谷歌推进Gemini企业Agent落地 Replit预言编程AI一年内见顶

What's new with Gemini from Google DeepMind — Google Cloud Tech

Google Cloud Tech

Replit指出轻量化模型正以半年时滞迅速追平前沿智能并拉低成本,加之常规软件开发高度范式化,编程Agent能力将在未来12个月内逼近能力极限并全面替代传统内部SaaS工具。

AI-assisted summary of What's new with Gemini from Google DeepMind — original source. Check the original for full context.

Source published:

Key ideas

  • Google DeepMind 正式推出 Gemini 3.1 家族及前沿模型矩阵,包括 Pro、Flash、Flash-Lite 阶梯,以及开源 Gemma 4、原生音频 Gemini Live、Genie 3 世界模型和已落地波士顿动力机器人的 Gemini Robotics ER 1.6。 (2:01)
  • Google 强调其全栈纵向整合(自研 TPU、全球智算网络至消费级产品)优势,其模型在承载超 20 亿用户的 Google 搜索 AI Overviews 中完成了极低延迟与超大规模高吞吐的实战验证。 (16:07)
  • 针对企业 Agent 落地,Google Cloud 提出选型三大边界条件(智能前沿、延迟受限、无限吞吐),并指出真正的上下文工程在于让系统自主吸收报错调用栈并完成闭环治理,而非单纯依赖人工手写 Prompt。 (19:42)
  • Replit 依托 Google Cloud(Cloud Run/GCS)实现将传统 SDLC 压缩为“生成与发布”两步循环,并观察到 Flash 等轻量模型仅比前沿模型滞后约 6 个月,预测 Web 代码生成能力将在未来 12 个月内触及上限巅峰。 (29:20)

Detailed notes

## Background 本内容由频道 Google Cloud Tech 于 2026 年 6 月 25 日发布在 YouTube 平台上,记录了 Google Cloud Next 2026 大会的分论坛实录。视频简介指出,本场由 Google DeepMind 与 Google Cloud 联合呈现,重点探讨了 Gemini 3 系列模型的最新前沿突破、原生多模态智能体工作流,以及如何通过 Vertex AI 与 Replit 等实际生态赋能开发者构建与规模化部署 Agent 应用。

## TL;DR 分享首先由 Google DeepMind 产品副总裁 David Thacker 盘点全局模型技术,系统介绍了 Gemini 3.1 家族、Gemma 4、实时音频端到端模型、Genie 3 世界模型以及面向机器人的 ER 1.6 具身推理架构。随后,Google Cloud 副总裁 Michael Gerstenhaber 阐述了企业级智能体平台如何在数据访问、安全审计与治理飞轮中移除人工干预,并提出了衡量模型选型的前沿智能、延迟与吞吐三大边界条件。最后,Replit 总裁 Michele Catasta 详述了其全栈依托 Google Cloud 的实践,揭示了 Flash 模型以低成本降维打击前沿能力的趋势,并预测代码生成 Agent 将在未来 12 个月内迎来覆盖 Web 开发的能力巅峰。

## Atmosphere & style 整场对话兼具工业级严谨与极客务实风范,台上三位重量级技术决策者摒弃了空洞的概念炒作,展现出高度同频、默契自然的协同气场。交流过程中穿插着幽默打趣与坦诚的工程反思——从现场意外响起的动感音乐玩笑,到坦言大模型在多数领域早已比自己更聪明,现场节奏在严密的技术架构剖析与生动的现实类比之间流畅切换。聆听全程仿佛置身于一场顶级闭门技术炉边会谈,能够真切感受到前沿基础科研与海量真实云业务在碰撞中激发的爆发力与笃定感。

## Bulletin - [02:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=121s) Google DeepMind 正式推出 Gemini 3.1 家族及前沿模型矩阵,包括 Pro、Flash、Flash-Lite 阶梯,以及开源 Gemma 4、原生音频 Gemini Live、Genie 3 世界模型和已落地波士顿动力机器人的 Gemini Robotics ER 1.6。 - [16:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=967s) Google 强调其全栈纵向整合(自研 TPU、全球智算网络至消费级产品)优势,其模型在承载超 20 亿用户的 Google 搜索 AI Overviews 中完成了极低延迟与超大规模高吞吐的实战验证。 - [19:42](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1182s) 针对企业 Agent 落地,Google Cloud 提出选型三大边界条件(智能前沿、延迟受限、无限吞吐),并指出真正的上下文工程在于让系统自主吸收报错调用栈并完成闭环治理,而非单纯依赖人工手写 Prompt。 - [29:20](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1760s) Replit 依托 Google Cloud(Cloud Run/GCS)实现将传统 SDLC 压缩为“生成与发布”两步循环,并观察到 Flash 等轻量模型仅比前沿模型滞后约 6 个月,预测 Web 代码生成能力将在未来 12 个月内触及上限巅峰。

## Key takeaways - [00:14](https://www.youtube.com/watch?v=92LvgAcR6fI&t=14s) Google DeepMind 自创立起便以通用人工智能(AGI)为目标,目前作为 Google 全局模型研发引擎,其对公有云开放的模型与 Google 内部核心产品采用的版本完全同步且同日上线。 - [02:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=121s) Gemini 3.1 核心聚焦四大能力突破:高阶复杂推理、原生多模态交互、端到端 Agent 规划执行以及数万工程师日常重度依赖的底层编程能力。 - [04:12](https://www.youtube.com/watch?v=92LvgAcR6fI&t=252s) DeepMind 前沿矩阵多点开花:推出 2B 至 30B 的 Gemma 4 开源模型、端到端实时双向音频 Gemini Live、Genie 3 交互式三维世界模型,以及赋能 Boston Dynamics Spot 机器狗具身视觉判读的 Gemini Robotics ER 1.6。 - [10:38](https://www.youtube.com/watch?v=92LvgAcR6fI&t=638s) 企业 Agent 迈向云级无限扩展的核心瓶颈在于前后端的信任与审计机制,若缺乏端到端的数据凭据控制与决策审计,流水线扩张将被牢牢限制在人力团队规模之内。 - [14:21](https://www.youtube.com/watch?v=92LvgAcR6fI&t=861s) 拥有自由选择权的公有云外部客户构成了检验模型竞争力的最硬核标尺,通过高频公测/内测反馈倒逼 DeepMind 突破模型能力上限,形成反哺 AGI 演进的正向循环。 - [16:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=967s) DeepMind 坚守原生多模态(Natively Multimodal)底层架构设计,旨在模拟人脑认知机制,结合 TPU 全栈自研基础设施与超 20 亿级用户规模压测,实现了顶尖性能与极致推理成本的兼顾。 - [19:42](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1182s) 企业级模型选型应依据三大边界条件理性决策:编写核心代码或复杂合同审查依赖“智能前沿”,911调度等强实时场景选用“受限于延迟”的 Flash,而海量内容审核等场景则需采用专为“无限吞吐”打造的 Flash-Lite。 - [21:49](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1309s) 上下文工程的新心智模型是将模型视为具备高阶潜力的顶尖新员工,企业不应微观管理具体执行步骤,而是输入业务目标并直接将执行失败的错误栈丢给智能体以实现自主推理修正。 - [26:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1567s) 软件工程受众正从全球 3000-5000 万专业开发者剧增至 15-20 亿普通知识工作者,用户的角色正从逐行编写代码的程序员转变为管理底层多 Agent 协作的“项目经理”。 - [29:20](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1760s) Replit 依托 Google Cloud 托管设施,将软件工程重塑为两步极简循环,并通过后台常驻的 Prod Agent 与 CVE 漏洞追踪系统,实现自动化性能诊断与一键安全补丁部署。 - [31:17](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1877s) Flash 等轻量模型的智力演进速度大约落后前沿模型半年,但成本极低,Replit 通过每晚全量部署新版路由 Agent 进行动态流量编排,以极低预算普及高级 AI 特性。 - [32:48](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1968s) 面对线上 50% 以上独一无二的长尾应用需求,传统离线测试难以完全覆盖,但 Web 范式化编程 Agent 的综合能力预计将在未来 12 个月内触及成熟度天花板。 - [34:33](https://www.youtube.com/watch?v=92LvgAcR6fI&t=2073s) 生成式 AI 原型开发彻底改写了商业决策与 SaaS 市场:沟通从提交长篇 PPT 跃升为直接试玩功能性 URL,企业也因开发门槛骤降而大范围自建内部业务工具,直接冲击传统 SaaS 生态。

## Detailed walkthrough ### [00:14](https://www.youtube.com/watch?v=92LvgAcR6fI&t=14s) 开场介绍与 Google DeepMind 的发展历程

Google 企业级 Gemini Agent 平台产品管理副总裁 Michael Gerstenhaber 宣布会议开始,并邀请同台嘉宾进行自我介绍。首先发言的是常驻加利福尼亚州的 Google DeepMind 产品副总裁 David Thacker,他负责构建模型的产品团队,同时领导 DeepMind 的应用 AI(Applied AI)团队。随后发言的是 Replit 总裁兼 AI 负责人 Michele Catasta,他向全场介绍了 Replit 的核心愿景,即打造一个“让每个人都能实现软件创作平民化”的平台。议程安排由 David Thacker 先盘点 DeepMind 的全局技术进展,接着由 Michael Gerstenhaber 讲解 Google Cloud 如何将这些模型转化为产品能力,最后由 Replit 分享其落地应用实践。

```mermaid flowchart LR accTitle: DeepMind 模型研发到商业落地的协同架构 accDescr: 展示从 DeepMind 研发到 Google 内部产品协同,再到 Google Cloud 及生态伙伴的链路。 subgraph GDM["Google DeepMind (研发引擎)"] GEM["Gemini 3.1 核心模型家族<br/>(Pro / Flash / Flash-Lite)"] ADV["前沿创新矩阵<br/>(Gemma / 音频 / 媒体 / 机器人)"] end subgraph Internal["Google 内部生态"] APPS["Search / YouTube / Gmail<br/>全线自研应用验证"] end subgraph Cloud["外部交付与生态"] GCP["Google Cloud Platform<br/>(Vertex AI 商业化部署)"] PART["生态伙伴集成<br/>(例如:Replit / Boston Dynamics)"] end GEM --> APPS GEM --> GCP ADV --> GCP GCP --> PART ```

David Thacker 回顾了 DeepMind 的创立使命。DeepMind 于 2010 年在伦敦作为一家初创公司成立,最初的目标是研发通用人工智能(AGI)。他感叹道:

> “And back in 2010 nobody else was doing that. It was truly science fiction back then, but the company was really committed to this vision.” > —— David Thacker

2014 年 Google 收购 DeepMind 后,前五至六年基本保持了其独立运营。过去三年间,DeepMind 被完全纳入 Google 核心体系,被定位为整个公司的“动力机房”(engine room),集中统一负责 Google 所有的 AI 模型研发。即便整合入巨头内部,DeepMind 仍由创始人兼 CEO 掌舵,保持着创业团队的敏捷节奏。

[02:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=121s) Gemini 3.1 模型家族与核心能力聚焦

作为 DeepMind 最引以为傲的成果,Gemini 系列模型问世仅两年多,目前已迭代至 3.1 版本。该系列根据不同算力与业务场景划分为三种尺寸阶梯: - **Pro 模型**:旗舰级最高性能模型,擅长驱动自主智能体(Agent),在代码编写以及 STEM(科学、技术、工程、数学)等深度逻辑计算场景中表现优异。 - **Flash 模型**:性能与计算效率的黄金平衡点,是整个家族中应用最广泛的“主力驮马”(workhorse)。 - **Flash-Lite 模型**:体积最精简、推理速度最快、极致性能功耗比的轻量化选择。

David Thacker 强调,Google 研发这些模型的目标是赋能全系产品。他的团队与 Google Search、YouTube、Gmail 等团队深度绑定,旗下业务均已全面由 Gemini 驱动。更为关键的是,Google 产品采用的模型与 Google Cloud 开放给外部客户的模型完全一致,多数情况下云端上线与内部产品发布同日同步。

针对 Gemini 3.1 的研发重心,团队在四大领域实现了突破性提升: - **推理能力(Reasoning)**:模型在复杂逻辑推演与深度思考上展现出显著优势。 - **原生多模态(Multimodal Understanding)**:自立项初期就采用全多模态原生架构,具备在视频、文本、音频、图像以及代码之间进行跨模态交互与分析的能力。 - **Agent 赋能(Agentic Capabilities)**:重点强化了跨不同环境执行复杂多步骤规划以及灵活调用外部工具的能力。 - **编程能力(Coding)**:Google 内部数以万计的软件工程师每日重度依赖 Gemini 编写系统代码,编程也被团队视为通向多种复杂高级任务的基础构建基石。

[04:12](https://www.youtube.com/watch?v=92LvgAcR6fI&t=252s) 前沿模型矩阵:Gemma、实时音频与多媒体生成

除了 Gemini 主线,DeepMind 在科学计算、机器人技术与生成式多媒体等前沿领域均有广泛布局。近期发布的开源权重模型 Gemma 迎来了第四代迭代(Gemma 4),这套开源模型脱胎于 Gemini 3 架构家族,参数规模从 20 亿(2B)延伸至 300 亿(30B),支持广泛的多语言理解,并内置视频与音频理解能力,是设备端(On-device)部署或微调特定领域下游任务(Task-specific)的理想工具。

