走出谷歌的深渊：Andrew Dai与视觉推理的AGI之梦

TL;DR：

作为谷歌Gemini模型核心研发者，Andrew Dai在亲历大厂AI从觉醒到巅峰的14年后，选择在技术狂热中保持冷静。他创立Elorian AI，致力于通过视觉推理填补大语言模型与物理世界的认知鸿沟，试图开辟一条通往AGI的“第三条道路”。

寻找“不被大公司看见”的真理

在硅谷的一个下午，Andrew Dai的办公室显得有些异样：没有通常硅谷初创公司里堆满的咖啡杯，也没有喧闹的黑客马拉松氛围。这里整洁、高效，带着一种剑桥学术式的严谨，同时也预留了充足的讨论空间——按照他的设想，未来这里将汇聚50到70位顶尖大脑。¹

这是Andrew Dai离开谷歌后的第14个月。在此之前，他是那部漫长而壮阔的“谷歌AI编年史”中不可或缺的注脚：从早期的序列学习、MaskGAN，到FLAN、MoE架构，再到后来力挽狂澜的Gemini系列，他的职业轨迹几乎与深度学习的黄金时代重合。²¹

然而，在Gemini 3.0上线后的巅峰时刻，他选择了“出走”。对于外界而言，这或许是又一个顶级大厂人才奔赴创业浪潮的典型案例，但对于Andrew来说，这更像是一次对技术理想的回归。“大公司有大公司的生存法则，但在那个规模之下，哪怕是几十亿美金的投入，也会让创新被迫走向平庸。”他说。¹

错失与觉醒的编年史

回顾14年的谷歌岁月，Andrew Dai的讲述中透着一种温和的客观。他并不回避曾经的错失：谷歌内部官僚体系的厚重，往往让原本领先的预训练范式被OpenAI抢占了先机。“GPT-3发布时，谷歌确实感到了压力。”他回忆道，那场压力后来演变成了DeepMind与Google Brain的强制整合，“两个团队同心协力，但整合过程中的摩擦与博弈，让Gemini 1.0的研发被迫在创新与进度之间做了妥协。”¹

他曾与Transformer的作者讨论过将预训练与Transformer结合的构想，却因当时公司转向医疗AI的方向而遗憾错过。这一经历成了他职业生涯的重要教训：研究品味不仅关乎技术深度，更关乎对时机的敏锐把握。 ¹

在Andrew看来，大厂最稀缺的资源不是算力，而是不受干扰的研发时间。当几千人围绕一个模型转动时，哪怕是极其微小的激进改进，也会被繁琐的评估流程稀释殆尽。离开，成了他保持研究敏锐度的唯一途径。¹

视觉推理：AGI的最后拼图

Andrew创立的Elorian AI，目标明确地指向了当前大模型生态的“盲区”——视觉推理。³⁴

“目前的模型可以生成视频、图片，甚至写出华丽的代码，但它们并不理解自己所处理的对象。”他用老鹰捕食的比喻来拆解这种理解能力：老鹰不需要懂万有引力定律，却能精准计算气流与速度以截获猎物；而现有的AI模型，虽然拥有海量数据，但在基础的视觉常识、空间逻辑与物理规律推理上，依然表现得像个“盲人”。¹

他认为，纯粹的大语言模型（LLM）路径已经陷入了Scaling（扩展）的瓶颈，而学术界的纯视觉模型（World Models）又往往陷入“为论文而论文”的窠臼。“我们的逻辑是，构建一个原生的多模态全栈模型，将语言推理与视觉推理深度结合。” ⁵¹

研究者的“苦行”

这位曾经的谷歌核心科学家，如今正在经历一种截然不同的创业苦行。过去在谷歌，代码库与资源触手可得；现在，他需要亲手处理IT架构、面试候选人、甚至亲自参与CUDA算子的优化。但他乐在其中，“在初创公司，我们买的卡不会被拿走，方向不会每周一变，这就是所谓的研究自由。” ¹

他依然保持着那个14年前的习惯：在最安静的时刻思考技术路径。对他而言，最好的想法往往不在会议室里诞生，而在洗澡、散步或者午后的短暂沉思中。¹

当被问及如果重来一次，是否会改变什么时，他只是微微一笑：“技术发展的窗户期很短，能成为这段历史的参与者和见证者，我已经足够幸运。”而对于未来的视觉AGI，他展现出了极度的审慎与自信——那不是一场关于算力的竞赛，而是一场关于谁能更深刻地理解物理世界的耐心博弈。¹

引用

• Andrew Dai
• 硅谷101
• Elorian AI
• 多模态模型
• 视觉推理
• AGI探索
• 谷歌DeepMind
• 创业者