作为谷歌云的高级产品负责人，迈克尔·格斯特恩哈伯（Michael Gerstenhaber）主要负责Vertex平台的开发与运营，这是谷歌面向企业客户的一体化AI部署平台。他从一线开发者视角出发，深刻洞察了当前AI模型的实际应用瓶颈与未来方向。 在与他的对话中，一个核心观点令人耳目一新：AI模型的发展正同时突破三大边界——原始智能、响应延迟和可扩展成本。这三者并非单一维度的竞争，而是彼此制约、共同决定AI能否真正落地。 第一重边界是原始智能。以Gemini Pro为例，这类模型追求极致的推理能力，适合代码生成等需要高准确性的任务。用户愿意等待更长时间，只为获得最优结果。 第二重边界是响应速度。在客户服务场景中，即使模型再聪明，若回答耗时45分钟，用户早已挂断电话。因此，关键在于在可接受的延迟范围内，找到智能与效率的最佳平衡点。 第三重边界则关乎成本与可扩展性。像Reddit或Meta这样的平台，需要实时处理海量内容，但无法预知每日的流量与风险。他们必须在保证足够智能的前提下，选择能以极低成本、无限规模运行的模型。此时，成本成为决定性因素。 迈克尔指出，尽管大模型能力已接近成熟，但代理系统（agentic systems）迟迟未大规模落地，并非因为技术不足，而是基础设施严重滞后。目前缺乏对AI行为的审计机制、数据授权流程、安全管控模式等关键生产级能力。这些“工程化”难题，使得技术从演示走向真实业务仍需时间。 他特别提到，AI在软件工程领域进展较快，正是因为开发流程天然具备“安全试错”环境——代码可在开发、测试环境反复验证，且需双人审核，风险可控。而要推动AI在金融、医疗等高风险领域落地，必须建立类似的标准化流程与治理框架。 归根结底，AI的真正突破，不只在于模型有多“聪明”，更在于能否在速度、成本与安全之间实现可持续的规模化部署。