谷歌首席科学家 Jeff Dean，最近在 Y Combinator 的一场访谈里，扔出了一串判断。
这位老爷子什么来头？深度学习活化石级别的人物，谷歌大脑的灵魂。
他去年 5 月预测 AI 能达到初级工程师水平，现在他自己复盘，不但应验了，模型在复杂任务上的进展速度还超出了他的预期。
值得细品的，是他后面说的那些话。

先说一个被低估的事实。
Dean 透露，现在基于智能体的系统，配上足够强的模型，已经不是跑一两个小时就趴窝的水平了，在某些领域能连续运行几天甚至几周，独立完成极为复杂的任务。
他原话里有个小得意，“有些人已经开始隐约察觉到这一点，但还没有被普遍接受，这将是一件影响很大的事。”
他自己就在用。
他和老搭档 Sanjay 做底层库性能优化，给智能体编写了一套“技能”，让模型按固定流程循环，测量基准、改进代码、测量提升、再迭代。
全自动，效率相当高。

注意这个细节。
谷歌最顶级的工程师，已经开始把自己的活儿拆成流程，教给 AI 去循环执行了。
连造工具的人都在被工具解放，你说其他行业还能躲多久？
不过 Dean 这场访谈真正的干货，在于他点出了下一个瓶颈在哪。
很多人以为 AI 竞赛拼的还是模型，谁的参数多，谁的跑分高。
Dean 说不对，制约智能体大规模普及的核心约束，正在从模型能力转向推理硬件效率。
他给了一个量化目标，推理延迟如果能降低 50 倍，将从根本上改变 AI 系统的产品边界。

为了说明硬件跃迁的威力，他翻了自己 2001 年的旧账。
当年他拍板把谷歌搜索索引从硬盘搬进内存，一个看似简单粗暴的决定，直接改写了搜索的产品形态。
更扎心的是他揭的那个行业伤疤。
把数据从加速器的 HBM 显存搬到处理器，消耗的能量是实际做一次乘法运算的上千倍。上千倍。
AI 系统里大量的工程设计，批处理也好，架构取舍也好，根子上都是在给这个搬运成本擦屁股。
所以他的优化方向很明确，少搬数据，再把极低精度运算直接焊进硬件。

听着是不是有点耳熟？
专用推理芯片这条路，恰恰是中国厂商这些年闷头猛攻的方向。
谷歌科学家在这边讲理论，深圳和上海的产线在那边落地产能，这个呼应挺微妙的。
再看他给创业者指的路，我觉得比投资人那些 PPT 实在多了。
他的机会识别框架就一条标准，去找通用模型成功率接近 0 或 1%的问题，躲开成功率 20%的。
为什么？
20%意味着通用模型已经在门口了，再过半年，人家模型一升级，你的公司就成了人家更新日志里的一行字。
他自己也把这个判断说得赤裸裸：“你正在做的事情是不是够持久，未来六个月或十二个月，前沿模型会不会就能做到这件事了？”

这话狠，但是真话。
过去两年死掉的那批 AI 创业公司，死因基本都是这个，把通用模型的暂时缺陷当成了自己的护城河。
他点名了两类有结构性优势的场景。
一类是你的产品能碰到通用模型碰不到的数据，比如用户个人信息。另一类是训练专用小模型解决极难的特定问题，AlphaFold 就是范本，专攻蛋白质折叠，不做通用梦，反而一骑绝尘。
他还顺手点了材料科学和芯片设计，说同样有机会。
还有个提法值得记住，上下文工程。
以前创业做 AI，门槛是算力和数据，没钱免谈。
现在 Dean 说，你只要有一个类似 Gemini 的 API 接口，自己搭检索系统、工具调用、记忆管理就行。
模型只是整体系统的一部分，胜负手在模型之外的组装功夫。
这对小团队是个实在的好消息，牌桌上的入场券，从显卡变成了手艺。

对 2027 年，他给了一个更大胆的预测，机器学习系统自身的自动化程度会大幅提高，用 AI 优化 AI，形成闭环。
他举的例子很有画面感，量子化学里原本要跑一整夜的密度泛函模拟，神经网络近似之后提速 30 万倍，原本 6 个月的分子筛选，一顿午饭的工夫搞定。
读到这儿我停了一下。
科学研究以“顿”为单位计量，这画面多少有点科幻了，可它是真实发生的。
访谈最后有个问答，我觉得是全场最有味道的一问一答。
有人问，当智能体能写完所有代码，什么是真正稀缺的？
Dean 的答案就三个字，判断力。知道该让智能体去解决什么问题。
他甚至给了一套训练判断力的笨办法，定期写下未来 12 个月可能重要的事情清单，一年后回头核验，哪些真变重要了，哪些被别人做了，哪些还是空白。

整场访谈看下来，我的感受有点复杂。
一方面，跑几周的智能体、提速 30 万倍的科研、50 倍延迟的野心，AI 这台机器的转速确实在往上飙，身在其中的每个人都能感觉到那股推背感。
另一方面，Dean 有句话我始终放不下。
他说未来是人来引导大量的 AI 辅助计算，更快实现伟大成果，但“你想要模型做什么”这个核心，才是人该专注的关键。

机器越来越会答题了。
可出什么题，永远是人的事。
考能力量的时代正在过去，考眼力的时代，才刚刚开始。