老牛的子夜沉思硬核技术回来了：谢尔盖·布林在斯坦福谈AI、创新文化与被低估的新
老牛的子夜沉思硬核技术回来了：谢尔盖·布林在斯坦福谈AI、创新文化与被低估的新赛道2022年11月之后，AI把整个科技圈拉进了“红色警报”式的竞争状态。谷歌两位联合创始人谢尔盖·布林和拉里·佩奇在“退休”两年后被重新请回一线，开始更频繁地出现在办公室里；而随着2025年布林更多公开露面、Gemini推进提速，这种回归感不只点燃了内部士气，也让资本市场的想象力重新聚焦在谷歌的工程师文化与技术护城河上。围绕这场变化，布林在斯坦福工程学院百年庆典的收官活动中，与校长乔纳森·莱文、院长詹妮弗·威德姆同台，用一场信息密度极高的对话把很多关键问题讲透：AI时代究竟什么更值钱、创新文化怎样长期维持、年轻人该如何面对职业变局，以及一个被明显低估的新兴方向到底在哪里。他把自己在斯坦福读博的那段时间形容为“极度自由、极度有创造力”的岁月：老旧楼里咯吱作响的门、狭小的房间、几乎没人干预你做什么研究。也正是这种自由，养出了一种带点顽皮的工程师气质。布林坦白说，他当年甚至学会了撬锁，后来搬进新楼时发现全换成电子门禁，机械锁那套不灵了；他为了接触到一台能“刻”电子钥匙的电脑，趁外面的脚手架还没拆，从办公室爬出去攀到阳台，撬开门进去拷走程序，做出一把几乎能通行整栋楼的“万能钥匙”，再把拷贝删除。这个故事听起来像玩笑，却精准映射了他反复强调的底层能力：真正的创造往往来自对系统结构的理解、对边界的试探，以及在规则允许的空间里把问题拆到最小颗粒度去解决。谷歌的创业起点，也并非外界以为的“天才一拍即合、立刻下海”。布林回忆，他们从1995年前后开始断断续续研究搜索相关的想法，拉里·佩奇盯Web链接结构，他做数据挖掘，两个方向合在一起才逐步显出对搜索的价值。最初他们更倾向把技术授权给现有互联网公司，甚至把方案推荐给Excite，沟通中还出现过一段荒诞插曲：他们曾收到一封“同意以160万美元授权”的邮件回复，兴奋到不行，后来才发现那封邮件是朋友伪造的，因为当时邮件身份几乎可以随便冒充。授权走不通之后，他们才更认真地考虑融资与规模化，导师也以近乎“可逆选择”的态度支持他们出去试一试：做不成就回来，别把人生想成只能一条路走到黑。对“公司如何长期创新”这个问题，布林没有给管理学口号，他把关键落在两点：野心与学术根子。拉里·佩奇的风格是你给任何计划，他都嫌“不够大”，逼团队把尺度从“太阳系”想成“银河系”；而两位创始人从博士环境里出来，天然更愿意押注难题、更愿意做长期投入的基础研发。布林承认谷歌也翻过很多车，失败项目一长串，创新本来就包含大量试错，但他强调一条时代趋势已经越来越清晰：最近十年左右，“难的事情”越来越值钱，硬核技术再次变成决定胜负的核心变量。早期互联网时代只要会点Web就能做个whatever.com，甚至他自己还干过在线订披萨这种主意，流程用传真去对接线下店，最后败在“人家根本不看传真”；而今天AI背后需要的算力、数学深度与工程复杂度，已把竞争门槛抬到一个全新的高度。谈到AI竞赛的格局时，他说得很直白：投入规模巨大到惊人，但谷歌也确实在关键节点上“犯过错”。例如八年前发表Transformer论文时，并没有立即把它当成必须全力加码的战略方向，算力投入扩张得不够快；另外，团队当时对把聊天机器人推向大众有所顾虑，因为模型会胡说八道，反而是OpenAI率先把产品形态推了出去，这个判断很聪明，也值得尊重。即便如此，谷歌的长期积累仍然构成底盘：从GoogleBrain时期起就在深耕神经网络；更重要的是硬件路线的提前布局，从早期大规模使用GPU、FPGA，到自研芯片TPU大约十二年前就启动并迭代多代，再到长期重仓数据中心与算力基础设施，能同时拥有自研半导体、深度学习算法与全栈关键组件的公司并不多，这类组合能力很难在短期复制。关于未来走向，他给出的态度是“承认未知，但不轻视变化速度”。他提醒大家：AI进展快得惊人，竞争激烈到你一个月不看动态就会明显掉队。真正更难的问题甚至不止是“它能否做到人类在电脑前能做的一切”，还包括“它能否做到人类做不到的事”，也就是更接近超智能的讨论。