```mermaid flowchart TD accTitle: Google DeepMind 前沿模型生态全景 accDescr: 分类展示 DeepMind 除 Gemini 外在开源、音频、媒体、研究与物理世界的核心模型。 subgraph MultiModal["感知与生成模态"] Gemma["Gemma 4<br/>(2B-30B 开源权重模型)"] GLive["Gemini Live<br/>(原生双向端到端音频)"] Lyria["Lyria 3 Pro<br/>(图文生音乐,达3分钟)"] end subgraph SpatialAgent["推理与空间实体"] GDR["Gemini Deep Research<br/>(多源检索研报 Agent)"] Genie["Genie 3<br/>(交互式 3D 虚拟世界模型)"] Robotics["Gemini Robotics (ER 1.6)<br/>(具身推理与机器人感知)"] end MultiModal -.->|"全模态扩展"| SpatialAgent ```

在交互式语音领域,团队打造了名为 Gemini Live 的原生端到端音频模型。该模型跳过了传统的“语音转文字再转语音”链路,支持直接输入音频 Token 并实时输出音频 Token,将响应延迟压缩至极低水平。模型具备高度的表达力(Expressiveness),能够接收指令并模仿人类的情感语调,通过“主动式音频”(Proactive Audio)技术实现实时情绪共鸣。David Thacker 明确表示:“We really think we're really bullish on voice as a modality to engage with intelligence and with AI models.”

多媒体生成方面,DeepMind 涵盖了图像、视频与音频生成产品线。最新发布的音乐生成模型 **Lyria 3 Pro**,仅凭简短的文本 Prompt 甚至单张图像,便可一键生成最长达三分钟、包含完整配器与人声歌唱的完整歌曲,目前已在 Gemini 消费者端应用上线。

[06:49](https://www.youtube.com/watch?v=92LvgAcR6fI&t=409s) Deep Research、Genie 3 世界模型与具身推理(Embodied Reasoning)

针对复杂调研场景,DeepMind 正式推出了 **Gemini Deep Research Agent**。该智能体只需单次 API 调用,即可跨越公共互联网执行广度与深度检索,同时能够与企业自有私有数据源进行深度 Grounding。输出成果不仅包含严密的结构化文字长文,还能自动合成数据图表与信息图(Infographics),为复杂的企业分析工作流提供首道研究分析底座。

在空间智能与仿真方面,团队展示了名为 **Genie 3** 的最新世界模型。在演讲现场背景音突然响起一阵动感音乐时,David Thacker 幽默地插话打趣道:“That's some great music. Sounds like jump by Van Halen.”随后他展示了 Genie 3 的能力:用户通过纯文本或单张图片输入,即可生成可由键盘实时控制角色视角的交互式 3D 虚拟世界。该模型在泛娱乐、教育沉浸式体验、内容生成与游戏设计上具备颠覆性,但其更为重大的长远战略价值在于机器人领域——为自主智能体提供逼真的物理世界交互模拟沙盒。

在连接物理世界与 AI 的终极前沿,DeepMind 推出了最新的机器人具身推理模型 **Gemini Robotics ER 1.6**(ER 代表 Embodied Reasoning)。该模型充当智能大脑,直接接入机器人机械结构,将顶级推理决策和高精度视觉分析灌输给物理硬件。波士顿动力(Boston Dynamics)已在其四足巡检机器人 Spot 上部署了 ER 1.6,使其具备了自主盘点巡检环境物品、精准辨识并读取工业仪表盘指针数值等此前纯机械算法难以攻克的复杂认知操作。

- **Gemini 深度研究 Agent**:支持公网与本地知识库双重校验,具备输出 Infographic 可视化图表能力。 - **Genie 3 世界模型**:面向 AI Ultra 订阅者开放试用,实现文本/图像直接生成可探索交互式三维世界。 - **Gemini Robotics ER 1.6**:首批赋能 Boston Dynamics Spot 机器狗,拓展了对工业场景高难度复杂仪表的视读理解能力。

[09:56](https://www.youtube.com/watch?v=92LvgAcR6fI&t=596s) Google DeepMind 与 Google Cloud 的深度协同

Google DeepMind 正在将其驱动 Google 核心产品的同款先进模型全面引入 Google Cloud 平台。David Thacker 指出,DeepMind 团队与 Google Cloud 团队保持着极为紧密的合作,双方的核心团队每天至少沟通交流一次,共同讨论模型的落地与反馈。DeepMind 的终极目标是构建通用人工智能(AGI),而来自真实世界中丰富且多元的实际应用场景,对于模型的持续迭代与进化至关重要。每当 DeepMind 在 Google Cloud 平台上推出新模型,便能在第一时间获得海量开发者与企业客户的快速采用,这种即时落地的数据与反馈反过来加速了前沿研究的突破。

随后,David Thacker 将舞台交给了 Google Cloud 的 Michael Gerstenhaber,请他阐述 Google Cloud 是如何承接并规模化部署这些尖端 AI 能力的。

- **核心合作机制**:DeepMind 与 Google Cloud 团队每天至少进行一次甚至多次高频对齐,确保研发成果无缝同步到云端基础设施。 - **研究驱动目标**:构建 AGI 离不开多维度、复杂多样的真实业务场景打磨,开发者的即时采用为模型演进提供了不可或缺的真实反馈环。

---

[10:38](https://www.youtube.com/watch?v=92LvgAcR6fI&t=638s) 从全球网络到企业级 Agent:数据访问与信任审计

Google 在基础设施与模型应用领域已深耕二十余年。Michael Gerstenhaber 回顾道,DeepMind 开创了模型技术的前沿,而 Google Cloud 则拥有深厚的基础设施底蕴。Google 原本为了在 75 毫秒内将一段“猫咪视频”从纽约传输到东京而构建的全球网络基础设施,在当下的 AI Agent 时代展现出了不可替代的价值。例如,一名正在维修飞机的机械师需要通过语音向操作手册助手(Agent)寻求实时指引,他们需要双手保持作业,需要极低的响应延迟,而不再是停下来翻阅纸质手册;与此同时,Google Maps 和 Street View 等业务积累的图像处理经验,也为模型的大规模多模态推理提供了强大的技术复利。

谈到当前企业构建 Agent 的痛点时,曾在 Anthropic 负责发布 Claude 3、并在加入 Google 后主导 Gemini 3 发布的 Michael Gerstenhaber 指出,诸如 Gemini 2.5 或 Gemini 3 的能力对于大量企业工作流来说已经绰绰有余(尽管编写顶级代码仍需依赖处于智能前沿的 3.1 模型)。银行的 KYC(了解你的客户)合规审查流程、生物医药及生命科学客户针对临床试验数据集的统计分析,早在几个月前就已普遍采用这些模型。然而,Agent 虽然天生自带强大的认知智能,但它们并不知晓企业内部的私有信息——既不了解客户的背景调查历史,也不清楚临床研究完成提交 FDA(美国食品药品监督管理局)证明药效时所需的密封数据库。因此,云平台必须提供可扩展且灵活的数据访问通路,同时处理好凭证管理、访问权限与信息检索。

更关键的瓶颈在于“信任”。Michael Gerstenhaber 强调,要想真正移除流水线中的人工干预(Human-in-the-loop),充分发挥云端规模化效应,系统必须具备端到端的可观测性与可审计性。企业必须能够审计 Agent 做出的每一项决策、访问的每一份敏感数据,以及它生成的合成数据属于何种分类级别用于存储与检索。只有在整个管道的前端与后端都建立起坚实的信任体系,中间层才能真正实现无人干预的自主扩展;否则,业务的规模将被死死限制在人力团队的规模以内,而无法享受云计算级别的无限扩展。这一模式在软件开发生命周期(SDLC)的代码生成领域已被普遍验证,如今正在向更广泛的企业业务流程加速普及。

