TED 演讲：Google下一步将前往何方

视频封面

视频元信息

视频标题：【TED演讲】2026年不能错过的100篇精选TED演讲【高清版】（中英文对照+重难点标注） p28 Google下一步将前往何方
主讲人：Larry Page（谷歌联合创始人）
形式：访谈对话（主持人对话 Larry Page）
主题：Google 的未来方向、人工智能、搜索、隐私安全、交通系统与创新哲学

内容摘要（TL;DR）

Larry Page 在访谈中回顾了 Google 的核心使命——组织全球信息并使其普遍可及，并阐述 Google 未来将聚焦三大方向：人工智能（收购 DeepMind）、全球互联网接入（Loon 气球项目）、自动化交通系统。他同时谈及斯诺登事件后的隐私与安全立场，强调"没有安全就没有隐私"，并分享了自己"10X"式的创新哲学——做别人认为不可能、且没有你就不会发生的事。

一、开场与 Google 的核心使命 [00:13]

主持人开场调侃 Larry 发邮件要求"别让这场对话看起来像两个中年无聊男人在聊天"。随后引出本次对话的核心议题：互联网、Google、搜索、隐私，以及 Larry 的个人哲学与未来展望。

主持人："我们主要想聊的是未来。"

Larry 回应 Google 的使命：

核心使命：组织全世界的信息，使其普遍可及、有用（organize the world's information and make it universally accessible and useful）。

人们常问："你们现在还在做这件事吗？" Larry 坦言自己也在思考这个问题。
搜索是一件非常深层的事情——真正理解用户想要什么，理解世界的信息。
关键判断：我们仍处于搜索的极早期阶段。Larry 说自己已经做了 15 年，但这件事"完全没有完成"。

理解：Larry 用"15 年仍未完成"来强调搜索问题的深度——它不是简单的关键词匹配，而是对意图、上下文和世界知识的全面理解。

二、为什么搜索还没做完：计算的"混乱"现状 [01:51]

Larry 解释搜索未完成的根本原因：

"计算本身是一团乱麻（computing is kind of a mess）。"

具体表现：

你的电脑不知道你在哪
不知道你在做什么
不知道你知道什么

Google 近期的努力方向：让设备真正工作、理解你的上下文——即 Google Now（根据你在哪、你可能需要什么来提供服务）。

目标：让计算真正理解你，并理解信息。 但这件事至今仍未做到，体验"非常古怪（quirky）"。

思考：这段可以看作 Google 从"搜索引擎"向"上下文感知助手"转型的早期宣言，为后来的 Google Assistant、AI 优先战略埋下伏笔。

三、DeepMind 的定位与由来 [02:29]

3.1 收购背景

DeepMind 是 Google 近期收购的一家英国公司。
出发点仍然是搜索：真正理解一切，同时让电脑不再笨拙、真正理解你。

3.2 从语音识别切入机器学习

语音很重要，但当时的语音识别水平"不太好"，不能真正理解你。
于是 Google 开始做机器学习研究来改进语音识别。

3.3 YouTube 上的"猫实验"（关键案例）

Google 想："我们能不能理解 YouTube？"
在 YouTube 上跑机器学习，结果它自己发现了"猫"。
Larry 强调这是一个重要概念："尽管它自己（没有被告知），我们意识到这里面真的有东西——我们可以学会什么是猫。"

易错点/考点： 这个"YouTube 猫"实验是深度学习史上的标志性案例之一（即著名的"Cat Neuron"实验），说明无监督学习能从海量原始数据中自动提取出有意义的抽象概念（如"猫"），而无需人工标注。

3.4 DeepMind 的核心能力：无监督学习

DeepMind 最惊人的地方在于：它可以用无监督（unsupervised）的方式学习。
从电子游戏开始：仅凭游戏画面自动学习如何玩游戏。

四、AI 演示：一个程序玩转所有游戏 [03:48]

Larry 播放了一段 DeepMind 的演示视频：

技术原理拆解：

系统只看到你看到的东西——像素（pixels）；
输入是控制信号，反馈是分数（score）；
同一个程序学会了玩所有游戏，并达到超人（superhuman）水平；
此前计算机从未做到过这种事。

案例：拳击游戏

程序自己发现可以把对手压制住（pin the opponent down）；
电脑在左侧，不断累积点数。

Larry 的畅想："想象一下，如果这种智能被用在这里（指理解你的日程、你的信息需求），我们其实才刚刚开始。"

理解：这段演示对应的是 DeepMind 著名的 DQN（Deep Q-Network）工作——用同一个神经网络架构，仅凭像素输入，在多个 Atari 游戏中达到超越人类的表现。其关键突破是"通用性"：一个程序而非为每个游戏单独编程。

