意识到，他们正在为一场即将到来的AI革命奠定最关键的技术基石。

2022年底，当ChatGPT横空出世时，曾在AI领域处于领先地位的谷歌陷入了被动。

外界评论称，ChatGPT的成功让谷歌内部拉响了“红色警报”。

但事实并非如此简单。

Jeff Dean澄清道：“在ChatGPT发布前，谷歌内部已经有一个聊天机器人，8万员工在用。”

问题在于，谷歌被搜索业务的思维限制住了，太过纠结准确性和“幻觉”问题，反而忽视了聊天机器人能做许多非搜索的事情。

更关键的是组织问题：当时Google有三个团队在各自训练模型——Brain、Research和DeepMind。每个团队的算力都不够大，也各自为战。

ChatGPT上线一周后，Jeff Dean写了一页纸的备忘录，核心内容是：“我们应该整合起来，强强联手，组建一个专门的团队，目标是打造全球最顶尖的多模态模型，并集中投入我们的计算资源。”

于是，Gemini团队就此诞生。算力、模型、人才第一次真正集中到一个目标上。

技术突破往往不是技术问题，而是组织问题。

当AI模型已经能够运行起来，也能用在现实中，接下来的突破点是什么？Hinton和Dean指出，还有三道看不见的门槛需要跨越。

首先是能效问题：规模化的物理极限。AI模型越来越大，带来的直接后果是越来越贵、越来越耗电。Gemini的训练动用了上万颗TPU芯片。每一次模型升级，意味着消耗更多电力、时间和预算。

虽然Google早在2013年就通过自研TPU把推理能效提升了30-80倍，但今天这个问题变得更为严峻。

其次是记忆问题：上下文的深度限制。目前的模型上下文窗口，最强的也不过几百万个token。正如Dean所言：“现在的模型理解力，仍然受限于一次能看到多少信息。就像人一次只能翻5页书，AI也只能看一段、忘一段。”

Dean的思路是：让模型能覆盖数十亿甚至万亿个token。这背后的挑战不仅是算法优化，芯片本身的注意力计算架构也需要重新设计。

然而，这种“记忆缺陷”问题，在AI落地服务中更为明显。

针对这一痛点问题，红熊AI研发的“记忆熊”，则依托的底层记忆科学技术，模拟人类大脑的记忆机制，通过创新的“记忆调度”“自我反思”和“智能遗忘”三大引擎，实现对知识图谱的动态管理与优化，赋予AI如同人类一样的记忆，极大提升了AI在应用中深度个性化与精准度，有效解决了大模型“记忆”困境。

第三是创造问题：从模仿到联想。Hinton最关注的是AI能否进行联想思考。

他解释道：“训练这些大模型，实际上是把海量知识压进一个相对有限的空间里。你必须找到不同事物之间的共同点，才能压得进去。”

这意味着，AI在训练过程中会自动学到许多人类没意识到的类比。Hinton推测：“也许某个模型发现了希腊文学和量子力学之间的共同结构。人类专家可能永远都不会把它们放在一起看。”

2025年，英伟达跃升为全球首个市值5万亿美元的公司。这不仅是估值的突破，更是世界对未来生产范式的投票——算力正成为一种新的战略资产，取代移动互联网时代的流量与终端。

在全球AI领域中，几个关键现象值得关注。首先是四大科技巨头在AI相关资本开支上接近3000亿美元，标志着AI基础设施建设进入史无前例的高潮。在中国市场，百度AI搜索月活达到3.82亿，表明AI正在重塑信息入口，从输入式交互转向委托式代理。同时，全球AI应用中的Token消耗量在两年内增长近十倍，显示AI应用普及程度呈指数级增长。

大模型已经不只是“会不会做题”的问题。最新一代模型如GPT-5.2，已能在GDPval评测中，在44个职业领域横跨对美国GDP贡献度最高的9个核心行业，直接生成可交付的工作成果。

在“初级投行分析师”电子表格建模测试中，GPT-5.2的综合得分达到68.4%，完成同类任务的速度约为人类专家的3倍，而综合成本仅为人类的约1%。

Hinton展望道：“未来二十年，没有人能真正预料到它的影响，尤其是对社会的影响。许多工作将要消失，但我们不确定是否会创造出足够的新工作来替代它们。”

他特别关注医疗和教育领域：“在医疗领域，如果你让医生的效率提高十倍，我们每个人得到的将是十倍的医疗服务，而不是只需要十分之一的医生。教育也是如此。”

今天的AI竞争已经不再局限于“谁会聊天”，而是谁能提供真正高效、低成本、可靠的智能服务。

Google最新推出的Gemini 3 Flash被称为“卷王”，其综合性能超过上一代旗舰模型，推理速度提升约3倍，而价格却显著降低。Google CEO桑达尔·皮查伊直言：“Gemini 3 Flash证明，速度和规模无须以牺牲智能为代价。”

相比之下，Claude Sonnet 4.5的输出价格是15美元/百万Tokens，GPT-5.2的输出是14美元/百万Tokens，是Gemini 3 Flash定价的近5倍。

硬件层面，AI专用芯片的竞争日趋激烈。苹果、高通、华为等巨头正构建“云-边-端”协同的AI生态，不具备本地AI能力的设备将被淘汰。

Hinton也在思考更根本的计算方式改变。他透露：“在谷歌的最后几年里，我一直在思考如何尝试进行模拟计算。这样，我们就可以使用跟大脑一样的功率（30瓦），来运行大型语言模型，而不是一兆瓦的功率。”

未来，AI竞争的核心维度将超越模型参数或芯片算力，转向如何利用规模化智能，去解决那些真正复杂、昂贵且对人类至关重要的问题——无论是十倍效率的医疗，还是重新定义的教育......

Hinton与Dean的对话提醒我们：当一个技术浪潮席卷一切时，其最持久的遗产，不在于它建造了多庞大的帝国，而在于它最终选择为什么样的社会需求而服务。