Michael Gerstenhaber 在强调人机协同与真正云级扩展的差异时明确指出: > “So it is only with trusts in front and trust at the end of that pipeline that the middle is going to scale without a human in the loop, because if it's scaling with a human in the loop, it's really only scaling to the size of your teams and not the size of the Cloud you see it especially in the coding realm, the SDLC really does contemplate a lot of those checks already, which is why you see such an enormous amount of code authorship done in this point.”

```mermaid flowchart LR accTitle: Enterprise Agent Scaling and Trust Architecture accDescr: Diagram illustrating how external data and credentials flow into the enterprise agent pipeline, followed by compliance and auditing for human-out-of-the-loop scaling.

subgraph TrustFront["前端信任与输入"] A["凭证与权限管理"] B["私有数据源<br/>(KYC 数据库 / FDA 临床数据)"] end

subgraph AgentCore["核心智能处理"] C["Gemini Agent 引擎"] D["多模态推理与决策"] end

subgraph TrustEnd["后端信任与落地"] E["决策行为审计"] F["合成数据分类与存储"] end

A --> C B --> C C --> D D --> E D --> F ```

---

[14:21](https://www.youtube.com/watch?v=92LvgAcR6fI&t=861s) 对话实录:公有云客户选择权如何反哺模型进化

随后,Michael 与 David 抛开预设幻灯片展开了现场对话。Michael 首先提问:Google Cloud 几乎承接并交付了 DeepMind 研发的所有模型,那么 Google Cloud 庞大的客户生态反过来是如何帮助 DeepMind 把模型做得更聪明、更快速、更高效的?

David Thacker 回应称,如今已有数百万开发者基于 Gemini 构建应用。在研发和发布新模型时,团队通常会与精选的各类型云端客户进行公开预览(Public Preview)或私有预览(Private Preview),覆盖从敏捷初创团队到超大型企业的广泛用户群。通过深入分析模型在真实场景下的表现、痛点和能力缺口,研发团队能精准判断该正式推出哪款模型,并针对特定能力进行专项调优。David 直言,Google 内部的产品团队固然也在全面使用 Gemini,但内部团队在某种程度上属于“固定受众”(Captive Audience);而云端客户拥有完全自由的选择权,面临市面上大量竞品,只有当模型在实际任务中表现最为卓越时,客户才会最终选用。这种激烈的外部竞争持续倒逼研发团队不断突破模型能力的上限。

David Thacker 这样评价外部客户对 DeepMind 研发的促进作用: > “And so what's great about Cloud customers is you all have choices. You're looking at a variety of different solutions. And so we for you to choose our models, we really have to be the best at what you're trying to accomplish with the model. So it really pushes us to make the models better.”

- **开发者规模**:Gemini 生态已拥有数百万构建应用的活跃开发者。 - **预览验证机制**:通过面向初创公司与大型企业的定向公测/内测反馈,作为模型终选和能力迭代的核心依据。 - **内部 vs 外部视角**:相比必须使用自研模型的内部业务团队,拥有自主选择权的外部云客户是检验模型竞争力的最硬核标尺。

---

[16:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=967s) Google 的全栈优势与原生多模态战略

针对最新发布的 Gemini 3.1 Pro,Michael 询问 DeepMind 如何看待模型基准刷分(Hill climbing)与核心能力壁垒,以及团队在哪些竞争对手可能忽视的领域建立了独特优势。David Thacker 表示,Google 最大的核心护城河在于完全自研的“全栈能力”(Full Stack):从底层专有 TPU 芯片、与硬件团队紧密协同的系统工程,到与 Cloud 团队共同打造的面向量产与下一代超大规模 AI 数据中心,整套架构既保障了超大规模的模型训练,又兼顾了极具成本效益的在线推理服务。

此外,Google 的海量级消费者产品提供了无与伦比的规模验证环境。以彻底被 Gemini 重塑的 Google Search 为例,其 AI Overviews 和 AI Mode 目前正服务于全球超过 20 亿的用户规模,成为全球使用最广泛的生成式 AI 产品。为了以极低延迟向数十亿级用户提供并发服务,整个技术栈和模型架构被优化到了极致效率,这也是体量最小的 Flash 级别模型能够兼具极高推理效率与低成本的根本原因。

在模型底层架构上,DeepMind 从 Gemini 立项之初就坚决走“原生多模态”(Natively Multimodal)路线。David 解释道,构建 AGI 的目标是模拟人类大脑的认知与思考机制,因此多模态理解与生成是原生基础,而非后天拼接。无论是直接上传长视频让模型对现场演讲进行细节挑刺与点评,还是在图像、视频与音频层面的原生生成,都是这一设计哲学的体现。Michael 也补充指出,将原生多模态与 Google 搜索 Grounding(事实核查与联网定位)相结合具有巨大潜力——例如系统能根据用户的定位查询天气,同时直接合成一段该用户身处暴雨之中的拟真视频,直观呈现当天真实的天气体感,这种跨模态串联的工作流正在变得越来越普遍。

David Thacker 在阐述原生多模态对通用人工智能的意义时强调: > “And part of the reason for that is when you're trying to build AGI, we're trying to build an AI system that's going to pattern on how the human brain works, and is able to do the types of cognitive tasks that a human can do. And so it's really important for it to be multimodal.”

- **全栈协同体系**:TPU 硬件芯片设计、AI 智算数据中心网络、模型训练算法与云端高并发推理全面纵向整合。 - **超 20 亿级真实规模检验**:Google 搜索(AI Overviews / AI Mode)的超大规模落地倒逼模型实现了极低延迟与极高运行效率,衍生出了轻量高效的 Flashlight / Flash 架构。 - **原生多模态设计**:摒弃多模块拼接路线,全面覆盖音视频理解、长文本视频批判分析、跨模态内容生成与 Grounding 实时流水线。

---

[18:56](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1136s) AI 编程大繁荣下的取舍:在什么都能造的时代决定“不造什么”

随着 AI 模型在软件工程与整个软件开发生命周期(SDLC)中的能力日益逆天,软件构建的速度被指数级放大。David 向 Michael 抛出了一个核心问题:当 AI 代码生成让构建任何软件都变得唾手可得时,Google Cloud 该如何帮助企业客户不仅明确“该构建什么”,更重要的是明确“不应该构建什么”。

Michael 对此表现出极大兴趣。他回忆起自己在 Datadog 担任产品负责人的七年经历,提到当时几乎所有核心客户——无论是像 Capital One 这样的传统金融巨头,还是像 Airbnb 这样的新兴互联网独角兽——在监控 Kubernetes 容器集群等底层运维基础设施上的诉求与架构都是高度相似的。正当他准备深入剖析标准化基础设施与企业差异化价值之间的界限时,话题引向了企业如何避免重复造轮子的深层思考。

[19:42](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1182s) 模型的三个边界条件:前沿智能、延迟与无限吞吐

在探讨企业级人工智能落地时,Michael Gerstenhaber 指出,企业 AI 的应用从来不是单纯的算力堆砌,而是高度以业务任务为导向的。例如在与汤森路透(Thomson Reuters)合作时,核心讨论的是法律条文的适用性、合同条款究竟对申诉方有利还是对辩护方有利;与大型银行接洽时,关注点则集中在复杂的客户身份验证(KYC)与反洗钱合规审查上。在面对众多客户不知道该拿 AI 构建什么时,首要问题是明确企业自身的独特行业知识壁垒,以及如何建立对模型的信任。

针对模型的工程选型,Michael Gerstenhaber 总结了在实际业务场景中常见的三大边界条件: 1. **智能前沿(Frontier of Intelligence)**:例如编写高度复杂的代码、审查法律合同等任务,这些领域高度依赖顶尖的推理能力。但他也诙谐地打了个比方:如果只是扫描商品目录、提取元数据以判断绿椅子是不是绿色的,“绿椅子再怎么看也不会变得更绿”,这种任务根本不需要触及智能前沿。 2. **极度受限于延迟(Latency-Bound)**:例如紧急呼救中心(911)的调度员,或是 DoorDash 的外卖配送员在紧急情况下实时执行业务政策时,对响应时间有苛刻要求。这时 Gemini Flash 便展现出绝对优势,能在固定的时间预算内输出最强的智能。 3. **无限量规模与吞吐(Infinite Volume)**:对于社交平台进行全网内容审核等场景,平台方无法预测每天会有多少发帖量或内容有多恶劣,预算再高也必须应对近乎无限的数据洪流。为此,源自 Google Search 技术积累的 Flash-Lite 架构正是为了应对此类无限吞吐量而设计的。

“This is where Gemini Flash shines, because it brings the most intelligence to bear possible within a fixed time budget.” Michael Gerstenhaber 总结道。通过对这三大维度的剖析,团队能够帮助客户精准匹配工具,而不是盲目选用单一模型。

```mermaid flowchart LR accTitle: 模型选型三维度框架 accDescr: 根据任务复杂度、时效性及请求规模划分的模型适用边界

subgraph Boundaries["模型选型三大边界条件"] F["智能前沿<br/>Frontier of Intelligence"] L["极度受限延迟<br/>Latency-Bound"] V["无限吞吐规模<br/>Infinite Volume"] end

subgraph Models["匹配能力与用例"] M1["前沿大模型<br/>合同审查/复杂编程"] M2["Gemini Flash<br/>911调度/外卖实时风控"] M3["Gemini Flash-Lite<br/>全网内容审核/海量检索"] end

F --> M1 L --> M2 V --> M3 ```

---

[21:49](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1309s) 上下文工程与“管教模型”的新心智模型

谈及企业客户与模型的交互方式时,Michael Gerstenhaber 幽默地承认,在除自己从业18年以上的专业领域外,“AI 模型在其他任何领域都比我聪明”。因此,最关键的思维转变是:不要试图手把手去指导模型如何按你所想的步骤解决问题,而是应当为其提供足够的战略背景、目标和业务上下文,并学会信任它的推理能力。

这就像在企业里招募高素质的新人——哪怕是一名刚从普林斯顿毕业、仅有一年经验的天才新员工,只要交代清目标,他们也能迅速领会意图;但这并不意味着他们第一天加入 Datadog 就懂时序数据算法。领导者不会在每个细节点上微观管理他们,而是提供培训与上下文,信任他们在实践中逐步摸索成熟。

针对这一点,Michael Gerstenhaber 特别强调了智能体系统与模型的本质区别:“The models are mutable, obviously, but the agents are entirely capable of that kind of self-improvement.” 虽然大语言模型本身的权重参数是固定不变的,但外层的智能体(Agent)系统却完全具备自主进化的能力。

---

[23:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1381s) 谷歌企业智能体平台的构建与运行飞轮

在讨论 Google Cloud 全新发布的 Google Enterprise Agent Platform 时,Michael Gerstenhaber 澄清了一个常见误区:选型模型仅仅是构建智能体的一个环节,智能体平台所包含的内容远比底层模型本身宏大。谷歌将该平台划分为四大支柱:**构建(Build)、扩展(Scale)、治理(Govern)和优化(Optimize)**。

虽然构建和扩展(如提供执行引擎、部署框架及观测插桩管线)是多年来的成熟实践,但本次平台升级的重中之重是**治理**与**优化**的结合。平台支持对智能体的实时行为进行监视,当智能体触发不符合策略的行为时可以即时拦截;更为关键的是,平台能捕捉智能体过去的成功与失败调用链路(Stack Traces),并将这些真实轨迹反哺到上下文窗口中。

“Context engineering isn't a process of writing a lot of English with your hands.” Michael Gerstenhaber 一针见血地指出,真正的上下文工程根本不是靠人工手写大量英文 Prompt,而是直接把一段出错的调用日志丢进上下文窗口并告诉它“下次绝对不要再犯”,模型就能自主进行外推推理,从而让系统越变越好。这种闭环飞轮不仅为企业及客户筑牢了安全防线,更极大提升了智能体的生产力。

---

[25:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1501s) Replit 的多模型实践:全栈运行在 GCP 上的优势

随后话题转向 Replit 副总裁 Michele Catasta。Replit 致力于降低软件创造门槛,普及大众开发能力,自项目启动初期便深度集成了 Gemini 系列模型。Michele 公开赞许了谷歌的产品理念,认为谷歌非常敏锐地意识到“智能绝非一种一刀切(one size fits all)的规格”。

Michele 表示,行业既需要不断突破智能天花板的顶尖前沿模型,同时也离不开像 Gemini Flash 和 Flash-Lite 这样宛如“瑞士军刀”般的轻量化模型。它们可以无处不在地嵌入到产品的微交互中,以极低成本为用户带来令人愉悦的智能体验,而完全不会让用户的预算爆表。

此外,Michele 还强调了云端一体化架构的工程红利: - Replit 的全部基础设施完全运行在 Google Cloud Platform (GCP) 上。 - 通过 Vertex AI 直接调用 Gemini 模型,实现了数据、计算与智能处于同一平台。 - 相比于在多家大模型 API 供应商之间割裂调度,这种架构极大地降低了系统维护成本与站点可靠性工程师(SRE)的运维心智负担。

---

[26:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1567s) 从 5000 万程序员到 20 亿知识工作者的新市场

谈到软件工程范式的转变时,现场气氛十分热烈。过去几十年,整个软件工程行业的目标受众仅限于全球 3000 万到 5000 万名专业开发者——那些懂得什么是 Kubernetes、腰挎寻呼机、随时可能在凌晨被报警叫醒的专业工程师。但如今,这一界限正在被彻底打破。

“You don't need to know what Kubernetes is to be an engineer anymore.” 现场探讨道。现在的受众群体已经急剧扩大,直接拓展到全球大约 15 亿至 20 亿的知识工作者。只要有逻辑和想法,任何人都可以成为构建者。

关于开发者角色向管理者的演进,Michele 透露 Replit 在同年 3 月初推出了 Replit Agent(前称 Agentforce/智能体驱动),彻底重塑了人机交互模式: - **从“编写者”转变为“项目经理”**:用户不再需要逐行写代码,而是花费更多精力在架构构想和规划上。 - **后台自主编排**:平台在底层拉起多个并行执行的子 Agent 来完成具体开发、排错与运行任务。 - **降低认知负荷**:专业极客或许能在终端里同时监控几个 Shell、调试数个 IDE,但普通知识工作者承受不了同时管理几十上百个 Agent 的心智负担。Replit 的目标就是将这些复杂度隐藏在底层,让用户在甚至未察觉到多智能体运行的情况下,就能直接拿到结果。

---

[28:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1687s) 应用层的核心价值:不仅仅是软件构建

在被问及 Replit 如何在底层大语言模型之上构建核心壁垒与附加值时,Michele Catasta 强调了模型之上“应用层”(Application Layer)的决定性地位。虽然底层大模型的演进速度前所未有地迅猛,但模型本身只代表“原始力量”(Raw Power)。

对于极客与高阶用户而言,原始算力足以让他们自行拼装工作流并找到顺手的工具;然而,广大的知识工作者需要的不是复杂的模型调用接口,而是一个能直接帮他们达成目标的完整系统。

“So over time, we're starting to think even less about a software-centric view for Replit, it's more a place where you can accomplish a knowledge worker task...” Michele 解释道。Replit 的愿景正从纯粹的“以软件为中心”逐步演化为“知识工作者的任务交付中心”。无论是生成一个应用程序,还是由智能体驱动生成一套演示幻灯片(Slide Decks)或是动态视频,应用层的价值就在于将模型算力封装为直截了当的最终成果。

[29:20](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1760s) 隐藏底层复杂度:Replit 依托 Google Cloud 的极简研发与运维循环

在探讨现代软件创建的变革时,Michele Catasta 强调,Replit 的目标是让用户无需深入图灵背景即可尽情发挥创意来编写软件,而将写代码、维护代码和发布应用的全部复杂性完全隐藏在幕后。很多用户可能并未意识到,在 Replit 上构建软件所获得的稳定性与质量,完全等同于 Google Cloud 部署级别,因为 Replit 底层直接运行在 Cloud Run 和 Google Cloud Storage(GCS)之上。这意味着,即使开发者只是随手做个 MVP(最小可行产品)或快速原型,也已经具备了“一夜之间扩展至数百万用户”的高可用架构支撑。这种将软件编写、日常维护以及 DevOps 彻底托管给平台的模式,从根本上重塑了传统的软件开发生命周期(SDLC)。