五、AI 的现状与跨学科背景 [04:57]

5.1 DeepMind 创始人的背景

创始人 Demis Hassabis（转录中作"Demas"）拥有神经科学 + 计算机科学双重背景；
曾回学校攻读博士学位，专门研究大脑。

关键洞察：AI 的突破发生在计算机科学与神经科学的交叉地带——真正理解"要做出智能的东西需要什么"。

5.2 当前 AI 所处阶段

现状：理解 YouTube 上的猫、改进语音识别；
Google 用大量机器学习渐进式地（incrementally）改进产品；
真正令人兴奋的是：一个程序可以做很多不同的事。

5.3 "机器眼中的猫"图像

主持人展示了一张由机器生成/识别的猫的图像：

"这是机器看猫的方式，以及它们得出的结果。"

这张图完全由机器设计（designed by machines）、由机器看见（seeing by machines）。
它只是通过观看 YouTube 学习，没有任何训练、没有"猫"的概念；
但"猫"这个概念本身是人类能理解的重要抽象，机器也能够理解它。

考点： 这里区分了两个层次——（1）机器识别出"猫"这个类别；（2）机器还能生成猫的图像。后者说明模型不仅学到了判别能力，还学到了数据的内在结构表征。

六、搜索与信息普惠：肯尼亚农民的故事 [06:28]

Larry 播放了一段视频，讲述一位普通人如何用互联网改变生活：

案例内容：

他种土豆，遇到虫害问题；
通过上网查询，发现是蚂蚁的问题，按网站建议在植物上撒木灰；
几天后蚂蚁消失，问题解决；
他帮朋友查资料，朋友后来在当地学校装了风车；
他感到自豪，因为"那里本来没有的东西，因为我的存在而有了"；
他意识到：不是每个人都能访问我能访问的东西；
于是他做了个木制公告板：在手机上查到信息后，抄写到公告板上，就像一台"电脑"，用来帮助邻居。

视频中人物："我在为我和我的邻居寻找更好的生活。"

Larry 的点评与主持人的总结：

很多人能获取信息，但没有后续行动（no follow-up）；
当人们拥有知识，就能自己找到解决方案，而不必依赖他人帮助；
信息本身很难，但关键在于我们如何使用它。
主持人：Larry 想改变世界，他相信技术能指路；这需要互联网接入，也涉及语言问题，以及人们如何获取信息并影响自己的社区。

思考：这个案例把"信息可及性"从技术问题提升为社会发展问题——搜索的价值不在于信息本身，而在于它能否转化为行动与自主能力。

七、Loon 项目：用气球连接全球 [09:13]

7.1 项目背景

全球三分之二的人目前没有良好的互联网接入；
Google 推出 Loon 项目（转录中作"saloon project"），用气球提供互联网接入；
目标是低成本、高效率地帮助这些人。

7.2 技术难点与创新

气球不需要被拴住（not tethered）；
这个想法在真正动手前已经酝酿了五年甚至更久；
核心问题：如何廉价地把接入点送到高空？ 传统方案是卫星，但发射和部署耗时很长。

7.3 灵感来源

Larry 搜索发现：三四十年前就有人用气球（配枪/炮）绕地球多圈；
他由此想到："为什么今天不能做这件事？"

7.4 如何控制气球位置（关键技术原理）

考点： Loon 气球不是"随风漂流"的失控系统，而是通过控制高度来间接控制水平位置。

问题："你们是不是完全受制于风？" —— 是的，但……
解决方案：做气象模拟（此前可能从未有人做过类似工作）；
通过向气球内泵入空气等方式控制其高度（altitude）；
不同高度层的风向不同，因此控制高度就能大致控制气球的去向；
最终可构建一个覆盖全球的网状网络（worldwide mesh）。

理解：这是"利用自然规律而非对抗自然规律"的工程思路——不直接驱动气球水平移动，而是借助大气分层风场，通过高度调节实现导航。

八、隐私与安全：斯诺登事件的立场 [10:45]

主持人转入此前讨论过的话题：斯诺登（Snowden）事件与安全、隐私。

8.1 核心观点

"没有安全就没有隐私（you can't have privacy without security）。"

Larry 先谈安全，再谈隐私。

8.2 对政府秘密监控的态度

"政府偷偷做这些事、不告诉我们，这极其令人失望。"
"如果我们一边说要保护用户免受政府侵害，一边却从未就这些事进行过对话，那我们不可能拥有民主。"
他并非要求知道具体的反恐行动细节，而是：
- 需要知道监控的参数边界；
- 需要知道政府会进行何种监控、如何进行、为什么；
"政府偷偷做这些事，实际上是给自己造成了巨大的伤害。"
政府从未就这些事来问 Google（或公众），"我们需要就此展开辩论，否则民主无法运转。"
Larry 表示难过：Google 被迫处于"保护用户免受政府秘密行为侵害"的位置，而这根本说不通。

