哈萨比斯卸任DeepMind CEO，转任Alphabet首席科学家专攻AGI

谷歌AI领导层大洗牌

谷歌AI版图正在经历一次重大的人事调整。据谷歌CEO桑达尔·皮查伊（Sundar Pichai）透露，DeepMind联合创始人、诺贝尔化学奖得主德米斯·哈萨比斯（Demis Hassabis）将卸任Google DeepMind CEO职务，转而担任该实验室主席，同时兼任Alphabet首席科学家。

另一边，在谷歌工作了27年的资深AI研究员杰夫·迪恩（Jeff Dean）也将离开公司，与老搭档桑杰·格玛瓦特（Sanjay Ghemawat）共同创办一家专注于机器学习的公益公司（public benefit corporation）。前DeepMind首席技术官科拉伊·卡武克库奥卢（Koray Kavukcuoglu）将接任Google DeepMind负责人，以高级副总裁（SVP）身份统领Gemini模型研发与前沿AI研究。

这次调整涉及谷歌AI体系的多位核心人物，标志着谷歌在AGI（通用人工智能）竞赛进入关键阶段之际，对其研究架构进行的一次深度重组。要理解此次调整的深层意义，需要回溯到2023年4月谷歌将Google Brain和DeepMind合并为Google DeepMind这一关键决策。Google Brain由杰夫·迪恩领导，专注于大规模机器学习系统和基础设施；DeepMind则由哈萨比斯创立，以强化学习和科学AI闻名。两支团队在文化和技术路线上存在显著差异——Brain偏向工程化和产品化，强调如何将机器学习技术大规模部署到谷歌的产品矩阵中；DeepMind更倾向基础科学研究，追求在围棋、蛋白质折叠等领域实现标志性突破。合并后由哈萨比斯统一领导，迪恩则被赋予"首席科学家"这一相对模糊的角色。合并虽然在组织架构上完成了统一，但内部整合的摩擦和张力始终存在——两个团队在项目优先级、资源分配、发表文化等方面的差异并未因组织图的改变而消失。此次哈萨比斯转任主席、迪恩离开的调整，可以视为这场合并的后续演化，是组织在经历了两年磨合期后做出的更务实的安排。

哈萨比斯角色转变：从管理者回归科学家

说个细节，哈萨比斯并非离开谷歌，而是从管理岗位转向更纯粹的科研与战略角色。作为DeepMind的灵魂人物，他此前凭借AlphaFold在蛋白质结构预测领域的突破，与团队一同获得2024年诺贝尔化学奖，这使他成为全球AI领域最具科学声望的领军者之一。

AlphaFold的科学意义怎样强调都不为过。蛋白质折叠问题被称为生物学领域"50年未解之谜"——一条氨基酸链如何从线性序列折叠成具有特定功能的三维结构，传统上需要数月甚至数年的X射线晶体学或冷冻电镜实验才能确定单个蛋白质的结构。人体内约有2万种蛋白质，而自然界中已知蛋白质超过2亿种，逐一通过实验手段测定结构几乎是不可能完成的任务。AlphaFold2在2020年的CASP14（蛋白质结构预测关键评估）竞赛中以压倒性优势获胜——CASP是自1994年起每两年举办一次的蛋白质结构预测国际竞赛，被视为该领域的"奥运会"。AlphaFold2的预测精度首次达到了与实验测定相当的水平（GDT分数中位数约92.4，满分100）。随后谷歌向科学界免费开放了超过2亿个蛋白质结构的预测数据库，这一举措使全球生物学家几乎可以即时获取任何已知蛋白质的三维结构信息。这一成果对药物设计、酶工程、疾病机理研究等领域产生了革命性影响——例如，制药公司现在可以更快速地识别药物靶点的精确结构，极大缩短新药研发的早期阶段。AlphaFold也是AI直接推动基础科学进步的最具说服力的案例之一，证明了深度学习不仅能处理商业问题，更能解决人类知识前沿的根本性挑战。正是这一贡献使哈萨比斯与团队成员约翰·贾珀共同获得了诺贝尔化学奖。