面对主持关于“未来软件构建长什么样”的提问,Michele Catasta 明确表示,行业将不再把重心放在传统 SDLC 上,因为在 Replit 上的开发流程实质上被压缩成了“两跳”(two hops):创建软件,然后重新发布,其余的所有繁杂环节全都在后台静默完成。Replit 引入了名为“生产环境智能体(Prod Agent)”的常驻系统,该 Agent 会不间断轮询并监控用户的实际部署,实时监测数据库查询是否足够快、日志中是否存在报错,并主动给出修复方案。就在当天,Replit 还正式上线了依赖库安全追踪功能,一旦 CVE 公布了新的依赖漏洞,平台会立即发出预警并生成具体的修复任务,用户只需轻轻点击接受并重新发布应用即可。正如 Michele Catasta 所概括的那样:“我们在大学里学到的那些包含好几个不同步骤的周期——先写需求,然后创建软件,再写测试——我认为这一切都被压缩成了你在 Replit 上的这种创作体验,一旦准备就绪,直接发布下一个版本即可。”

```mermaid flowchart LR accTitle: Replit 极简开发流与自动化运维架构 accDescr: 展示用户在 Replit 的两步循环以及底层由 Google Cloud 和智能体支撑的自动化闭环

subgraph UserExp["用户侧体验 (两跳循环)"] A["1. 创意输入与生成"] --> B["2. 审查变更与发布"] end

subgraph Background["底层架构与常驻 Agent"] C["Prod Agent (性能监控 / 日志诊断)"] D["安全依赖追踪 (CVE 漏洞自动修补)"] E["Google Cloud 基础设施 (Cloud Run + GCS)"] end

B -->|"触发部署"| E E -->|"遥测与日志"| C C -->|"提供优化 / 修复建议"| B D -->|"推送修复 Task"| B ```

- **底层基础设施**:依托 Cloud Run 和 Google Cloud Storage,确保原型从第一天起就具备支撑数百万用户的水平扩展能力。 - **Prod Agent 核心能力**:持续检查查询响应延迟、抓取系统错误日志,并向用户推送针对性的修复建议。 - **自动化安全运维**:集成最新 CVE 漏洞数据库,检测到脆弱依赖项后自动生成待办任务,用户单击“接受”即可完成依赖升级并发布。

---

[31:17](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1877s) 动态模型编排:Flash 模型的“降维打击”与高频日常迭代

当被问及平台如何为不同任务挑选合适大小的模型,以及模型调优背后有何考量时,Michele Catasta 回顾了团队早期接触 Gemini 1.5 Flash 及其轻量级版本的经历。最初对这些模型的评估在很大程度上完全靠“感觉(vibes)”,团队试图探查这些轻量级模型的性能上限究竟在哪里,而结果屡屡超出预期。他分享了一个极为关键的产品观察:一个较小的 Flash 模型通常只比六个月前的最前沿模型(Frontier Model)落后半年;换言之,当下使用 Flash,实质上是用极其廉价的成本享受半年前昂贵前沿模型的能力。这种技术代际推进速度彻底颠覆了产品路线图的规划逻辑——那些当下对全球长尾用户而言成本过高的 AI 功能,只需等待六个月就能低成本普及。Michele Catasta 直言:“这就是为什么我对更小体量的模型感到无比兴奋。”

如今,Replit 对多模型的测试与编排已告别凭感觉的阶段,演变为极其严苛的工程体系。团队在线上运行着海量实时评估(Online Evals),每天都有多个版本的 Agent 面向全体用户进行 A/B 测试。核心目标是持续探测:哪些子任务或辅助功能可以通过智能水平较低、成本更便宜的小模型来搞定。Michele Catasta 解释道,这是一个永不停歇的调优循环:“基本上每天晚上,我们都会为所有人重新部署一个全新的 Agent。”平台会根据评估数据动态重新分配工作流中的任务路由,把复杂的推理留给主力模型,将边缘操作分流至 Flash 等高性价比模型,在保证构建准确率的同时最大化降低单次调用的延迟与开销。

- **前沿与轻量模型的时延差**:Flash 类小模型通常以约 6 个月的延迟追平前沿模型的智力水平,但成本实现断崖式下降。 - **产品演进策略**:在产品设计中提前构思高算力特性,等待轻量模型成熟后立刻下沉至长尾免费或低门槛用户群。 - **高频发布节奏**:借助持续的线上 A/B 测试动态微调各环节模型分配,实现每晚更新并部署一次 Agent 编排流水线。

---

[32:48](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1968s) 面对海量独特应用的评估策略与代码生成的“12个月巅峰”

在评估测试(Evals)的执行细节上,主持人提出疑问:由于 Replit 必须支持用户构建五花八门的各种应用,平台该如何进行端到端测试,又有哪些环节必须交由最终用户自行评判?Michele Catasta 回应称,团队确实投入了巨大精力构建离线评估(Offline Evals),并与 Google 的 Gemini 团队保持密切合作,定期向对方反馈测试集上的模型跑分与表现洞察。然而,由于线上构建的应用千奇百怪,很多代码需求就像早期的 Google 搜索查询一样——高达一半的查询是平台上从未出现过的独一无二的新模式。面对这些“唯一雪花”般的应用,自动化系统很难直接断定一个项目是否已经百分之百成功交付。

针对这一挑战,Replit 将重心放在了用户真实行为的情感分析与长期留存追踪上:通过追踪用户是否持续与特定应用交互、构建步骤中的满意度反馈等指标来反推 Agent 的实际成功率。过去一年半中,用户的留存度与成功率呈现出极为稳健的上升曲线,这既归功于底层基础模型(如 Gemini)越来越强,也得益于 Replit 自身上下文环境与 Agent 体系的成熟。针对未来的代码模型,Michele Catasta 做出了一个大胆的阶段性预判:他预计这些指标在未来一年内可能会迎来平台期(plateau),因为平台和 Web 编程环境中构建的应用大多数属于相对简单的业务逻辑,遵循现成的代码模式与范式(playbooks),远不需要像在 Google Cloud 上从零构建一个分布式数据库那么繁复。Michele Catasta 满怀信心地展望道:“我对接下来的这 12 个月感到无比兴奋,因为在编程 Agent 所能达到的能力上限方面,我们可能很快就会见证一个巅峰。”

- **离线与线上双轨 Evals**:一方面构建标准化离线基准并向 Gemini 研发团队同步洞察,另一方面以线上用户会话行为作为终极评估标准。 - **搜索级长尾特性**:约 50% 的用户构建请求属于完全未见过的独立应用形态,无法依赖硬编码的单元测试进行统一校验。 - **行业拐点预测**:针对 Web 常见架构的范式化开发,模型能力将在未来一年内接近全面覆盖的极限高度。

---

[34:33](https://www.youtube.com/watch?v=92LvgAcR6fI&t=2073s) 软件原型革命与 SaaS 内部工具的重塑

对话尾声,主持人抛出了最后一个关于开发者生态的问题:既然多达一半的项目都是独一无二的“雪花”,那么在企业级用户或周末极客(Weekend Warriors)的构建行为中,是否存在通用的行为模式?Michele Catasta 总结指出了两种最为典型的落地演进路径。第一种是跨越“从 0 到 1”的极速功能原型化。现在用户在平台上的第一天操作,已经不再是做一个简易的前端静态页或 Marketing Landing Page,而是直接生成一个底层打通、具备完备后端逻辑的功能性原型。这一能力彻底改变了企业的决策流程,正如 Michele Catasta 所描述的:“你带着它去参加与决策者、利益相关者的会议,突然之间,你不再是拿着一份演示 PPT 或是六页纸的长篇报告进场,而是直接分享一个 URL;他们当场点击并试用原型,测试你的产品想法,然后现场给出‘赞’或‘踩’的决断。”

第二种更深远的趋势则是内部工具的平民化自建,这正在重塑整个 SaaS 行业的演变轨迹。以往企业需要购买大量零碎的商业 SaaS,而现在大量企业选择在 Replit 上直接构建定制化的内网系统。Michele Catasta 以自家公司为例分享道,Replit 内部自身就是极度的“狗粮品尝者”(dogfooding):“我可以告诉你,如果你今天来看看 Replit 内部,我们日常使用的软件中大概有 80% 都是直接在 Replit 上构建的。”从人力资源(HR)、销售支撑到财务结算工具,全部依托自家平台搭建并运转,而类似的现象正在全行业各家企业中加速铺开。最后,主持代表 Google 对 Replit 团队深度使用 Gemini 模型并持续回馈高价值的技术反馈表示感谢,双方在掌声中结束了本次炉边对谈。

- **原型沟通范式跃迁**:产品验证从传统的“PPT / 6页备忘录汇报”转变为“可直接交互的在线 URL 验证”,极大缩短决策周期。 - **内部工具自研化侵蚀 SaaS**:企业内部工具开发门槛骤降,Replit 内部 80% 的日常办公工具(覆盖 HR、销售、财务)均实现自建自用。 - **双向生态协同**:Replit 的前沿 Agent 实践为 Google DeepMind 的 Gemini 系列模型落地与微调提供了关键的真实场景数据输入。

## Notable quotes > [26:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1567s) You don't need to know what Kubernetes is to be an engineer anymore.

> [23:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1381s) Context engineering isn't a process of writing a lot of English with your hands. — Michael Gerstenhaber

## Mentioned Google DeepMind, Google Cloud, Vertex AI, Gemini, Gemini 3, Gemini 3.1 Pro, Gemini Flash, Gemini Flash-Lite, David Thacker, Michael Gerstenhaber, Michele Catasta, Replit, Replit Agent, Gemma, Gemma 4, Gemini Live, Lyria 3 Pro, Gemini Deep Research, Genie 3, Gemini Robotics ER 1.6, Boston Dynamics, Spot, Cloud Run, Google Cloud Storage, Thomson Reuters, DoorDash, Datadog, Capital One, Airbnb, Anthropic, Claude 3, Kubernetes

## Video description Join Google DeepMind for an exclusive look at what’s new with Gemini and the research breakthroughs defining the next generation of multimodal intelligence. We’ll showcase new workflows and demos designed to empower and inspire developers to build and scale agentic applications with Gemini. Discover what Gemini 3’s upgraded model reasoning, expanded context window processing, and enhanced multimodal tool use can enable in Vertex AI. And learn more about the research advancements for Gemini that are driving agent design.

Watch more Google Cloud Next 2026 Sessions → https://goo.gle/gcloud-next-2026 Subscribe to Google Cloud Tech → https://goo.gle/GoogleCloudTech

Speakers: David Thacker, Michael Gerstenhaber, Michele Catasta

BRK2-084 #GoogleCloudNext"

[Source](https://www.youtube.com/watch?v=92LvgAcR6fI)

中文简报

Google DeepMind 带来 Gemini 最新进展 Google DeepMind 与 Google Cloud 联合推出了涵盖 Pro、Flash 和 Flash-Lite 的 Gemini 3.1 系列模型,以及 Gemma 4、Gemini Live 原生音频、Genie 3 世界建模和 Gemini Robotics ER 1.6 等前沿计划。本次展示探讨了 Google 如何在构建、扩展、治理和优化智能体等核心支柱上,保持内部消费级产品与 Google Cloud 企业级智能体平台之间的严格一致性。最后通过实际案例,Replit 展示了分层级 Gemini 模型如何压缩软件开发生命周期、让知识工作者的软件创作走向平民化,并赋能企业定制内部业务工具。 Google DeepMind 在消费级与企业级产品之间保持了基础模型的完全对齐,在向内部搜索、YouTube 和 Gmail 推出 Gemini 3.1 模型的同一天,即将其部署给 Google Cloud 客户。 (1:18) DeepMind 拓展了其生成式媒体与自主智能体产品线,涵盖 Gemma 4 开放权重(20亿至300亿参数)、原生语音转语音的 Gemini Live、Genie 3 交互式 3D 世界模型,以及部署在波士顿动力 Spot 机器人上的 Gemini Robotics ER 1.6。 (4:12) Google Cloud 围绕构建、扩展、治理和优化这四大运营支柱搭建其企业智能体平台,利用实时堆栈跟踪检查来执行策略,并将执行跟踪动态注入上下文窗口以实现自我改进。 (23:01) Replit 报告称,高效的 Flash 级模型仅需极低成本即可达到半年前前沿模型的能力,在自主后台智能体的驱动下,将传统的多阶段软件开发生命周期压缩为快速创建与重新发布的闭环。 (29:20)

精炼阅读摘要