8.3 隐私层面

世界在变化：人们随身携带手机，手机知道你在哪，关于你的信息比以前多得多；
因此人们提出尖锐问题是合理的；
Google 花大量时间思考这些问题；
核心做法：给人们选择权（provide people choice）：
- 展示收集了哪些数据（搜索历史、位置数据）；
- 推出 Chrome 的无痕模式（incognito mode），并扩展到更多场景；
- 让人们有更多选择、更多对正在发生之事的认知。

九、医疗数据的"因噎废食"之忧 [12:41]

Larry 提出一个重要的隐私辩证观点：

"我担心我们在隐私问题上会'把孩子和洗澡水一起倒掉'（throw out the baby with the bathwater）。"

具体设想：

如果能匿名地让研究型医生访问所有人的医疗记录，会怎样？
当研究医生访问你的病历，你可以看到是哪个医生访问的、为什么访问；
你或许还能借此了解自己患有哪些疾病；
"如果做到这一点，今年就能拯救 10 万条生命。"

Larry 的亲身案例：

他因嗓音问题一度害怕分享自己的病情；
在主持人鼓励下分享了，结果"是件很棒的事"；
反响巨大，成千上万有类似病症的人参与进来——而这类数据此前完全没有。

易错点： 隐私保护不等于"信息完全不流动"。Larry 的观点是：必要的条件是人们有信心自己的信息不会被滥用；在满足这一条件的前提下，信息共享能带来巨大的公共利益。

思考：这里体现了"隐私—效用"权衡的经典张力。Larry 的立场不是二元对立，而是主张通过透明度（谁访问了、为什么）和可控性来建立信任，从而释放数据的社会价值。

十、交通系统：自动化汽车与自行车 [13:30]

10.1 兴趣起源

Larry 在密歇根上大学时，等公交又冷又下雪，感到沮丧；
于是研究公交成本，迷上了交通系统；
这催生了自动化汽车（automated car）的想法；
18 年前，他了解到有人在研究自动驾驶汽车，从此着迷。

10.2 自动驾驶的社会价值

安全价值：

每年有 2000 万人以上受伤；
在美国，交通事故是 34 岁以下人群的首要死因。

空间价值：

洛杉矶一半的面积是停车场和道路；
大多数城市也好不到哪去；
我们的空间被大量用于停车和道路，这很疯狂。

进展：

自动驾驶已累计行驶超过 10 万英里，完全自动化；
Larry 对尽快推广非常兴奋。

10.3 自行车项目

Google 的想法：给每个人提供免费自行车；
效果惊人：大多数出行都用自行车，自行车几乎 24 小时都在被使用；
主持人问是否想在城市街道上也推广。

视频演示：低成本分离自行车与汽车

Larry 展示了一个"看起来完全疯狂"的方案：如何以最低成本把自行车与车流分开；
这是他在搜索时发现的，Google 并未实际在做这个具体项目，但它能激发想象力。

理解：Larry 在这里展示的是一种"搜索即灵感来源"的工作方式——先找到已经存在的巧妙方案，再思考如何规模化应用。

十一、创新哲学：10X 与"附加性" [15:59]

11.1 核心概念：附加性（Additionality）

"我用的经济学概念是'附加性'（additionality）——意思是你在做一件如果没有你去做就不会发生的事。"

你越能做这样的事，你的影响就越大；
这类事情往往是人们认为不可能的事。

11.2 技术地平线

"我对技术了解得越多，就越意识到自己不知道的东西有多少。"

原因在于技术地平线（technological horizon）：
- 你能看到下一步能做什么；
- 对技术了解越多，就越知道什么是可能的；
- 例如：气球之所以可能，是因为存在某种能胜任的材料。

11.3 发明不够，还要商业化

以特斯拉（Tesla）为例：

特斯拉发明了我们使用的电力系统；
但他难以把它推广给大众；
这需要由其他人来完成，且耗时很长。

Larry 的结论：

发明（invention）本身不够；
需要把"创新/发明导向"与"能够真正商业化、把产品以积极方式带给人们"的能力结合起来；
这样还能给人们希望——Loon 项目让他惊讶的是，人们如此兴奋，因为它给那三分之二没有互联网的人带来了希望。

十二、企业作为变革的推动者 [18:06]

12.1 对企业现状的批评

Larry 感到沮丧：大多数人认为公司本质上是邪恶的；
他认为这有一定道理：
- 很多公司还在做 50 年、20 年前那种渐进式的事情；
- "这不是我们需要的。尤其在技术领域，我们需要革命性的改变，而不是渐进式的改变。"