从CEO转为实验室主席兼Alphabet首席科学家，这一变化释放出明确信号：谷歌希望让哈萨比斯从繁重的日常运营中抽身，将精力集中投入到AGI这一长期而核心的科学目标上。管理一个日益庞大的组织与推动前沿科研之间，往往存在难以调和的时间冲突——Google DeepMind目前员工规模已超过数千人，涵盖从基础研究到产品部署的全链条，CEO需要处理预算分配、跨团队协调、招聘决策、与其他谷歌部门的接口等大量行政事务。此次调整让哈萨比斯得以回归他最擅长、也最具价值的科学领导角色，同时以Alphabet首席科学家的身份对整个集团的AI战略施加更广泛的影响。

这种"退居幕后、专注攻坚"的安排，反映出谷歌对AGI目标的重视程度——它不再仅仅是一个产品或商业问题，而是被提升到需要顶级科学家全力投入的战略高度。类似的模式在科技史上并非没有先例：比尔·盖茨在微软后期也曾从CEO转为首席软件架构师，试图从管理者回归技术引领者的角色。

杰夫·迪恩离开谷歌：一个时代的落幕

如果说哈萨比斯的调整是一次角色优化，那么杰夫·迪恩的离开则更具象征意义。作为谷歌工作27年的元老级人物，迪恩是谷歌基础设施与AI系统的奠基者之一，参与并主导了MapReduce、TensorFlow、以及后来的Gemini等一系列奠定谷歌技术地位的项目。他与桑杰·格玛瓦特的组合，被誉为谷歌工程史上最具传奇色彩的搭档之一——两人从1999年起就在谷歌并肩工作，共同构建了谷歌最核心的几乎所有基础设施系统。

迪恩的技术遗产深刻塑造了现代计算基础设施。MapReduce是他与格玛瓦特在2004年联合提出的分布式计算编程模型，它将大规模数据处理任务拆分为"映射"（Map）和"归约"（Reduce）两个阶段，使得普通服务器集群也能处理PB级别的数据。在MapReduce之前，处理海量数据需要昂贵的超级计算机或专用硬件；而MapReduce的抽象使程序员只需要编写简单的映射和归约函数，底层框架就能自动处理任务分发、容错和负载均衡。这一思想直接催生了开源生态中的Hadoop框架，成为大数据时代的技术基石，使得Facebook、Yahoo、Twitter等公司得以在廉价硬件上构建自己的数据处理管道。TensorFlow则是迪恩主导的深度学习框架，2015年开源后迅速成为全球使用最广泛的机器学习平台之一，在其巅峰时期GitHub star数超过18万，被学术界和工业界广泛采用。TensorFlow推动了深度学习从学术研究向工业应用的大规模转化，使得中小型公司和个人开发者也能训练和部署复杂的神经网络模型。此外，迪恩还是谷歌分布式系统Bigtable（一种高性能分布式存储系统，支撑了Gmail、Google Maps等核心产品）、Spanner（全球首个提供外部一致性的分布式数据库）的核心架构师，以及Transformer论文团队的重要支持者——2017年那篇改变整个AI领域的《Attention Is All You Need》论文，正是在迪恩领导的Google Brain团队中诞生的。可以说，没有迪恩和格玛瓦特的基础设施工作，谷歌今天的AI能力根本无从建立。