Google DeepMind通过统一的Gemini 3.1模型系列,将原本驱动Google核心产品(如搜索和Gmail)的同等能力直接赋能给Google Cloud企业用户,旨在构建一个跨行业、能够执行复杂任务的智能体平台。通过与Replit等合作伙伴的反馈闭环,DeepMind持续迭代其从最前沿逻辑推理到高效生产部署的多层次模型架构。 模型层级与部署的一致性 (1:18) David Thacker指出,Google已将AI模型开发集中在DeepMind,并废除了内部团队与外部企业用户之间的阶梯式模型划分。Gemini 3.1家族包括三个核心层级:针对STEM、复杂推理与多步骤规划的Pro版;平衡速度与推理性能的Flash工作负载模型;以及专为低延迟、高吞吐设计的Flash-Lite版。所有这些模型在发布时均与Google内部产品实现同步部署,确保企业客户能即时获取与Google核心业务相同的AI生产力。 Gemini 3.1不仅在逻辑推理上有所增强,更在原生多模态领域表现突出,能够直接理解视频、音频、图像及代码的交错数据。Thacker强调,这种模型对齐策略旨在为不同需求的企业提供从科研级分析到大规模内容处理的全面支持。 企业代理平台与落地保障 (10:42) Michael Gerstenhaber强调,企业级AI代理不仅需要强大的基础模型,更需具备数据治理、 credentialing(凭证管理)及端到端可审计性。企业在部署AI时,必须将临床试验数据库或KYC(了解你的客户)记录等私有数据安全地锚定到代理工作流中。他指出,如果AI规模化扩展依赖于“人在回路”的模式,其上限仅限于团队规模;只有构建起稳固的信任边界与审计机制,代理系统才能在无需人工干预的情况下实现真正的云级扩展。 针对企业如何应用AI的问题,Gerstenhaber提出了三个边界条件:在需要深度分析时使用Pro级模型;在紧急且时效性强的业务(如911调度或配送决策)中利用Flash优化响应时间;在大规模、无法预估请求量的任务(如互联网内容审核)中使用Flash-Lite。这种基于任务特性的架构选择,是企业实现AI价值的核心。 代理自动化与反馈闭环 (14:21) Gemini平台的持续进步得益于与数百万开发者和企业的反馈互动。Thacker提到,与Google内部固定的“俘获性受众”不同,Cloud客户拥有选择竞品的权利,这种竞争压力迫使DeepMind不断优化模型的效能。此外,平台引入了“背景工程”概念,允许企业通过注入运行轨迹(traces)来直接优化代理行为,无需大量编写指令即可让代理在错误中自我纠正。 Replit的实践进一步验证了这一逻辑。Michele Catasta介绍,Replit通过实时A/B测试和夜间自动化部署,动态决定哪些任务分配给轻量级模型。这种做法极大地压缩了软件开发周期(SDLC),使开发人员从手动编写代码转向代理管理,由后台的生产与安全代理实时监控并建议修复方案。目前,Replit内部约80%的HR、销售和财务工具均由其自身平台构建。 技术民主化与未来趋势 Replit通过将复杂的系统基础设施(如Kubernetes)抽象化,旨在将软件创建的门槛从专业程序员降低至大众知识工作者。Catasta预测,传统的“需求-编写-测试-部署”步骤已演变为一个持续的“创建与重新发布”循环,底层基础设施由Google Cloud提供保障。这种模式使得用户能够迅速构建功能型原型,甚至直接在会议中展示可互动的软件产品,而非仅限于静态演示。 该演进反映了AI作为“杠杆”对行业格局的深远影响。Thacker与Catasta一致认为,随着模型能力逐渐达到软件开发范式的饱和,未来的竞争重心将从单一的基准测试分数转移到如何利用这些AI工具实现 frictionless(无摩擦)的业务成果,从而推动AI在各个地理区域和行业的普及。 该发布会重申了Google将前沿AI模型与云基础设施高度整合的战略。目前的挑战在于如何处理海量未知的定制化业务需求,以及如何在保持低成本的同时,确保AI代理在无人干预情况下的合规性与决策准确性。

Detailed notes — zh

## Background 本内容由频道 Google Cloud Tech 于 2026 年 6 月 25 日发布在 YouTube 平台上,记录了 Google Cloud Next 2026 大会的分论坛实录。视频简介指出,本场由 Google DeepMind 与 Google Cloud 联合呈现,重点探讨了 Gemini 3 系列模型的最新前沿突破、原生多模态智能体工作流,以及如何通过 Vertex AI 与 Replit 等实际生态赋能开发者构建与规模化部署 Agent 应用。 ## TL;DR 分享首先由 Google DeepMind 产品副总裁 David Thacker 盘点全局模型技术,系统介绍了 Gemini 3.1 家族、Gemma 4、实时音频端到端模型、Genie 3 世界模型以及面向机器人的 ER 1.6 具身推理架构。随后,Google Cloud 副总裁 Michael Gerstenhaber 阐述了企业级智能体平台如何在数据访问、安全审计与治理飞轮中移除人工干预,并提出了衡量模型选型的前沿智能、延迟与吞吐三大边界条件。最后,Replit 总裁 Michele Catasta 详述了其全栈依托 Google Cloud 的实践,揭示了 Flash 模型以低成本降维打击前沿能力的趋势,并预测代码生成 Agent 将在未来 12 个月内迎来覆盖 Web 开发的能力巅峰。 ## Atmosphere & style 整场对话兼具工业级严谨与极客务实风范,台上三位重量级技术决策者摒弃了空洞的概念炒作,展现出高度同频、默契自然的协同气场。交流过程中穿插着幽默打趣与坦诚的工程反思——从现场意外响起的动感音乐玩笑,到坦言大模型在多数领域早已比自己更聪明,现场节奏在严密的技术架构剖析与生动的现实类比之间流畅切换。聆听全程仿佛置身于一场顶级闭门技术炉边会谈,能够真切感受到前沿基础科研与海量真实云业务在碰撞中激发的爆发力与笃定感。 ## Bulletin - [02:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=121s) Google DeepMind 正式推出 Gemini 3.1 家族及前沿模型矩阵,包括 Pro、Flash、Flash-Lite 阶梯,以及开源 Gemma 4、原生音频 Gemini Live、Genie 3 世界模型和已落地波士顿动力机器人的 Gemini Robotics ER 1.6。 - [16:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=967s) Google 强调其全栈纵向整合(自研 TPU、全球智算网络至消费级产品)优势,其模型在承载超 20 亿用户的 Google 搜索 AI Overviews 中完成了极低延迟与超大规模高吞吐的实战验证。 - [19:42](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1182s) 针对企业 Agent 落地,Google Cloud 提出选型三大边界条件(智能前沿、延迟受限、无限吞吐),并指出真正的上下文工程在于让系统自主吸收报错调用栈并完成闭环治理,而非单纯依赖人工手写 Prompt。 - [29:20](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1760s) Replit 依托 Google Cloud(Cloud Run/GCS)实现将传统 SDLC 压缩为“生成与发布”两步循环,并观察到 Flash 等轻量模型仅比前沿模型滞后约 6 个月,预测 Web 代码生成能力将在未来 12 个月内触及上限巅峰。 ## Key takeaways - [00:14](https://www.youtube.com/watch?v=92LvgAcR6fI&t=14s) Google DeepMind 自创立起便以通用人工智能(AGI)为目标,目前作为 Google 全局模型研发引擎,其对公有云开放的模型与 Google 内部核心产品采用的版本完全同步且同日上线。 - [02:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=121s) Gemini 3.1 核心聚焦四大能力突破:高阶复杂推理、原生多模态交互、端到端 Agent 规划执行以及数万工程师日常重度依赖的底层编程能力。 - [04:12](https://www.youtube.com/watch?v=92LvgAcR6fI&t=252s) DeepMind 前沿矩阵多点开花:推出 2B 至 30B 的 Gemma 4 开源模型、端到端实时双向音频 Gemini Live、Genie 3 交互式三维世界模型,以及赋能 Boston Dynamics Spot 机器狗具身视觉判读的 Gemini Robotics ER 1.6。 - [10:38](https://www.youtube.com/watch?v=92LvgAcR6fI&t=638s) 企业 Agent 迈向云级无限扩展的核心瓶颈在于前后端的信任与审计机制,若缺乏端到端的数据凭据控制与决策审计,流水线扩张将被牢牢限制在人力团队规模之内。 - [14:21](https://www.youtube.com/watch?v=92LvgAcR6fI&t=861s) 拥有自由选择权的公有云外部客户构成了检验模型竞争力的最硬核标尺,通过高频公测/内测反馈倒逼 DeepMind 突破模型能力上限,形成反哺 AGI 演进的正向循环。 - [16:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=967s) DeepMind 坚守原生多模态(Natively Multimodal)底层架构设计,旨在模拟人脑认知机制,结合 TPU 全栈自研基础设施与超 20 亿级用户规模压测,实现了顶尖性能与极致推理成本的兼顾。 - [19:42](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1182s) 企业级模型选型应依据三大边界条件理性决策:编写核心代码或复杂合同审查依赖“智能前沿”,911调度等强实时场景选用“受限于延迟”的 Flash,而海量内容审核等场景则需采用专为“无限吞吐”打造的 Flash-Lite。 - [21:49](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1309s) 上下文工程的新心智模型是将模型视为具备高阶潜力的顶尖新员工,企业不应微观管理具体执行步骤,而是输入业务目标并直接将执行失败的错误栈丢给智能体以实现自主推理修正。 - [26:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1567s) 软件工程受众正从全球 3000-5000 万专业开发者剧增至 15-20 亿普通知识工作者,用户的角色正从逐行编写代码的程序员转变为管理底层多 Agent 协作的“项目经理”。 - [29:20](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1760s) Replit 依托 Google Cloud 托管设施,将软件工程重塑为两步极简循环,并通过后台常驻的 Prod Agent 与 CVE 漏洞追踪系统,实现自动化性能诊断与一键安全补丁部署。 - [31:17](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1877s) Flash 等轻量模型的智力演进速度大约落后前沿模型半年,但成本极低,Replit 通过每晚全量部署新版路由 Agent 进行动态流量编排,以极低预算普及高级 AI 特性。 - [32:48](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1968s) 面对线上 50% 以上独一无二的长尾应用需求,传统离线测试难以完全覆盖,但 Web 范式化编程 Agent 的综合能力预计将在未来 12 个月内触及成熟度天花板。 - [34:33](https://www.youtube.com/watch?v=92LvgAcR6fI&t=2073s) 生成式 AI 原型开发彻底改写了商业决策与 SaaS 市场:沟通从提交长篇 PPT 跃升为直接试玩功能性 URL,企业也因开发门槛骤降而大范围自建内部业务工具,直接冲击传统 SaaS 生态。 ## Detailed walkthrough ### [00:14](https://www.youtube.com/watch?v=92LvgAcR6fI&t=14s) 开场介绍与 Google DeepMind 的发展历程 Google 企业级 Gemini Agent 平台产品管理副总裁 Michael Gerstenhaber 宣布会议开始,并邀请同台嘉宾进行自我介绍。首先发言的是常驻加利福尼亚州的 Google DeepMind 产品副总裁 David Thacker,他负责构建模型的产品团队,同时领导 DeepMind 的应用 AI(Applied AI)团队。随后发言的是 Replit 总裁兼 AI 负责人 Michele Catasta,他向全场介绍了 Replit 的核心愿景,即打造一个“让每个人都能实现软件创作平民化”的平台。议程安排由 David Thacker 先盘点 DeepMind 的全局技术进展,接着由 Michael Gerstenhaber 讲解 Google Cloud 如何将这些模型转化为产品能力,最后由 Replit 分享其落地应用实践。 ```mermaid flowchart LR accTitle: DeepMind 模型研发到商业落地的协同架构 accDescr: 展示从 DeepMind 研发到 Google 内部产品协同,再到 Google Cloud 及生态伙伴的链路。 subgraph GDM["Google DeepMind (研发引擎)"] GEM["Gemini 3.1 核心模型家族<br/>(Pro / Flash / Flash-Lite)"] ADV["前沿创新矩阵<br/>(Gemma / 音频 / 媒体 / 机器人)"] end subgraph Internal["Google 内部生态"] APPS["Search / YouTube / Gmail<br/>全线自研应用验证"] end subgraph Cloud["外部交付与生态"] GCP["Google Cloud Platform<br/>(Vertex AI 商业化部署)"] PART["生态伙伴集成<br/>(例如:Replit / Boston Dynamics)"] end GEM --> APPS GEM --> GCP ADV --> GCP GCP --> PART ``` David Thacker 回顾了 DeepMind 的创立使命。DeepMind 于 2010 年在伦敦作为一家初创公司成立,最初的目标是研发通用人工智能(AGI)。他感叹道: > “And back in 2010 nobody else was doing that. It was truly science fiction back then, but the company was really committed to this vision.” > —— David Thacker 2014 年 Google 收购 DeepMind 后,前五至六年基本保持了其独立运营。