谷歌搜索为何错失AI先机：从BERT到Transformer团队集体出走

一条推文揭开谷歌AI落地的隐痛

近日，一位曾在谷歌工作的AI从业者在Twitter上分享了一段颇具深意的回忆。他提到，自己当年在谷歌时曾与同事Niki（业内普遍认为指向Transformer论文《Attention is All You Need》的作者之一Niki Parmar）交流，直言不讳地问了一个问题："为什么我们不在搜索里用BERT？"

而这条推文最耐人寻味的地方在于结尾："我毫不怀疑她和其他参与者很快都会离开。"

这句看似轻描淡写的话，实际上折射出大型科技公司在前沿AI技术落地过程中长期存在的组织性困境——技术领先，但商业化与产品化严重滞后。

BERT：谷歌自研技术为何迟迟无法落地搜索产品

谷歌几乎握着大语言模型的全部钥匙

BERT（Bidirectional Encoder Representations from Transformers）是谷歌在2018年发布的重量级自然语言处理模型。它基于同样源自谷歌的Transformer架构，通过双向上下文理解彻底改变了机器对语言的处理方式。

BERT之所以在NLP领域引发革命，关键在于其"双向"训练策略。在BERT之前，语言模型通常是单向的——要么从左到右（如GPT），要么从右到左预测下一个词。BERT则通过"掩码语言模型"（Masked Language Model, MLM）训练方式，随机遮盖输入文本中约15%的词，让模型同时利用左右两侧的上下文来预测被遮盖的词。这使得BERT能够真正理解一个词在完整语境中的含义。例如，"bank"在"river bank"和"bank account"中的语义完全不同，双向模型能够准确区分。此外，BERT还引入了"下一句预测"（Next Sentence Prediction）任务来理解句间关系，使其在问答、语义相似度判断等任务中表现出色。

从技术谱系上看，谷歌的积累令人惊叹：

Transformer架构：由谷歌大脑团队在2017年提出。Transformer的核心创新是自注意力机制（Self-Attention Mechanism），允许模型在处理序列数据时同时关注输入的所有位置，而非像此前主流的循环神经网络（RNN）和长短期记忆网络（LSTM）那样按顺序逐步处理。这一突破不仅大幅提升了训练效率——因为自注意力计算天然支持并行化——还极大增强了模型捕捉长距离依赖关系的能力。正是这种架构上的根本性优势，使得后续所有大语言模型（包括GPT系列、PaLM、LLaMA等）都以Transformer为基础。
BERT模型：由谷歌AI团队在2018年开发
T5、PaLM等后续模型：同样出自谷歌

可以说，今天ChatGPT等产品所依赖的底层技术，源头几乎都指向这家公司。

从实验室到搜索框，隔着一道组织鸿沟

然而，拥有技术和把技术真正应用到核心产品，是两件完全不同的事情。那位前员工的疑问——"为什么不在搜索里用BERT"——恰恰揭示了当时的尴尬现实：一项由谷歌自己发明的突破性技术，在其最核心的搜索业务中却迟迟没有大规模应用。

事实上，谷歌直到2019年才宣布将BERT引入搜索排序，并声称这是"过去五年最大的进步之一"。但从内部员工在此之前就发出疑问来看，从技术成熟到产品落地之间，存在着明显的时间差和组织阻力。

Transformer论文作者集体出走：一个时代的注脚

"他们很快都会离开"——一语成谶

推文中最具预见性的一句，是作者对人才去向的判断。事实也印证了这一点——Transformer论文的八位作者几乎全部离开了谷歌，创办或加入了各自的AI公司：

Character.AI：Noam Shazeer联合创办，允许用户创建和对话各种AI角色，一度成为增长最快的AI消费应用之一。值得注意的是，Shazeer后来又回归了谷歌DeepMind，这一戏剧性的转折本身也反映了人才争夺的激烈程度。
Cohere：Aidan Gomez联合创办，专注于为企业提供可私有化部署的大语言模型服务，直接与OpenAI的API服务展开竞争。
Adept：Ashish Vaswani和Niki Parmar共同创办，致力于构建能操作软件工具的AI智能体方向。

此外，Lukasz Kaiser则加入了OpenAI，直接参与了GPT系列模型的开发。这种人才分散格局意味着Transformer的技术红利被整个行业共享，而非被谷歌独占——这对谷歌来说既是技术扩散的荣耀，也是战略层面的巨大损失。