12.2 关于"把钱交给 Elon Musk"

主持人提到：与其把钱留给某个事业，不如直接给 Elon Musk，因为你相信他能改变未来。

Larry 回应：

去火星、为人类做备份是有价值的目标，但那是一家公司、一件具体的事；
Google 也想做类似的事情；
Google 有很多员工变得相当富有，他们工作是因为想改变世界；
关键在于：他们所在的公司是否值得他们投入的不仅是时间，还有金钱；
"但我们没有这样的公司概念，我们不是这样思考公司的，这很可悲——因为公司占据了我们大部分的努力、大部分人的时间、大量的金钱。"
Larry 希望 Google 能比现在做得更多。

思考：这段反映了 Larry 对"公司作为社会变革载体"的信念——企业不应只是渐进改良的机器，而应承担推动革命性变化的责任。

十三、收尾：什么品质成就了他 [19:44]

主持人最后提问："什么样的心态、什么样的思维品质，对你最有用？"（提到默多克说"好奇心"，比尔·盖茨和巴菲特说"专注"。）

Larry 的回答：

他观察很多公司为何无法长期成功，发现公司更替速度在加快；
这些公司根本上做错了什么？ 答案通常是："错过了未来（miss the future）。"
因此他专注于：
- 未来究竟是什么？
- 我们如何创造它？
- 如何让组织高度聚焦于此并以高速推进？
他的特质是：关注别人可能不会想的事情，做别人没在做的事——因为那里才是"附加性"真正所在；
并且愿意承担这种风险。

补充案例：Android

Android 起步时只是 Google 收购的一家小公司，并非当时的主业；
Larry 当时为在 Android 上花时间而感到内疚；
现在回头看："那太愚蠢了。那就是未来，那是值得做的事。"

考点： "错过未来"是 Larry 对失败公司的核心诊断。与之对应的是他的行动准则——做别人不做的事、承担风险、聚焦未来。Android 的案例说明：短期内看似"不务正业"的投入，可能正是未来的关键。

主持人致谢，Larry Page 结束访谈。

关键标签 / 关键词

Google #LarryPage #人工智能 #DeepMind #机器学习 #无监督学习 #搜索 #GoogleNow #Loon项目 #互联网接入 #隐私 #安全 #斯诺登 #自动驾驶 #交通系统 #10X #附加性 #创新哲学 #企业变革 #TED演讲

拓展补充【拓展】

以下内容为基于视频主题的背景延伸，非视频原文内容：

【拓展】DeepMind 与"YouTube 猫"实验 视频中提到的"机器学习在 YouTube 上发现猫"，对应 2012 年 Google Brain 团队（Andrew Ng、Jeff Dean 等）的著名实验：用 16000 块 CPU 训练一个大型神经网络，在未标注的 YouTube 视频帧上，其中一个神经元自发对"猫"产生强烈响应。这被视为无监督特征学习的里程碑，证明了规模+数据可以自动涌现出高层语义概念。

【拓展】DeepMind 与 DQN 视频中"一个程序玩所有游戏"对应 DeepMind 2013/2015 年发表的 DQN（Deep Q-Network）工作。它用同一个网络架构，仅以原始像素为输入，在 49 款 Atari 游戏中达到人类水平甚至超越人类。关键创新包括经验回放（Experience Replay）和目标网络（Target Network），解决了强化学习中样本相关性和训练不稳定的问题。

【拓展】Loon 项目后续 Loon 于 2013 年作为 Google X 项目公布，后成为 Alphabet 旗下独立公司。其核心原理正是视频所述：通过调节气球高度进入不同风向层，实现水平方向的间接导航。2021 年，Loon 公司宣布关闭，原因之一是商业模式难以持续，但其在应急通信（如波多黎各飓风后提供网络）中曾发挥实际作用。

【拓展】自动驾驶安全数据 视频提到"美国 34 岁以下人群首要死因是交通事故"。根据美国 CDC 数据，机动车交通事故长期是 1-44 岁人群的主要死因之一。自动驾驶的支持者常引用"94% 的交通事故与人为失误有关"（NHTSA 数据）来论证其安全潜力，但同时也面临"长尾场景"（corner cases）和伦理决策等挑战。

【拓展】"附加性"（Additionality）概念 Additionality 原本是碳交易/气候政策中的术语，指减排量是否"额外"于基准情景——即如果没有该项目，减排是否也会发生。Larry 借用它表达：只有当你做的事在你不做时就不会发生时，你才创造了真正的增量价值。 这与"10X 思维"（追求 10 倍改进而非 10% 改进）一脉相承。