过去三年间,DeepMind 被完全纳入 Google 核心体系,被定位为整个公司的“动力机房”(engine room),集中统一负责 Google 所有的 AI 模型研发。即便整合入巨头内部,DeepMind 仍由创始人兼 CEO 掌舵,保持着创业团队的敏捷节奏。 ### [02:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=121s) Gemini 3.1 模型家族与核心能力聚焦 作为 DeepMind 最引以为傲的成果,Gemini 系列模型问世仅两年多,目前已迭代至 3.1 版本。该系列根据不同算力与业务场景划分为三种尺寸阶梯: - **Pro 模型**:旗舰级最高性能模型,擅长驱动自主智能体(Agent),在代码编写以及 STEM(科学、技术、工程、数学)等深度逻辑计算场景中表现优异。 - **Flash 模型**:性能与计算效率的黄金平衡点,是整个家族中应用最广泛的“主力驮马”(workhorse)。 - **Flash-Lite 模型**:体积最精简、推理速度最快、极致性能功耗比的轻量化选择。 David Thacker 强调,Google 研发这些模型的目标是赋能全系产品。他的团队与 Google Search、YouTube、Gmail 等团队深度绑定,旗下业务均已全面由 Gemini 驱动。更为关键的是,Google 产品采用的模型与 Google Cloud 开放给外部客户的模型完全一致,多数情况下云端上线与内部产品发布同日同步。 针对 Gemini 3.1 的研发重心,团队在四大领域实现了突破性提升: - **推理能力(Reasoning)**:模型在复杂逻辑推演与深度思考上展现出显著优势。 - **原生多模态(Multimodal Understanding)**:自立项初期就采用全多模态原生架构,具备在视频、文本、音频、图像以及代码之间进行跨模态交互与分析的能力。 - **Agent 赋能(Agentic Capabilities)**:重点强化了跨不同环境执行复杂多步骤规划以及灵活调用外部工具的能力。 - **编程能力(Coding)**:Google 内部数以万计的软件工程师每日重度依赖 Gemini 编写系统代码,编程也被团队视为通向多种复杂高级任务的基础构建基石。 ### [04:12](https://www.youtube.com/watch?v=92LvgAcR6fI&t=252s) 前沿模型矩阵:Gemma、实时音频与多媒体生成 除了 Gemini 主线,DeepMind 在科学计算、机器人技术与生成式多媒体等前沿领域均有广泛布局。近期发布的开源权重模型 Gemma 迎来了第四代迭代(Gemma 4),这套开源模型脱胎于 Gemini 3 架构家族,参数规模从 20 亿(2B)延伸至 300 亿(30B),支持广泛的多语言理解,并内置视频与音频理解能力,是设备端(On-device)部署或微调特定领域下游任务(Task-specific)的理想工具。 ```mermaid flowchart TD accTitle: Google DeepMind 前沿模型生态全景 accDescr: 分类展示 DeepMind 除 Gemini 外在开源、音频、媒体、研究与物理世界的核心模型。 subgraph MultiModal["感知与生成模态"] Gemma["Gemma 4<br/>(2B-30B 开源权重模型)"] GLive["Gemini Live<br/>(原生双向端到端音频)"] Lyria["Lyria 3 Pro<br/>(图文生音乐,达3分钟)"] end subgraph SpatialAgent["推理与空间实体"] GDR["Gemini Deep Research<br/>(多源检索研报 Agent)"] Genie["Genie 3<br/>(交互式 3D 虚拟世界模型)"] Robotics["Gemini Robotics (ER 1.6)<br/>(具身推理与机器人感知)"] end MultiModal -.->|"全模态扩展"| SpatialAgent ``` 在交互式语音领域,团队打造了名为 Gemini Live 的原生端到端音频模型。该模型跳过了传统的“语音转文字再转语音”链路,支持直接输入音频 Token 并实时输出音频 Token,将响应延迟压缩至极低水平。模型具备高度的表达力(Expressiveness),能够接收指令并模仿人类的情感语调,通过“主动式音频”(Proactive Audio)技术实现实时情绪共鸣。David Thacker 明确表示:“We really think we're really bullish on voice as a modality to engage with intelligence and with AI models.” 多媒体生成方面,DeepMind 涵盖了图像、视频与音频生成产品线。最新发布的音乐生成模型 **Lyria 3 Pro**,仅凭简短的文本 Prompt 甚至单张图像,便可一键生成最长达三分钟、包含完整配器与人声歌唱的完整歌曲,目前已在 Gemini 消费者端应用上线。 ### [06:49](https://www.youtube.com/watch?v=92LvgAcR6fI&t=409s) Deep Research、Genie 3 世界模型与具身推理(Embodied Reasoning) 针对复杂调研场景,DeepMind 正式推出了 **Gemini Deep Research Agent**。该智能体只需单次 API 调用,即可跨越公共互联网执行广度与深度检索,同时能够与企业自有私有数据源进行深度 Grounding。输出成果不仅包含严密的结构化文字长文,还能自动合成数据图表与信息图(Infographics),为复杂的企业分析工作流提供首道研究分析底座。 在空间智能与仿真方面,团队展示了名为 **Genie 3** 的最新世界模型。在演讲现场背景音突然响起一阵动感音乐时,David Thacker 幽默地插话打趣道:“That's some great music. Sounds like jump by Van Halen.”随后他展示了 Genie 3 的能力:用户通过纯文本或单张图片输入,即可生成可由键盘实时控制角色视角的交互式 3D 虚拟世界。该模型在泛娱乐、教育沉浸式体验、内容生成与游戏设计上具备颠覆性,但其更为重大的长远战略价值在于机器人领域——为自主智能体提供逼真的物理世界交互模拟沙盒。 在连接物理世界与 AI 的终极前沿,DeepMind 推出了最新的机器人具身推理模型 **Gemini Robotics ER 1.6**(ER 代表 Embodied Reasoning)。该模型充当智能大脑,直接接入机器人机械结构,将顶级推理决策和高精度视觉分析灌输给物理硬件。波士顿动力(Boston Dynamics)已在其四足巡检机器人 Spot 上部署了 ER 1.6,使其具备了自主盘点巡检环境物品、精准辨识并读取工业仪表盘指针数值等此前纯机械算法难以攻克的复杂认知操作。 - **Gemini 深度研究 Agent**:支持公网与本地知识库双重校验,具备输出 Infographic 可视化图表能力。 - **Genie 3 世界模型**:面向 AI Ultra 订阅者开放试用,实现文本/图像直接生成可探索交互式三维世界。 - **Gemini Robotics ER 1.6**:首批赋能 Boston Dynamics Spot 机器狗,拓展了对工业场景高难度复杂仪表的视读理解能力。 ### [09:56](https://www.youtube.com/watch?v=92LvgAcR6fI&t=596s) Google DeepMind 与 Google Cloud 的深度协同 Google DeepMind 正在将其驱动 Google 核心产品的同款先进模型全面引入 Google Cloud 平台。David Thacker 指出,DeepMind 团队与 Google Cloud 团队保持着极为紧密的合作,双方的核心团队每天至少沟通交流一次,共同讨论模型的落地与反馈。DeepMind 的终极目标是构建通用人工智能(AGI),而来自真实世界中丰富且多元的实际应用场景,对于模型的持续迭代与进化至关重要。每当 DeepMind 在 Google Cloud 平台上推出新模型,便能在第一时间获得海量开发者与企业客户的快速采用,这种即时落地的数据与反馈反过来加速了前沿研究的突破。 随后,David Thacker 将舞台交给了 Google Cloud 的 Michael Gerstenhaber,请他阐述 Google Cloud 是如何承接并规模化部署这些尖端 AI 能力的。 - **核心合作机制**:DeepMind 与 Google Cloud 团队每天至少进行一次甚至多次高频对齐,确保研发成果无缝同步到云端基础设施。 - **研究驱动目标**:构建 AGI 离不开多维度、复杂多样的真实业务场景打磨,开发者的即时采用为模型演进提供了不可或缺的真实反馈环。 --- ### [10:38](https://www.youtube.com/watch?v=92LvgAcR6fI&t=638s) 从全球网络到企业级 Agent:数据访问与信任审计 Google 在基础设施与模型应用领域已深耕二十余年。Michael Gerstenhaber 回顾道,DeepMind 开创了模型技术的前沿,而 Google Cloud 则拥有深厚的基础设施底蕴。Google 原本为了在 75 毫秒内将一段“猫咪视频”从纽约传输到东京而构建的全球网络基础设施,在当下的 AI Agent 时代展现出了不可替代的价值。例如,一名正在维修飞机的机械师需要通过语音向操作手册助手(Agent)寻求实时指引,他们需要双手保持作业,需要极低的响应延迟,而不再是停下来翻阅纸质手册;与此同时,Google Maps 和 Street View 等业务积累的图像处理经验,也为模型的大规模多模态推理提供了强大的技术复利。 谈到当前企业构建 Agent 的痛点时,曾在 Anthropic 负责发布 Claude 3、并在加入 Google 后主导 Gemini 3 发布的 Michael Gerstenhaber 指出,诸如 Gemini 2.5 或 Gemini 3 的能力对于大量企业工作流来说已经绰绰有余(尽管编写顶级代码仍需依赖处于智能前沿的 3.1 模型)。银行的 KYC(了解你的客户)合规审查流程、生物医药及生命科学客户针对临床试验数据集的统计分析,早在几个月前就已普遍采用这些模型。然而,Agent 虽然天生自带强大的认知智能,但它们并不知晓企业内部的私有信息——既不了解客户的背景调查历史,也不清楚临床研究完成提交 FDA(美国食品药品监督管理局)证明药效时所需的密封数据库。因此,云平台必须提供可扩展且灵活的数据访问通路,同时处理好凭证管理、访问权限与信息检索。 更关键的瓶颈在于“信任”。Michael Gerstenhaber 强调,要想真正移除流水线中的人工干预(Human-in-the-loop),充分发挥云端规模化效应,系统必须具备端到端的可观测性与可审计性。企业必须能够审计 Agent 做出的每一项决策、访问的每一份敏感数据,以及它生成的合成数据属于何种分类级别用于存储与检索。只有在整个管道的前端与后端都建立起坚实的信任体系,中间层才能真正实现无人干预的自主扩展;否则,业务的规模将被死死限制在人力团队的规模以内,而无法享受云计算级别的无限扩展。这一模式在软件开发生命周期(SDLC)的代码生成领域已被普遍验证,如今正在向更广泛的企业业务流程加速普及。 Michael Gerstenhaber 在强调人机协同与真正云级扩展的差异时明确指出: > “So it is only with trusts in front and trust at the end of that pipeline that the middle is going to scale without a human in the loop, because if it's scaling with a human in the loop, it's really only scaling to the size of your teams and not the size of the Cloud you see it especially in the coding realm, the SDLC really does contemplate a lot of those checks already, which is why you see such an enormous amount of code authorship done in this point.” ```mermaid flowchart LR accTitle: Enterprise Agent Scaling and Trust Architecture accDescr: Diagram illustrating how external data and credentials flow into the enterprise agent pipeline, followed by compliance and auditing for human-out-of-the-loop scaling. subgraph TrustFront["前端信任与输入"] A["凭证与权限管理"] B["私有数据源<br/>(KYC 数据库 / FDA 临床数据)"] end subgraph AgentCore["核心智能处理"] C["Gemini Agent 引擎"] D["多模态推理与决策"] end subgraph TrustEnd["后端信任与落地"] E["决策行为审计"] F["合成数据分类与存储"] end A --> C B --> C C --> D D --> E D --> F ``` --- ### [14:21](https://www.youtube.com/watch?v=92LvgAcR6fI&t=861s) 对话实录:公有云客户选择权如何反哺模型进化 随后,Michael 与 David 抛开预设幻灯片展开了现场对话。Michael 首先提问:Google Cloud 几乎承接并交付了 DeepMind 研发的所有模型,那么 Google Cloud 庞大的客户生态反过来是如何帮助 DeepMind 把模型做得更聪明、更快速、更高效的? David Thacker 回应称,如今已有数百万开发者基于 Gemini 构建应用。在研发和发布新模型时,团队通常会与精选的各类型云端客户进行公开预览(Public Preview)或私有预览(Private Preview),覆盖从敏捷初创团队到超大型企业的广泛用户群。通过深入分析模型在真实场景下的表现、痛点和能力缺口,研发团队能精准判断该正式推出哪款模型,并针对特定能力进行专项调优。David 直言,Google 内部的产品团队固然也在全面使用 Gemini,但内部团队在某种程度上属于“固定受众”(Captive Audience);而云端客户拥有完全自由的选择权,面临市面上大量竞品,只有当模型在实际任务中表现最为卓越时,客户才会最终选用。这种激烈的外部竞争持续倒逼研发团队不断突破模型能力的上限。 