与此同时，他也泼了一点冷水：AI很多时候仍然蠢得离谱，需要你监督、校验；但它偶尔会给出非常亮的点子，尤其当你不在某个领域的专业深水区时，它能迅速给你八到九成靠谱的整体框架，让你先建立结构化理解，然后你再把剩下的一成细节补齐、把成果打磨成自己的东西。因此他给学生的建议落在一条非常务实的原则上：一定要把AI用起来，为自己服务。无论是工作、创业、健康管理，还是生活里的小事，他都习惯先问AI拿“五个想法”，再快速过滤掉明显不靠谱的三条，从剩下的两条里抓那粒“闪光点”，换个角度重构问题。有人担心“AI会写代码，那还要不要学计算机”，他明确表示别因为这个就退缩，真正做AI的公司会更重视代码能力，因为更好的编程带来更好的AI；他还半开玩笑地说，别因为AI写代码厉害就去改学比较文学，某些创意文本工作AI可能更顺手，反倒是代码一旦错了会直接跑不起来，代价更硬、更现实。在创业者心态上，他用谷歌眼镜做了一个很痛的反思：当年推进商业化太早，产品成本、成熟度、消费者体验都没到位，他却急着让它“登场”，甚至一度产生“自己是下一个乔布斯”的错觉。教训也被他总结得非常具体：想法先“烤透”，做到足够成熟，再按下外部加速键；一旦进入增长跑步机，外界期待、开销与时间表会把你锁死，动作很容易变形，最后被迫在不合适的窗口交付半成熟结果，形成恶性螺旋。当被问到“如果数据和算力都逼近极限，下一步靠什么”时，他把注意力从“堆规模”拉回“算法与方法”。在他看来，很多时候算法进步早已比规模扩张更关键，只是建数据中心、买芯片更直观，更容易成为公众叙事。用他举的类比来说，算力像甜点，真正的主菜是算法、架构、效率与学习机制的突破；斯坦福方面也补充说，大学长期处在算力不足的环境，反而会被逼着做“用更少做更多”的创新，这类研究在未来会越来越重要。至于“被严重低估的新兴技术”，布林不愿把答案落在AI本身，也不想简单喊量子计算的口号，因为量子变量太多、适用问题结构也很特定，甚至计算理论里还有大量基础难题未解。他最终给出的方向是：AI（以及未来可能的量子计算）在材料科学上的应用。理由很直接：材料一旦发生突破，性能边界会被整体推开，空间几乎无限。莱文与威德姆都认同“材料”值得更强聚光灯，威德姆进一步强调合成生物学同样在发生巨大变化，关注度却被AI叙事掩盖了，聚光灯需要“拉宽”，别只打在一个方向上。对“学术界到产业界的通道是否仍关键”的提问，他给了一个更现实的判断：过去学术想法到商业价值往往要走很多年甚至几十年，如今周期被压缩，很多方向在学校试两年就能进入产业落地，产业界自身也在做大量探索。更合适的分工也许是：更激进、更底层、还未成形的新架构与新路径，仍需要大学环境去“养一养”，尤其像量子计算这类长周期、高不确定性方向，短期商业化压力可能把路线压扁；等方向足够扎实，商业化仍会自然发生，通过创业或被产业体系接走。未来更大的变化在于学术与产业各自承担什么研究，会重新配比。最后一段对话把布林从“技术神话”拉回“人”的维度。他谈到自己从苏联莫斯科移民美国的经历：早年困顿、语言重建、社会关系重建，痛苦但也迫使他不断扩大眼界，很多不舒服的变化反而带来更大的空间。谈“好的人生”，他给出的定义很克制：能享受生活，也能享受自己创造的东西，珍惜家庭相处，同时持续被智力问题挑战。他还自嘲过一次“退休”几乎是最糟决定：疫情让咖啡馆关闭，他闷在家里感觉自己在变钝，重新回到工作与Gemini的投入让他重新兴奋。作为一个“很人类”的瞬间，他甚至当场承认自己不知道“管理科学与工程”到底学什么，愿意问出来、当众弄明白；而他日常保持跟进变化的方式，也颇具象征意义：开车路上与Gemini语音聊天，拿它当对话伙伴，随口追问数据中心功耗、供电方案成本这类很硬的问题，把思考变成一种持续的互动训练。整场对话的底色很清晰：AI把世界推回“硬核技术重新定价”的时代，规模与资本很重要，但决定长期胜负的仍是难题能力、底层工程、算法效率、人才密度与组织文化；个体在这种时代里，最可行的策略是尽快把AI纳入工作流，让它成为认知放大器，同时保留审查、判断与打磨的主导权。真正被低估的机会，往往不在最热的聚光灯中心，而在材料、分子科学、合成生物这类“改变物理边界”的交叉地带。这样看，“难的事情越来越值钱”并非一句情绪口号，它更像一张路线图：谁能把难题做成体系，谁就能把未来做成确定性。