两人选择离开去创办一家专注机器学习的公益公司，这一决定本身颇耐人寻味。公益公司（Public Benefit Corporation，简称PBC）是美国部分州法律认可的一种特殊公司形式，最早由特拉华州在2013年通过立法确立。与传统C类公司的核心区别在于：PBC在章程中明确规定公司不仅要追求股东利益，还必须同时产生对社会和公众的正面影响。董事会在做决策时需要平衡股东利益、受公司行为影响的利益相关者、以及章程中声明的公益目标三方面因素。传统C类公司的董事有信义义务（fiduciary duty）优先为股东创造价值，而PBC的董事则拥有法律保护，可以在不违背职责的前提下做出不以利润最大化为首要目标的决策。这一形式在AI领域并非首次出现——Anthropic就采用了公益公司结构，其章程中明确将"负责任地开发和维护先进AI以长期造福人类"列为公司目标；OpenAI最初也以非营利组织起步（后转为受非营利控制的营利子公司的复杂结构，这一结构在2024-2025年间经历了争议性的重组）。迪恩和格玛瓦特选择PBC形式，表明他们希望在获取商业资源推动技术发展的同时，通过法律框架约束自身，确保机器学习技术的发展方向兼顾公共利益。这或许反映出这批深耕AI多年的顶尖研究者，在AGI日益临近的当下，对技术发展方向与社会责任的重新思考——他们亲眼见证了AI能力的指数级增长，也清楚地知道这种力量如果缺乏适当治理框架可能带来的风险。

对谷歌而言，失去这样一位既懂底层系统又懂前沿模型的核心人物，无疑是重大损失。但从另一个角度看，这也说明当前AI领域的人才流动之剧烈——即便是谷歌这样的巨头，也难以留住所有希望自主探索的顶级人才。事实上，近年来从谷歌/DeepMind流出的顶尖人才已经构成了AI创业生态的重要力量：Transformer论文的多位共同作者分别创办了Character.AI、Cohere、Adept等公司，前DeepMind研究员也创办了Inflection AI等知名企业。

卡武克库奥卢接棒：统领Gemini模型研发

新任Google DeepMind负责人科拉伊·卡武克库奥卢并非外来者，而是DeepMind的资深技术领导者，此前担任CTO一职。他自2014年DeepMind被谷歌收购前就已加入团队，深度参与了从AlphaGo到Gemini的多个标志性项目。他将以SVP身份统领Gemini模型的开发与前沿AI研究，这一安排保证了领导层交接的连续性。

将Gemini研发的重任交给一位深谙DeepMind技术脉络的内部人才，体现了谷歌在竞争激烈的大模型赛道上"稳中求进"的策略。Gemini是谷歌自2023年12月起推出的多模态大语言模型系列，定位为与OpenAI的GPT-4/GPT-4o和Anthropic的Claude系列直接竞争的旗舰产品。Gemini的核心技术优势在于其原生多模态架构——不同于GPT-4早期将视觉能力作为后接模块的设计，Gemini从训练阶段就同时处理文本、图像、音频和视频数据，理论上实现了更深度的跨模态理解和生成。这种原生多模态训练意味着模型内部对不同信息形态的表征是统一的，而非通过独立编码器再拼接的方式实现——这在理论上应带来更好的跨模态推理能力，例如理解一段视频中的因果关系或根据声音特征推断场景信息。

Gemini系列分为Ultra、Pro、Flash等多个规格，分别面向高端推理、日常应用和高效部署等不同场景。其中Gemini Ultra/1.5 Pro在长上下文处理方面表现突出，支持高达100万token（约相当于数百页文档或数小时视频）的上下文窗口，这在当时是业界领先水平。2024至2025年间，Gemini在多项基准测试中与GPT-4o互有胜负，但在实际用户采用率和开发者生态建设方面仍落后于OpenAI。谷歌的独特优势在于其庞大的搜索、云计算和移动生态系统（Android、Chrome等），为Gemini提供了无与伦比的分发渠道和应用场景——Gemini已被整合进Google搜索（AI Overviews）、Gmail、Google Docs、Android系统等触达数十亿用户的产品中。此外，谷歌自研的TPU（Tensor Processing Unit）芯片使其在训练大规模模型时不完全依赖英伟达GPU，在算力供应链上拥有独特的战略自主权。

让卡武克库奥卢主导这一方向，既能保持团队稳定，又能让哈萨比斯从具体研发管理中解放出来，专注于更长远的AGI愿景。这种科学领袖与工程/产品领袖的分工，在大型AI研究机构中正成为越来越普遍的组织模式。

