谷歌AI新帅掀桌:Gemini 4提前杀到!直接跳过3.5,未满月就扔上战场

在大模型的世界里，最残酷的处境莫过于：你在暗处埋头打磨一把自以为天下第一的宝剑，猛然抬头，对手已经换上了冲锋枪。

这一次，巨头谷歌决定彻底掀翻桌子

2026年9月下旬，旧金山，The Information 主办的 AI Agenda Live 峰会现场。聚光灯打在了一个许多人还不太熟悉的面孔上，Google DeepMind 新任掌舵人 Koray Kavukcuoglu。

这是他接替哈萨比斯（Demis Hassabis）执掌日常大权后的首次公开亮相。台下的科技记者和投资人原本以为，这会是一场充斥着公关辞令的“例行画饼”。

但 Koray 开口的第一段话，瞬间让全场陷入了震撼。

谷歌下一代终极旗舰，Gemini 4，已经悄然完成预训练，正式进入早期后训练（post-training）阶段。伴随而来的，是谷歌一个让所有人始料未及的战略决断：

不再等它变成一个完美无缺的完全体。谷歌打算以最快速度把“早期后训练版本”直接扔向市场，然后顶着狂风暴雨高速迭代。

时间表被死死钉在：“远早于年底”

▲ 社区爆料长帖迅速刷屏：谷歌决定放弃漫长等待，Gemini 4 即将提早出货

原本被寄予厚望的过渡旗舰 Gemini 3.5 Pro 被实质性跳过。谷歌放弃了慢条斯理憋大招的传统做派，要把一台引擎还在轰鸣、零件还在微调的超级战争机器，直接开进战壕。

全球大模型竞争的底层逻辑，在这个秋天被彻底改写。

01撕掉“学院派”伪装：把还没满月的猛兽放出来

要看懂谷歌这步棋有多激进，我们得先拆解一个大模型研发的常识。

如果把训练一个 AI 巨兽比作培养顶级特工，整个过程大致分为两步：

第一步叫预训练（Pre-training）。这就像把一个天才关在世界最大的图书馆里，没日没夜地读完上百亿本书、论文、代码和视频。这个过程极其耗费算力和时间，最终产出的模型拥有极其庞大的知识基座，但它还是个“愣头青”，不会听指令，容易胡说八道，也不懂商业软件的规矩。

第二步叫后训练（Post-training）。这相当于把读完书的天才送进特训营，进行长达数月的强化训练、对齐人类偏好、安装安全护栏、训练调用工具和编写复杂代码。

▲ The Verge 报道：Google DeepMind 新帅确认 Gemini 4 早期版本已就绪

在传统的工业发布流程里，模型实验室通常会不断保存快照，这在术语里叫“检查点（Checkpoint）”。他们会挑选一个跑分最高、最安全、最成熟的终极检查点，包装成华丽的产品，再开一场盛大的发布会。

但这一次，谷歌等不及了

Koray 在台上明确表态：Gemini 4 在早期后训练中展现出的能力已经令人极其兴奋，谷歌决定不等最终的“完美检查点”，只要早期版本达到可用门槛，立刻放出来给外部体验，靠后续的高频更新去逐步补全能力。

为什么要冒这个险？

因为过去的教训太痛了今年早些时候，谷歌曾预告 Gemini 3.5 Pro 将在初夏缩小与对手的差距。然而在漫长而谨慎的合作伙伴测试中，时间窗口被一点点吞噬。与此同时，竞争对手的炮火几乎从未停歇，Anthropic 的 Opus 5.5 步步紧逼，OpenAI 的 GPT-6 系列不断压低成本与延迟。

继续在实验室里精雕细琢，等于把阵地拱手让人。

谷歌在过去半年里，靠着轻巧敏捷的 Flash 系列模型尝到了高频快跑的甜头。如今谷歌高层转变了思路：深闺里打磨的“完美神童”可能一出世就过时，他们索性把充满潜力的“年轻战士”直接送上擂台，在实战的泥泞中以战养战。

02秘密练兵场：它已经在内部操控代码了

很多人会问：一个“早期后训练版本”，真的能打吗？

答案其实藏在谷歌内部的一款核心工具里，Antigravity。

这是 DeepMind 和谷歌为下一代“智能体编程（Agent-First Coding）”打造的秘密武器。这个工具跳出了传统代码补全插件的局限，演变成一个可以自己思考、打开终端编译、在浏览器里截屏测试、并在发现 Bug 时主动向人类程序员汇报方案的“数字工程师”。

▲ 谷歌内部的智能体编程平台 Antigravity：代码世界的全自动战机

公开报道显示，Gemini 4 的早期检查点，早已经接入了 Antigravity，成为谷歌顶级工程师们的日常生产力引擎。

这就是谷歌敢于“早发”的底气所在

当外界还在猜测参数量和上下文长度时，谷歌自家的上万名工程师已经在用最刁钻、最复杂的真实代码任务，给 Gemini 4 进行极限压力测试。它每一次在内部写崩的代码、每一次被工程师纠正的逻辑漏洞，都在实时转化为后训练的修正数据。

