戴密斯·哈萨比斯所领导的已不再是一家主要凭论文、游戏或科学演示来评判突破的实验室。如今，Google DeepMind为数亿人使用的产品、大型企业采购的云服务，以及能够生成假设、操控软件并在网络上执行任务的实验系统提供智能支持。作为首席执行官，他对Alphabet增长、资本支出和风险状况的影响力，已达到鲜有研究机构领导者企及的程度。
这一转变在谷歌的五月开发者大会上变得明确。Gemini 3.5被定位为一个不仅能回答问题、还能完成智能体工作的模型系列。Gemini Omni结合了推理、视频创作和对话式编辑功能。计算机使用能力、编程智能体以及新的企业智能体平台，使该模型更接近于采取具有重大影响的行动。与此同时，谷歌 DeepMind推出了Gemini for Science，并发表了关于多智能体“共同科学家”系统的研究；该系统能够生成、质疑和完善研究假设。
这些产品体现出一致的目标：让同一模型家族支持消费者助手、企业自动化、创意生产和科学发现。它们也带来了一项艰巨的运营考验。衡量实用搜索功能的标准，与衡量生物学假说、安全操作或自主工作流程的标准并不相同。哈萨比斯必须让同一个研究组织以产品开发的速度推进，同时不能让分发压力超越证据所能支持的程度。
从前沿实验室到Alphabet的操作系统
2023年，DeepMind与谷歌大脑合并组建谷歌 DeepMind。此次合并为哈萨比斯集中了一批研究人员、工程师和算力资源，但也使该团队与谷歌的商业重点结合得更加紧密。Gemini如今已嵌入搜索、Workspace、Android、云服务和独立的Gemini应用。因此，除了基准测试结果，该实验室的表现也通过用户增长、广告经济效益和云服务合同得到体现。
规模已相当惊人。谷歌五月表示，Gemini应用月活跃用户已突破9亿，是一年前所披露水平的两倍以上。其模型接口每分钟处理约190亿个词元，每月则有850万名开发者使用谷歌模型进行开发。在谷歌各类产品界面上，月度词元处理量一年内增长七倍，超过3.2个千万亿。这些是活跃度而非利润指标，却显示出一项研究决策能够以多快速度转化为基础设施责任。
Alphabet正大举投入资金履行这一责任。其2025年的资本支出为914亿美元，预计2026年将达到1750亿美元至1850亿美元，主要用于服务器、数据中心和网络。管理层表示，预计今年略高于一半的机器学习算力将用于云业务，其余相当大一部分将分配给DeepMind研究及谷歌自有产品。哈萨比斯必须在内部争取这些算力，同时确保由此产生的模型能够改善为其投入资金的业务的经济效益。
财务证据令人鼓舞，但仍不完整。2025年，Alphabet年度营收超过4000亿美元。第四季度，云业务营收增长48%，未履约订单达到2400亿美元，基于生成式模型构建的产品也实现快速增长。Gemini Enterprise在推出后数月内售出超过800万个付费席位。然而，该集团并未单独披露DeepMind或Gemini的损益表。投资者可以看到资本支出和整体产品势头，却无法了解模型开发各层面的回报。
这种不透明性之所以重要，是因为前沿模型训练、推理和安全工作消耗的资源各不相同。能够提高搜索业务用户参与度的模型，或可保护规模庞大的广告业务。科学智能体可能需要经过多年验证才能产生收入。开放权重的Gemma模型可以促进开发者采用，但会牺牲部分即时变现机会。哈萨比斯必须维持一个均衡的研发组合，避免商业前景最清晰的项目挤压那些未来可能创造更大优势的研究。
科学既是差异化优势，也是风险所在
哈萨比斯长期主张，推动科学进步是开发能力更强的人工智能最有力的理由之一。AlphaFold使预测的蛋白质结构得以广泛获取并为科研人员所用，从而增强了这一主张的说服力。Google DeepMind如今正尝试把这种方法拓展到预测之外。Co-Scientist利用多个智能体提出假设并相互论证。Gemini for Science提供文献分析、算法设计和实验推理工具。其他系统则聚焦天气、基因组学和生物功能。
其中的商业逻辑颇具吸引力。科研和工业客户更看重准确性、专有数据及工作流程整合，而非引人入胜的对话。若 谷歌 能让前沿模型在实验室、工程团队和医疗系统中具备可靠性，便可销售价值更高的云服务，并建立深厚的机构关系。这项工作还可能为 Alphabet 旗下药物设计公司 Isomorphic Labs 带来新发现，并强化 谷歌 的说法：其人工智能投入带来的益处不止于广告业务。
验证问题比模型演示更困难。一个看似合理的科学假设并不是发现，必须经受实验、复现与同行评审，往往历时多年。随着智能体提出更多候选想法，瓶颈可能从生成转向验证。这可能增加而非减少对实验室、高质量数据集与专家判断的需求，也可能制造大量看似可信却基础薄弱的工作，进一步挤压本已有限的审查体系。