David Thacker 这样评价外部客户对 DeepMind 研发的促进作用: > “And so what's great about Cloud customers is you all have choices. You're looking at a variety of different solutions. And so we for you to choose our models, we really have to be the best at what you're trying to accomplish with the model. So it really pushes us to make the models better.” - **开发者规模**:Gemini 生态已拥有数百万构建应用的活跃开发者。 - **预览验证机制**:通过面向初创公司与大型企业的定向公测/内测反馈,作为模型终选和能力迭代的核心依据。 - **内部 vs 外部视角**:相比必须使用自研模型的内部业务团队,拥有自主选择权的外部云客户是检验模型竞争力的最硬核标尺。 --- ### [16:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=967s) Google 的全栈优势与原生多模态战略 针对最新发布的 Gemini 3.1 Pro,Michael 询问 DeepMind 如何看待模型基准刷分(Hill climbing)与核心能力壁垒,以及团队在哪些竞争对手可能忽视的领域建立了独特优势。David Thacker 表示,Google 最大的核心护城河在于完全自研的“全栈能力”(Full Stack):从底层专有 TPU 芯片、与硬件团队紧密协同的系统工程,到与 Cloud 团队共同打造的面向量产与下一代超大规模 AI 数据中心,整套架构既保障了超大规模的模型训练,又兼顾了极具成本效益的在线推理服务。 此外,Google 的海量级消费者产品提供了无与伦比的规模验证环境。以彻底被 Gemini 重塑的 Google Search 为例,其 AI Overviews 和 AI Mode 目前正服务于全球超过 20 亿的用户规模,成为全球使用最广泛的生成式 AI 产品。为了以极低延迟向数十亿级用户提供并发服务,整个技术栈和模型架构被优化到了极致效率,这也是体量最小的 Flash 级别模型能够兼具极高推理效率与低成本的根本原因。 在模型底层架构上,DeepMind 从 Gemini 立项之初就坚决走“原生多模态”(Natively Multimodal)路线。David 解释道,构建 AGI 的目标是模拟人类大脑的认知与思考机制,因此多模态理解与生成是原生基础,而非后天拼接。无论是直接上传长视频让模型对现场演讲进行细节挑刺与点评,还是在图像、视频与音频层面的原生生成,都是这一设计哲学的体现。Michael 也补充指出,将原生多模态与 Google 搜索 Grounding(事实核查与联网定位)相结合具有巨大潜力——例如系统能根据用户的定位查询天气,同时直接合成一段该用户身处暴雨之中的拟真视频,直观呈现当天真实的天气体感,这种跨模态串联的工作流正在变得越来越普遍。 David Thacker 在阐述原生多模态对通用人工智能的意义时强调: > “And part of the reason for that is when you're trying to build AGI, we're trying to build an AI system that's going to pattern on how the human brain works, and is able to do the types of cognitive tasks that a human can do. And so it's really important for it to be multimodal.” - **全栈协同体系**:TPU 硬件芯片设计、AI 智算数据中心网络、模型训练算法与云端高并发推理全面纵向整合。 - **超 20 亿级真实规模检验**:Google 搜索(AI Overviews / AI Mode)的超大规模落地倒逼模型实现了极低延迟与极高运行效率,衍生出了轻量高效的 Flashlight / Flash 架构。 - **原生多模态设计**:摒弃多模块拼接路线,全面覆盖音视频理解、长文本视频批判分析、跨模态内容生成与 Grounding 实时流水线。 --- ### [18:56](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1136s) AI 编程大繁荣下的取舍:在什么都能造的时代决定“不造什么” 随着 AI 模型在软件工程与整个软件开发生命周期(SDLC)中的能力日益逆天,软件构建的速度被指数级放大。David 向 Michael 抛出了一个核心问题:当 AI 代码生成让构建任何软件都变得唾手可得时,Google Cloud 该如何帮助企业客户不仅明确“该构建什么”,更重要的是明确“不应该构建什么”。 Michael 对此表现出极大兴趣。他回忆起自己在 Datadog 担任产品负责人的七年经历,提到当时几乎所有核心客户——无论是像 Capital One 这样的传统金融巨头,还是像 Airbnb 这样的新兴互联网独角兽——在监控 Kubernetes 容器集群等底层运维基础设施上的诉求与架构都是高度相似的。正当他准备深入剖析标准化基础设施与企业差异化价值之间的界限时,话题引向了企业如何避免重复造轮子的深层思考。 ### [19:42](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1182s) 模型的三个边界条件:前沿智能、延迟与无限吞吐 在探讨企业级人工智能落地时,Michael Gerstenhaber 指出,企业 AI 的应用从来不是单纯的算力堆砌,而是高度以业务任务为导向的。例如在与汤森路透(Thomson Reuters)合作时,核心讨论的是法律条文的适用性、合同条款究竟对申诉方有利还是对辩护方有利;与大型银行接洽时,关注点则集中在复杂的客户身份验证(KYC)与反洗钱合规审查上。在面对众多客户不知道该拿 AI 构建什么时,首要问题是明确企业自身的独特行业知识壁垒,以及如何建立对模型的信任。 针对模型的工程选型,Michael Gerstenhaber 总结了在实际业务场景中常见的三大边界条件: 1. **智能前沿(Frontier of Intelligence)**:例如编写高度复杂的代码、审查法律合同等任务,这些领域高度依赖顶尖的推理能力。但他也诙谐地打了个比方:如果只是扫描商品目录、提取元数据以判断绿椅子是不是绿色的,“绿椅子再怎么看也不会变得更绿”,这种任务根本不需要触及智能前沿。 2. **极度受限于延迟(Latency-Bound)**:例如紧急呼救中心(911)的调度员,或是 DoorDash 的外卖配送员在紧急情况下实时执行业务政策时,对响应时间有苛刻要求。这时 Gemini Flash 便展现出绝对优势,能在固定的时间预算内输出最强的智能。 3. **无限量规模与吞吐(Infinite Volume)**:对于社交平台进行全网内容审核等场景,平台方无法预测每天会有多少发帖量或内容有多恶劣,预算再高也必须应对近乎无限的数据洪流。为此,源自 Google Search 技术积累的 Flash-Lite 架构正是为了应对此类无限吞吐量而设计的。 “This is where Gemini Flash shines, because it brings the most intelligence to bear possible within a fixed time budget.” Michael Gerstenhaber 总结道。通过对这三大维度的剖析,团队能够帮助客户精准匹配工具,而不是盲目选用单一模型。 ```mermaid flowchart LR accTitle: 模型选型三维度框架 accDescr: 根据任务复杂度、时效性及请求规模划分的模型适用边界 subgraph Boundaries["模型选型三大边界条件"] F["智能前沿<br/>Frontier of Intelligence"] L["极度受限延迟<br/>Latency-Bound"] V["无限吞吐规模<br/>Infinite Volume"] end subgraph Models["匹配能力与用例"] M1["前沿大模型<br/>合同审查/复杂编程"] M2["Gemini Flash<br/>911调度/外卖实时风控"] M3["Gemini Flash-Lite<br/>全网内容审核/海量检索"] end F --> M1 L --> M2 V --> M3 ``` --- ### [21:49](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1309s) 上下文工程与“管教模型”的新心智模型 谈及企业客户与模型的交互方式时,Michael Gerstenhaber 幽默地承认,在除自己从业18年以上的专业领域外,“AI 模型在其他任何领域都比我聪明”。因此,最关键的思维转变是:不要试图手把手去指导模型如何按你所想的步骤解决问题,而是应当为其提供足够的战略背景、目标和业务上下文,并学会信任它的推理能力。 这就像在企业里招募高素质的新人——哪怕是一名刚从普林斯顿毕业、仅有一年经验的天才新员工,只要交代清目标,他们也能迅速领会意图;但这并不意味着他们第一天加入 Datadog 就懂时序数据算法。领导者不会在每个细节点上微观管理他们,而是提供培训与上下文,信任他们在实践中逐步摸索成熟。 针对这一点,Michael Gerstenhaber 特别强调了智能体系统与模型的本质区别:“The models are mutable, obviously, but the agents are entirely capable of that kind of self-improvement.” 虽然大语言模型本身的权重参数是固定不变的,但外层的智能体(Agent)系统却完全具备自主进化的能力。 --- ### [23:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1381s) 谷歌企业智能体平台的构建与运行飞轮 在讨论 Google Cloud 全新发布的 Google Enterprise Agent Platform 时,Michael Gerstenhaber 澄清了一个常见误区:选型模型仅仅是构建智能体的一个环节,智能体平台所包含的内容远比底层模型本身宏大。谷歌将该平台划分为四大支柱:**构建(Build)、扩展(Scale)、治理(Govern)和优化(Optimize)**。 虽然构建和扩展(如提供执行引擎、部署框架及观测插桩管线)是多年来的成熟实践,但本次平台升级的重中之重是**治理**与**优化**的结合。平台支持对智能体的实时行为进行监视,当智能体触发不符合策略的行为时可以即时拦截;更为关键的是,平台能捕捉智能体过去的成功与失败调用链路(Stack Traces),并将这些真实轨迹反哺到上下文窗口中。 “Context engineering isn't a process of writing a lot of English with your hands.” Michael Gerstenhaber 一针见血地指出,真正的上下文工程根本不是靠人工手写大量英文 Prompt,而是直接把一段出错的调用日志丢进上下文窗口并告诉它“下次绝对不要再犯”,模型就能自主进行外推推理,从而让系统越变越好。这种闭环飞轮不仅为企业及客户筑牢了安全防线,更极大提升了智能体的生产力。 --- ### [25:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1501s) Replit 的多模型实践:全栈运行在 GCP 上的优势 随后话题转向 Replit 副总裁 Michele Catasta。Replit 致力于降低软件创造门槛,普及大众开发能力,自项目启动初期便深度集成了 Gemini 系列模型。Michele 公开赞许了谷歌的产品理念,认为谷歌非常敏锐地意识到“智能绝非一种一刀切(one size fits all)的规格”。 Michele 表示,行业既需要不断突破智能天花板的顶尖前沿模型,同时也离不开像 Gemini Flash 和 Flash-Lite 这样宛如“瑞士军刀”般的轻量化模型。它们可以无处不在地嵌入到产品的微交互中,以极低成本为用户带来令人愉悦的智能体验,而完全不会让用户的预算爆表。 此外,Michele 还强调了云端一体化架构的工程红利: - Replit 的全部基础设施完全运行在 Google Cloud Platform (GCP) 上。 - 通过 Vertex AI 直接调用 Gemini 模型,实现了数据、计算与智能处于同一平台。 - 相比于在多家大模型 API 供应商之间割裂调度,这种架构极大地降低了系统维护成本与站点可靠性工程师(SRE)的运维心智负担。 --- ### [26:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1567s) 从 5000 万程序员到 20 亿知识工作者的新市场 谈到软件工程范式的转变时,现场气氛十分热烈。过去几十年,整个软件工程行业的目标受众仅限于全球 3000 万到 5000 万名专业开发者——那些懂得什么是 Kubernetes、腰挎寻呼机、随时可能在凌晨被报警叫醒的专业工程师。但如今,这一界限正在被彻底打破。 “You don't need to know what Kubernetes is to be an engineer anymore.” 现场探讨道。现在的受众群体已经急剧扩大,直接拓展到全球大约 15 亿至 20 亿的知识工作者。只要有逻辑和想法,任何人都可以成为构建者。 关于开发者角色向管理者的演进,Michele 透露 Replit 在同年 3 月初推出了 Replit Agent(前称 Agentforce/智能体驱动),彻底重塑了人机交互模式: - **从“编写者”转变为“项目经理”**:用户不再需要逐行写代码,而是花费更多精力在架构构想和规划上。 - **后台自主编排**:平台在底层拉起多个并行执行的子 Agent 来完成具体开发、排错与运行任务。 - **降低认知负荷**:专业极客或许能在终端里同时监控几个 Shell、调试数个 IDE,但普通知识工作者承受不了同时管理几十上百个 Agent 的心智负担。Replit 的目标就是将这些复杂度隐藏在底层,让用户在甚至未察觉到多智能体运行的情况下,就能直接拿到结果。 --- ### [28:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1687s) 应用层的核心价值:不仅仅是软件构建 在被问及 Replit 如何在底层大语言模型之上构建核心壁垒与附加值时,Michele Catasta 强调了模型之上“应用层”(Application Layer)的决定性地位。虽然底层大模型的演进速度前所未有地迅猛,但模型本身只代表“原始力量”(Raw Power)。 对于极客与高阶用户而言,原始算力足以让他们自行拼装工作流并找到顺手的工具;然而,广大的知识工作者需要的不是复杂的模型调用接口,而是一个能直接帮他们达成目标的完整系统。 “So over time, we're starting to think even less about a software-centric view for Replit, it's more a place where you can accomplish a knowledge worker task...” Michele 解释道。Replit 的愿景正从纯粹的“以软件为中心”逐步演化为“知识工作者的任务交付中心”。无论是生成一个应用程序,还是由智能体驱动生成一套演示幻灯片(Slide Decks)或是动态视频,应用层的价值就在于将模型算力封装为直截了当的最终成果。 ### [29:20](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1760s) 隐藏底层复杂度:Replit 依托 Google Cloud 的极简研发与运维循环 在探讨现代软件创建的变革时,Michele Catasta 强调,Replit 的目标是让用户无需深入图灵背景即可尽情发挥创意来编写软件,而将写代码、维护代码和发布应用的全部复杂性完全隐藏在幕后。很多用户可能并未意识到,在 Replit 上构建软件所获得的稳定性与质量,完全等同于 Google Cloud 部署级别,因为 Replit 底层直接运行在 Cloud Run 和 Google Cloud Storage(GCS)之上。这意味着,即使开发者只是随手做个 MVP(最小可行产品)或快速原型,也已经具备了“一夜之间扩展至数百万用户”的高可用架构支撑。这种将软件编写、日常维护以及 DevOps 彻底托管给平台的模式,从根本上重塑了传统的软件开发生命周期(SDLC)。 面对主持关于“未来软件构建长什么样”的提问,Michele Catasta 明确表示,行业将不再把重心放在传统 SDLC 上,因为在 Replit 上的开发流程实质上被压缩成了“两跳”(two hops):创建软件,然后重新发布,其余的所有繁杂环节全都在后台静默完成。Replit 引入了名为“生产环境智能体(Prod Agent)”的常驻系统,该 Agent 会不间断轮询并监控用户的实际部署,实时监测数据库查询是否足够快、日志中是否存在报错,并主动给出修复方案。就在当天,Replit 还正式上线了依赖库安全追踪功能,一旦 CVE 公布了新的依赖漏洞,平台会立即发出预警并生成具体的修复任务,用户只需轻轻点击接受并重新发布应用即可。正如 Michele Catasta 所概括的那样:“我们在大学里学到的那些包含好几个不同步骤的周期——先写需求,然后创建软件,再写测试——我认为这一切都被压缩成了你在 Replit 上的这种创作体验,一旦准备就绪,直接发布下一个版本即可。” ```mermaid flowchart LR accTitle: Replit 极简开发流与自动化运维架构 accDescr: 展示用户在 Replit 的两步循环以及底层由 Google Cloud 和智能体支撑的自动化闭环 subgraph UserExp["用户侧体验 (两跳循环)"] A["1. 创意输入与生成"] --> B["2. 审查变更与发布"] end subgraph Background["底层架构与常驻 Agent"] C["Prod Agent (性能监控 / 日志诊断)"] D["安全依赖追踪 (CVE 漏洞自动修补)"] E["Google Cloud 基础设施 (Cloud Run + GCS)"] end B -->|"触发部署"| E E -->|"遥测与日志"| C C -->|"提供优化 / 修复建议"| B D -->|"推送修复 Task"| B ``` - **底层基础设施**:依托 Cloud Run 和 Google Cloud Storage,确保原型从第一天起就具备支撑数百万用户的水平扩展能力。 - **Prod Agent 核心能力**:持续检查查询响应延迟、抓取系统错误日志,并向用户推送针对性的修复建议。 - **自动化安全运维**:集成最新 CVE 漏洞数据库,检测到脆弱依赖项后自动生成待办任务,用户单击“接受”即可完成依赖升级并发布。 --- ### [31:17](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1877s) 动态模型编排:Flash 模型的“降维打击”与高频日常迭代 当被问及平台如何为不同任务挑选合适大小的模型,以及模型调优背后有何考量时,Michele Catasta 回顾了团队早期接触 Gemini 1.5 Flash 及其轻量级版本的经历。最初对这些模型的评估在很大程度上完全靠“感觉(vibes)”,团队试图探查这些轻量级模型的性能上限究竟在哪里,而结果屡屡超出预期。他分享了一个极为关键的产品观察:一个较小的 Flash 模型通常只比六个月前的最前沿模型(Frontier Model)落后半年;换言之,当下使用 Flash,实质上是用极其廉价的成本享受半年前昂贵前沿模型的能力。这种技术代际推进速度彻底颠覆了产品路线图的规划逻辑——那些当下对全球长尾用户而言成本过高的 AI 功能,只需等待六个月就能低成本普及。Michele Catasta 直言:“这就是为什么我对更小体量的模型感到无比兴奋。” 如今,Replit 对多模型的测试与编排已告别凭感觉的阶段,演变为极其严苛的工程体系。团队在线上运行着海量实时评估(Online Evals),每天都有多个版本的 Agent 面向全体用户进行 A/B 测试。核心目标是持续探测:哪些子任务或辅助功能可以通过智能水平较低、成本更便宜的小模型来搞定。Michele Catasta 解释道,这是一个永不停歇的调优循环:“基本上每天晚上,我们都会为所有人重新部署一个全新的 Agent。”平台会根据评估数据动态重新分配工作流中的任务路由,把复杂的推理留给主力模型,将边缘操作分流至 Flash 等高性价比模型,在保证构建准确率的同时最大化降低单次调用的延迟与开销。 - **前沿与轻量模型的时延差**:Flash 类小模型通常以约 6 个月的延迟追平前沿模型的智力水平,但成本实现断崖式下降。 - **产品演进策略**:在产品设计中提前构思高算力特性,等待轻量模型成熟后立刻下沉至长尾免费或低门槛用户群。 - **高频发布节奏**:借助持续的线上 A/B 测试动态微调各环节模型分配,实现每晚更新并部署一次 Agent 编排流水线。 --- ### [32:48](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1968s) 面对海量独特应用的评估策略与代码生成的“12个月巅峰” 在评估测试(Evals)的执行细节上,主持人提出疑问:由于 Replit 必须支持用户构建五花八门的各种应用,平台该如何进行端到端测试,又有哪些环节必须交由最终用户自行评判?Michele Catasta 回应称,团队确实投入了巨大精力构建离线评估(Offline Evals),并与 Google 的 Gemini 团队保持密切合作,定期向对方反馈测试集上的模型跑分与表现洞察。然而,由于线上构建的应用千奇百怪,很多代码需求就像早期的 Google 搜索查询一样——高达一半的查询是平台上从未出现过的独一无二的新模式。面对这些“唯一雪花”般的应用,自动化系统很难直接断定一个项目是否已经百分之百成功交付。 针对这一挑战,Replit 将重心放在了用户真实行为的情感分析与长期留存追踪上:通过追踪用户是否持续与特定应用交互、构建步骤中的满意度反馈等指标来反推 Agent 的实际成功率。过去一年半中,用户的留存度与成功率呈现出极为稳健的上升曲线,这既归功于底层基础模型(如 Gemini)越来越强,也得益于 Replit 自身上下文环境与 Agent 体系的成熟。针对未来的代码模型,Michele Catasta 做出了一个大胆的阶段性预判:他预计这些指标在未来一年内可能会迎来平台期(plateau),因为平台和 Web 编程环境中构建的应用大多数属于相对简单的业务逻辑,遵循现成的代码模式与范式(playbooks),远不需要像在 Google Cloud 上从零构建一个分布式数据库那么繁复。Michele Catasta 满怀信心地展望道:“我对接下来的这 12 个月感到无比兴奋,因为在编程 Agent 所能达到的能力上限方面,我们可能很快就会见证一个巅峰。” - **离线与线上双轨 Evals**:一方面构建标准化离线基准并向 Gemini 研发团队同步洞察,另一方面以线上用户会话行为作为终极评估标准。 - **搜索级长尾特性**:约 50% 的用户构建请求属于完全未见过的独立应用形态,无法依赖硬编码的单元测试进行统一校验。 - **行业拐点预测**:针对 Web 常见架构的范式化开发,模型能力将在未来一年内接近全面覆盖的极限高度。 --- ### [34:33](https://www.youtube.com/watch?v=92LvgAcR6fI&t=2073s) 软件原型革命与 SaaS 内部工具的重塑 对话尾声,主持人抛出了最后一个关于开发者生态的问题:既然多达一半的项目都是独一无二的“雪花”,那么在企业级用户或周末极客(Weekend Warriors)的构建行为中,是否存在通用的行为模式?Michele Catasta 总结指出了两种最为典型的落地演进路径。第一种是跨越“从 0 到 1”的极速功能原型化。现在用户在平台上的第一天操作,已经不再是做一个简易的前端静态页或 Marketing Landing Page,而是直接生成一个底层打通、具备完备后端逻辑的功能性原型。这一能力彻底改变了企业的决策流程,正如 Michele Catasta 所描述的:“你带着它去参加与决策者、利益相关者的会议,突然之间,你不再是拿着一份演示 PPT 或是六页纸的长篇报告进场,而是直接分享一个 URL;他们当场点击并试用原型,测试你的产品想法,然后现场给出‘赞’或‘踩’的决断。” 第二种更深远的趋势则是内部工具的平民化自建,这正在重塑整个 SaaS 行业的演变轨迹。以往企业需要购买大量零碎的商业 SaaS,而现在大量企业选择在 Replit 上直接构建定制化的内网系统。Michele Catasta 以自家公司为例分享道,Replit 内部自身就是极度的“狗粮品尝者”(dogfooding):“我可以告诉你,如果你今天来看看 Replit 内部,我们日常使用的软件中大概有 80% 都是直接在 Replit 上构建的。”从人力资源(HR)、销售支撑到财务结算工具,全部依托自家平台搭建并运转,而类似的现象正在全行业各家企业中加速铺开。最后,主持代表 Google 对 Replit 团队深度使用 Gemini 模型并持续回馈高价值的技术反馈表示感谢,双方在掌声中结束了本次炉边对谈。 - **原型沟通范式跃迁**:产品验证从传统的“PPT / 6页备忘录汇报”转变为“可直接交互的在线 URL 验证”,极大缩短决策周期。 - **内部工具自研化侵蚀 SaaS**:企业内部工具开发门槛骤降,Replit 内部 80% 的日常办公工具(覆盖 HR、销售、财务)均实现自建自用。 - **双向生态协同**:Replit 的前沿 Agent 实践为 Google DeepMind 的 Gemini 系列模型落地与微调提供了关键的真实场景数据输入。 ## Notable quotes > [26:07](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1567s) You don't need to know what Kubernetes is to be an engineer anymore. > [23:01](https://www.youtube.com/watch?v=92LvgAcR6fI&t=1381s) Context engineering isn't a process of writing a lot of English with your hands. — Michael Gerstenhaber ## Mentioned Google DeepMind, Google Cloud, Vertex AI, Gemini, Gemini 3, Gemini 3.1 Pro, Gemini Flash, Gemini Flash-Lite, David Thacker, Michael Gerstenhaber, Michele Catasta, Replit, Replit Agent, Gemma, Gemma 4, Gemini Live, Lyria 3 Pro, Gemini Deep Research, Genie 3, Gemini Robotics ER 1.6, Boston Dynamics, Spot, Cloud Run, Google Cloud Storage, Thomson Reuters, DoorDash, Datadog, Capital One, Airbnb, Anthropic, Claude 3, Kubernetes ## Video description Join Google DeepMind for an exclusive look at what’s new with Gemini and the research breakthroughs defining the next generation of multimodal intelligence. We’ll showcase new workflows and demos designed to empower and inspire developers to build and scale agentic applications with Gemini. Discover what Gemini 3’s upgraded model reasoning, expanded context window processing, and enhanced multimodal tool use can enable in Vertex AI. And learn more about the research advancements for Gemini that are driving agent design. Watch more Google Cloud Next 2026 Sessions → https://goo.gle/gcloud-next-2026 Subscribe to Google Cloud Tech → https://goo.gle/GoogleCloudTech Speakers: David Thacker, Michael Gerstenhaber, Michele Catasta BRK2-084 #GoogleCloudNext" [Source](https://www.youtube.com/watch?v=92LvgAcR6fI)

Source quotes

[26:07] You don't need to know what Kubernetes is to be an engineer anymore. [23:01] Michael Gerstenhaber: Context engineering isn't a process of writing a lot of English with your hands.