有时候，历史的轨迹总是难以捉摸。
谁能想到，1999年的谷歌仅仅是两位年轻工程师在车库里搭起的一个简单搜索引擎，而今天，它成了改变世界技术历史的重要力量。
当年的「PageRank」算法，还只是为了更好排序网页中谁更重要，随后几年间，它铺开了互联网搜索的新时代。
但这仅仅是开端。
紧接着，大量划时代的技术被开发了出来，比如帮助分布式计算的MapReduce、大幅提高效率的初代TPU，再到今天引领AI潮流的Transformer模型。
这些看似冷冰冰的技术背后，站着一群怀揣理想的研发人员，他们是历史的写作者，也是科技洪流中无数独特故事的缔造者。
而对于许多人来说，「Gemini」可能是个更具象的名字。
这是一项最新的大规模AI模型技术，涉及多个数据中心的异步协作，代表了谷歌在AI技术上从算法到算力、从模型结构到基础设施的全面突破。
它正在让人工智能和我们的生活联系得越来越紧密，而这些技术革新的关键人物们，比我们想象的更接近“凡人”。
Transformer作者的初心与意外｜只想「打工赚钱」，却改变了AI世界Noam Shazeer，一个不那么为人熟知的名字，却是Transformer模型的重要作者之一。
和许多人不一样，他在选择去谷歌工作时，只带了一个简单的想法：“捞一笔钱，然后去做自己真正喜欢的事情。
”
生活总会开玩笑。
早期，他很快发现，谷歌不仅是个令人兴奋的大环境，更像是一个大舞台。
他被分配到Jeff Dean团队——一位技术圈的传奇人物，与这位导师共事的日子让他的技术才能真正得到施展。
两人在众多项目中合作，最终创造了后来被称作Transformer的AI“分水岭”技术。
从研究NLP（自然语言处理）技术，到优化大规模并行计算的算法，再到后来Transformer的诞生。
Noam渐渐发现，他原本的“短期期待”变成了无限的长远可能。
从为了一份工资，到真正发掘出机器学习的潜力，他的初心虽朴素，但却让AI历史写下了浓墨重彩的一笔。
算力的未来｜AI推理成本如何比读书便宜100倍？
人工智能技术发展至今，最大的瓶颈之一就是算力成本。
如果有人告诉你，与AI对话的成本已经比读一本纸质书便宜了100倍，你会相信吗？
事实就是如此。
谷歌首席科学家Jeff Dean用一组对比数据给出了答案。
当前，最先进的语言模型每处理100万个Token（可以简单理解为字或词）只需消耗1美元，但买一本平装书却要花上同样的钱，而它包含的“Token”可能还不多。
这样的算力优势，为推动AI系统“更聪明”提供了想象空间。
这也解释了谷歌近年来在基础设施上的动作，比如通过多个数据中心进行分布式计算实现的Gemini模型。
数据和计算结果需要在多个不同城市同步，虽然听起来技术门槛很高，但Jeff指出，这种规模化训练在未来会成为常态。
它不仅能通过技术手段降低算力成本，还可能帮助我们把AI用得更加“物美价廉”。
模型设计向何处去？
从模块化到有机架构的新可能最初的AI模型就像“一个大脑”，所有问题都用同一逻辑规则解决。
随着任务复杂度提升，这种“统一解决”的方式开始暴露弊端，而一种新的模型设计理念——模块化架构应运而生。
模块化的好处在于可以“因地制宜”。
比如，AI被要求解决数学问题时，它只会调用“擅长数学的部分”，处理图像时才调用“视觉模块”。
这样的设计让每一个模块变得更充分和高效，但目前它还不够灵活，每个模块大小相同，限制了更多优化空间。
Jeff在采访中提到，未来的模型将更加有机，它们就像人体的不同器官，各司其职但又协同工作。
例如，一个专注于东南亚语言的团队，可以单独开发和优化该语种的模块，而另一个专注代码理解的团队则提升相关能力。
这样不仅能提升效率，还让每个领域都能享有更多发展机会。
从技术实现角度来看，模型中的每个模块还可以通过蒸馏技术去优化，也就是说，把大模块精简成更小更高效的版本，再逐步通过路由器智能选择合适模块，平衡算力和性能。
怎么定义成功？
对Noam Shazeer来说，原本想“捞一票就走”的计划因谷歌丰富的技术环境被打破，但他也坚信成功的定义不止在技术成就上。
团队的沟通氛围、自由交流的“微型厨房区域”，甚至当年午休时的一次偶然闲聊，都可能是推动一项技术诞生的契机。
对Jeff Dean来说，见证搜索业务从几千次日流量到亿级别，也算是自己舒心的成果之一。
他评价道：“成功不是技术本身，而是它在我们生活中创造实际价值的那一刻。
”
结尾：技术的温度与边界从最早的PageRank算法，到后来跨越25年的技术模型，如Transformer和Gemini技术，谷歌的技术演变给了我们太多启示。
技术从来不是冷冰冰的机械发明，而是由梦想与实践相互交织的过程。
如果总要定义技术的终点，那可能是它帮助每个人更轻松、更自然地理解和使用知识的时刻。
而技术背后的情感追求与探索精神，才是决定我们如何面对未来的路标。