生物领域带来了更为严峻的风险。7月16日，Google DeepMind and Isomorphic Labs公布了一项联合生物韧性计划，围绕预防、检测和响应展开。双方表示，过去一年已推动与政府、研究团体和生物安全组织建立超过15项合作，同时对强大模型应用威胁建模、评估、缓解措施和监测机制。该计划正视了军民两用难题：同一个能够帮助设计疫苗或分析病原体的系统，也可能降低恶意行为者实施危害的门槛。
因此，哈萨比斯必须将安全从一套原则转化为能够抵御商业紧迫压力的运营约束。Google DeepMind设有内部责任委员会和通用人工智能安全委员会，并制定了《前沿安全框架》。年中，该公司与合作伙伴共同出资，提供最高1000万美元，支持外部机构研究智能体互动时的行为。这些措施固然有用，但决定性证据将来自部署决策：哪些能力仅限特定对象使用，如何监测事故，以及当评估发现重大危险时，产品团队是否愿意接受延期。
亚洲是实用规模化的试验场
亚洲为 Google DeepMind 提供了一个机会，证明其模型能够在美国科技市场之外创造价值。这也暴露出英语基准测试可能掩盖的弱点。该地区汇集了先进研究中心、庞大的多语言人口、制造业实力，以及以非同寻常规模运作的公共服务。模型必须在可由政府和机构长期承担的成本下，适应本地语言、文化语境、监管要求和数据限制。
新加坡已成为推进这项工作的基地。Google DeepMind在那里设立了研究实验室，并于五月宣布启动涵盖医疗保健、生命科学、教育、人才培养和气候技术的国家级项目。合作内容包括为临床医生提供人工智能支持、加强大流行病防范、开发供视障运动员使用的工具，以及培训研究人员使用智能体科学系统。该团队还在合作制定多语言和多模态安全基准，以弥补现有评估体系主要依赖西方数据集的不足。
印度则从覆盖范围和可负担性方面提出了不同考验。七月，Google DeepMind与印度政府的阿塔尔创新使命开始试点ATL Saathi，这是一款由Gemini驱动、面向创客实验室教师的助手。首轮部署覆盖100所学校，支持八种语言，并帮助教育工作者设计符合课程要求的机器人和编程项目。更广泛的实验室网络覆盖逾1100万名学生。若试点成功，将表明前沿模型可以立足于国家课程材料，并通过教师加以运用，而不是作为不受问责的替代者直接取代教师。
即使短期收入有限，这些项目仍具有战略价值。它们能建立本地反馈、机构关系，以及对谷歌基础设施的需求；也能使DeepMind区别于那些主要将亚洲视为用户来源的竞争对手。但公共合作提高了问责标准。影响教育或医疗保健的错误不能被当作普通的产品摩擦，政府也将日益要求数据本地存储、可审计性和本土能力，并同时要求获得最佳模型。
竞争压缩研究时间表
谷歌拥有独立AI实验室难以复制的优势：定制张量处理单元、全球云基础设施、庞大的分发渠道，以及成熟业务产生的现金流。与此同时，其竞争对手不必顾虑保护占据主导地位的搜索业务。OpenAI在消费者采用和智能体领域引领步伐。Anthropic已在企业市场建立强势地位。Meta分发开放模型。中国企业则表明，高性能系统可以采用不同的成本结构进行训练和服务，进一步加剧价格和效率压力。
哈萨比斯的答案是整合的广度。双子座跨越文字、音频、图像、视频和动作； Gemma提供了一条开放的路线； DeepMind 的科学工作肩负着独特的使命。然而，广度可能会分散注意力。产品用户期望可靠性和速度。云客户期望可预测的经济效益。研究人员期望开放性和方法上的严谨性。安全团队需要权威。只有当优先事项和评估门槛异常明确时，一个组织才能为所有四个选区提供服务。
更深层的治理问题在于哈萨比斯与Sundar Pichai如何分工。DeepMind开发核心模型，谷歌的产品和基础设施团队则决定如何分发和商业化。这种安排可以兼顾科学深度与运营规模，但当模型问题出现在产品中，或商业期限影响研究成果发布时，也可能模糊责任归属。Alphabet需要像精心设计模型本身一样，审慎设计实验室与商业部门之间的衔接机制。
哈萨比斯已将DeepMind带入日常经济生活，其程度远超早期发展历程所能预示。下一阶段的成就不会由又一次基准测试领先来表明，而要看智能体能否在不产生不可接受错误的情况下完成有价值的工作，科学系统能否带来经过验证的发现而非海量猜想，以及Alphabet能否表明史无前例的基础设施投入可获得持久回报。同时实现这三项目标，才是Google DeepMind如今面临的真正前沿挑战。