因此，当普通用户在未来几个月接触到它时，它虽然顶着“早期版本”的名号，但骨子里早已在谷歌严苛的代码熔炉里淬炼过一轮。

03灵魂变轨：不再谈虚无的 AGI，只要能干活的“可信打工人”

这次换帅与战略转向，背后还隐藏着 DeepMind 组织文化的剧烈震荡。

过去十年，由哈萨比斯执掌的 DeepMind 一直带着浓厚的学术理想主义色彩。“实现通用人工智能（AGI）”是写在他们墙上的神圣信条。他们像是一群探索宇宙终极奥秘的物理学家，追求的是理论上的完美与神迹。

但新上任的 Koray，身上散发着极其凌厉的工程师与产品经理气质。

在峰会现场，当被问及“人类距离 AGI 还有多远”时，Koray 给出了明确的回答：

“比起探究 AGI 算不算到来，大家更该关注我们能否造出人类可以托付信任的智能体（Intelligent agents that we can trust）。”

▲ The Register：尽管学界呼吁放慢脚步，但工业界的军备竞赛正在无限加速

这句话，标志着 DeepMind 战略重心的彻底迁移。

从“造神”，变成了“造可信工具”

与软件加速并行的，是 Gemini 4 对谷歌底层硬件的直接反哺。Koray 透露，前沿模型的超大规模训练正在给谷歌芯片团队提供极高的能见度，直接指导着未来两到三代 TPU（张量处理器）的架构设计。

在英伟达 GPU 牢牢钳制算力市场的今天，谷歌正变得越来越激进，他们开始把自研的 TPU 直接卖给外部企业。模型迭代越快，硬件短板暴露得越早；硬件迭代越稳，模型训练的成本就越低。

这种“模型-工具-芯片”的三位一体闭环，才是谷歌敢于正面硬刚任何对手的底牌。面对“谷歌是否正在掉队”的质疑，Koray 斩钉截铁地扔下一句：“我百分之百确信，谷歌会始终留在最前沿。”

04繁荣下的阴影：实验室的狂欢，开发者的噩梦

然而，技术巨头的快意恩仇，落到普通开发者头上，往往就是一场无妄之灾。

根据行业监测机构 Mungomash 的统计，在过去整整一年里，全球前沿 AI 厂商一共发布了上百个大小模型。各家的发版节奏从按年、按季度，被硬生生压缩到了按月、甚至按周。

▲ 数据显示：大模型发版中位间隔已被压缩到数十天以内，软件化持续交付已成定局

大模型告别了“几年磨一剑”的经典软件形态，彻底化作一条永远在变动、永远在热更新的流水线。

这种“先发布、再迭代”的策略，在工程师社区引发了极大的焦虑。

独立开发者 Offscript 在社交媒体上一针见血地指出了这场狂欢背后的代价：

“早发并快速迭代，对实验室获取数据来说棒极了；但对于在上面构建业务的人来说，简直是折磨。每一次悄无声息的检查点替换，都是一次你在生产环境中自己去发现的性能倒退，而且连一份更新日志（changelog）都没有。”

▲ 资深开发者的犀利吐槽：每一次静默更换模型检查点，都可能给生产环境带来未知的系统隐患

想象一下：你的公司基于今天的 API 写好了精准的业务提示词（Prompt），系统运转良好。下周一上班，模型后台悄悄更新了一个新的检查点，原本听话的 AI 突然开始在某个特定格式上犯错，原本调通的业务流程莫名崩溃。

提示词漂移、行为回退、缺乏确定性的版本管理……这是每一个想要把 AI 接入严肃生产环境的企业必须吞下的苦果。

当模型变成“活的服务”，用户就必须学会与不确定性共舞。

05终局推演：活着，就是不断发布

硅谷没有神话，只有残酷的进化论

回顾大模型这几年的狂飙突进，你会发现一个清晰的演进轨迹：

第一阶段，大家比拼谁能点燃“智能的火花”，比的是谁的模型参数更大、基准分数更高；第二阶段，大家比拼谁的生态更繁荣、谁的调用成本更低；而现在，我们正式进入了第三阶段，比拼反馈回路的周转速度。

谁能把尚未完美的模型最先推到真实用户的指尖，谁就能最先收集到海量的失败边缘案例（Edge Cases），谁就能用这些带血的数据在最短时间内完成新一轮对齐，并在下一次检查点替换中建立壁垒。

谷歌放弃 Gemini 3.5 Pro，选择带着尚未完美的 Gemini 4 提枪上阵，原因很简单：在残酷的战场上，停在原地擦拭铠甲的人，往往死得最早。

远早于年底大幕已经拉开，一场没有喘息机会的肉搏战，才刚刚开始。