这种核心团队的大规模外流绝非偶然。当一家公司的顶尖研究者发现自己的成果无法在内部快速转化为有影响力的产品时，选择去更能施展拳脚的地方，几乎是必然的结果。

搜索广告帝国下的创新者困境

谷歌的案例堪称经典"创新者困境"的教科书级样本。"创新者困境"由哈佛商学院教授克莱顿·克里斯滕森于1997年在其同名著作中提出，其核心洞察是：成功的大企业往往会被自身的成功所束缚。它们的资源分配机制、决策流程和组织文化都围绕现有核心业务进行优化。当颠覆性技术出现时，由于其初期市场规模小、利润率低，无法满足大企业的增长预期，因此往往被忽视或被内部边缘化。历史上，柯达发明了数码相机却死守胶片业务、诺基亚握有智能手机技术却执着于功能机，都是这一困境的经典案例。

搜索广告是谷歌的现金奶牛——年收入超过1700亿美元（2023年数据），约占母公司Alphabet总收入的57%。这一商业模式高度依赖"用户输入关键词→展示搜索结果页→穿插付费广告链接"的固定交互模式。每次用户点击广告链接，广告主向谷歌付费，这就是著名的按点击付费（Pay-Per-Click, PPC）模式。而AI驱动的对话式搜索会直接给出答案，大幅减少用户点击网页链接的次数，从而直接威胁到广告展示量和点击量。据分析师估算，如果搜索全面转向AI对话模式，谷歌可能面临数百亿美元的广告收入风险。这种根本性的商业模式冲突，正是内部推进AI落地搜索时遭遇巨大阻力的深层经济原因。

任何可能影响现有搜索体验或商业模式的激进改动，都会面临巨大的内部阻力和风险评估。这种对既有业务的保护，反而成了拥抱颠覆性技术的绊脚石。

相比之下，没有历史包袱的创业公司和OpenAI这样的组织，能够以更快的速度将同样的技术推向市场。ChatGPT的横空出世，某种程度上正是这种组织敏捷性差异的直接体现。OpenAI在2022年11月推出ChatGPT时，并不需要顾虑任何既有的营收模式，可以全力以赴地探索对话式AI的产品形态，这种"无所牵挂"的状态赋予了它巨大的速度优势。

谷歌AI困局对科技行业的三大启示

技术领先不等于市场领先

谷歌的经历给整个科技行业上了一课：掌握最前沿的技术，并不自动等于赢得市场。技术从论文到产品，需要跨越组织决策、风险偏好、商业模式适配等多重障碍。谁能更快、更彻底地完成这种转化，谁才能真正收获技术红利。

这一教训在科技史上反复上演。施乐帕洛阿尔托研究中心（Xerox PARC）在1970年代发明了图形用户界面、鼠标和以太网，但最终将这些技术的商业价值拱手让给了苹果和微软。技术发明与技术商业化之间的鸿沟，本质上是一个组织能力问题而非技术能力问题。

顶尖AI人才是最脆弱也最关键的资产

这条推文还提醒我们，顶尖AI人才对"能否落地"极为敏感。当研究成果被束之高阁，最优秀的头脑会用脚投票。对于任何希望在AI竞赛中保持领先的组织而言，为核心人才提供快速见到成果的通道，可能比单纯提供高薪更为重要。

在当前AI人才极度稀缺的市场环境下，顶级AI研究者的年薪可达数百万甚至上千万美元，但薪酬并非他们留下的决定性因素。能否看到自己的研究改变真实世界、能否在组织内获得足够的资源和自主权去推动产品落地，才是这些顶尖人才最看重的。谷歌的教训表明，任何组织如果不能在"发表论文"和"改变世界"之间搭建有效的桥梁，就终将面临核心人才的流失。

迟来的觉醒能否扭转局面

值得肯定的是，谷歌近年来在Gemini等产品上展现出了明显的追赶姿态，重新加快了AI技术落地的步伐。2024年，谷歌将DeepMind和Google Brain两大AI研究团队合并为Google DeepMind，集中力量应对竞争。Gemini模型在多项基准测试中展现出与GPT-4相当甚至更优的能力，谷歌也开始将AI功能深度整合到搜索、Gmail、Google Docs等核心产品线中。但这场由自己奠基、却险些错失的AI浪潮，无疑会成为科技史上一个值得反复审视的案例。

结语：执行速度比技术储备更能决定胜负

一条简短的怀旧推文，浓缩了一个技术巨头在AI变革前夜的犹豫与代价。从BERT搜索应用的延迟到Transformer团队的集体出走，谷歌的故事清晰地说明：在技术快速迭代的时代，执行速度和落地决心，往往比技术储备本身更能决定胜负。

这或许是当下每一家AI公司都需要牢记的教训。