谷歌AGI战略的深层逻辑

综合来看，这次人事调整并非孤立事件，而是谷歌应对AGI时代的整体布局。它体现出几条清晰的战略思路：

其一，科学与管理分离。 让最顶尖的科学家专注于科研，把运营交给合适的管理者，这是许多前沿科技组织正在采用的模式。历史上，贝尔实验室的黄金时代正是因为给予科学家充分的自由探索空间，才诞生了晶体管、信息论、Unix等改变世界的发明。在AI领域，研究方向的判断往往需要深厚的科学直觉，而这种直觉只能来自持续沉浸在前沿研究中的实践者。

其二，聚焦AGI核心目标。 哈萨比斯的角色升级到Alphabet首席科学家，意味着AGI已经成为整个集团层面的战略重心，而不仅仅是DeepMind一家实验室的事。通用人工智能（AGI）通常被定义为在广泛认知任务上达到或超越人类水平的AI系统，这与当前的"窄AI"或"专用AI"形成对比。实现AGI意味着AI系统能够像人类一样灵活地学习新任务、进行抽象推理、处理开放性问题，而非仅在特定领域表现出色。关于AGI的精确定义和实现时间表，业界存在广泛分歧——有些研究者认为当前的大语言模型已经展现出AGI的早期迹象（如涌现能力、少样本学习），而另一些人则认为当前系统仍然缺乏真正的因果推理和世界模型，离AGI还有本质性的鸿沟。无论采用哪种定义，将AGI目标提升到Alphabet集团层面，意味着谷歌愿意为这一长期目标调配远超单一实验室所能获取的资源——包括计算基础设施、数据资产和跨部门协作能力。

其三，接受人才流动的现实。 面对迪恩这样的核心人物离开，谷歌选择通过内部提拔保持研发连续性，这也反映了大厂在人才争夺战中不得不采取的务实态度。在当前AI人才市场中，顶尖研究者的稀缺性使得人才竞争异常激烈——顶级AI研究员的年薪可达数百万美元，而创业带来的股权激励和自主权则是大公司薪酬难以匹敌的吸引力。

在OpenAI、Anthropic、Meta等对手纷纷加码AGI研究的当下，谷歌通过这次调整明确表态：它要以最强的科学力量，全力冲刺通用人工智能这一终极目标。截至2025年，全球AGI竞赛的主要参与者格局已经清晰：OpenAI由微软深度支持（累计投资超过130亿美元），凭借GPT系列和o系列推理模型保持用户端领先，其ChatGPT周活跃用户数超过数亿；Anthropic以"宪法AI"（Constitutional AI）等安全对齐技术著称——这是一种通过让AI系统依据一组明确原则进行自我批评和修正来实现价值对齐的方法——获得亚马逊（投资约40亿美元）和谷歌的巨额投资；Meta AI通过开源Llama系列模型走差异化路线，其策略是通过开源建立开发者生态和技术标准，间接强化Meta的整体AI能力；马斯克创立的xAI推出Grok系列模型参与竞争，依托其对Twitter/X平台数据的独占访问权和特斯拉的算力基础设施。此外，中国的字节跳动、阿里巴巴、百度等公司也在积极推进各自的大模型项目，使得AGI竞赛呈现出全球化的特征。

谷歌DeepMind在这一竞赛中的独特优势在于其深厚的科学研究底蕴、对计算基础设施（TPU芯片，目前已迭代至第六代Trillium）的自主控制，以及AlphaGo、AlphaFold等标志性成果所积累的方法论——特别是在强化学习、自我博弈（self-play）、以及将AI应用于科学发现方面的独特经验。但谷歌也面临挑战：大公司的组织惯性可能拖慢决策速度，核心人才的持续流失也在削弱其竞争力，而作为上市公司需要对每个季度的财务表现负责，可能限制对长期、高风险研究方向的投入力度。

这场围绕AGI的顶级人才与组织架构的博弈，才刚刚开始。谁能在保持科研创造力的同时有效整合组织资源，谁就可能在通往AGI的道路上占据先机。