近日，在TechCrunch Disrupt 2025 的 AI 舞台上，Google雲CTO Will Grannis 接受了訪談。本次對話聚焦 AI Agent技術的前沿進展及其對商業和雲基礎設施的顛覆性影響。深入探討了開發者建構 AI Agent 的兩條核心路徑、“AI Agent 商業”及其支付協議的運作模式、AI 時代的安全思維轉變，以及 AI 基礎設施從“訓練優先”向“推理優先”的重大轉向。Will Grannis提出，企業必須徹底轉變思維，從將自動化機器人視為威脅，轉變為“機器人就是你的客戶”。企業需要建構新的 AI來理解和管理這股 AI Agent 洪流，否則將被淘汰。AI Agent 支付協議預示著 B2B 領域自動化的價值交換。未來，企業間的發票處理、庫存採購等都將由多 AI Agent 系統自動、即時地完成。AI Agent 仍處於發展的極早期，類似雲端運算的黎明階段。雖然單一任務的 AI Agent 已在創造價值，但由“蜂群”組成的複雜多 AI Agent 編排仍是前沿，且實現起來極其複雜。Will Grannis指出了當前 AI 工作流的核心瓶頸，AI 內容生成的速度遠遠超過了人類評估的速度，導致管理者面臨“無限資料夾”的噩夢。因此，短期內最重大的突破將是 AI 作為“評判者”，利用 AI 的速度來篩選 AI 的輸出。01. AI Agent 的兩種建構路徑當我們討論建構基於雲的AI Agent 時，開發者可能不清楚現有那些工具。目前可用的建構模組有那些？Will Grannis:目前有兩條路徑。如果您想採用程式碼優先的方式，並且真的想深入瞭解建構AI Agent 的細節，您可以選擇像Agent Development Kit (ADK)這樣的路徑，它能提供更精細的控制。這將為您提供可觀察性、偵錯、工具管理、工具建立等所有功能，這些都打包在一個精巧的工具包裡，幫助您入門，特別是當您真的追求最佳化和建構 AI Agent 本身，並希望從這些首批編碼的 AI Agent 中獲得價值時。如果您的想法更像是‘我想建構一個應用，而 AI Agent 流程是我建構應用的方式’，那麼我們有一條完全不同的路徑，那就是 Gemini Enterprise。通過 Gemini Enterprise，您基本上只需進入一個 UI，然後說：“嘿，我想查看一下這周的日程，並為接下來的會議做準備。”這顯然是我一直用的功能。“我想為我即將參加的會議做準備。”因為它內建了連接您日曆的連接器，也內建了連接到第三方資料來源 (例如您的 CRM) 的連接器，您就不必費力處理所有的資料工程和資料管理。您只需為您的 AI Agent 定義一個目標。您已經有了內建的連接器。AI Agent 現在就有了上下文。它會提前運行，查看您的日曆，並且會主動提議，比如：“嘿，根據您要會見的對象和會議的性質，這裡有一些關於調研的想法。這裡有一些背景資料，可能在會議中對您有幫助。”所以這完全取決於您要建構什麼。如果是程式碼優先和 AI Agent 側的最佳化，那就用 ADK，這條路徑也會帶您走向多 AI Agent 的編排。我想我們可能還會談到 AI Agent 商業。如果您只是想建構應用，那就用 Gemini Enterprise，選擇那個“簡單模式”。02. 未來 B2B 交易也將由 Agent 自動完成談到AI Agent 商業，Google 推出了新的支付協議，它基本上允許 AI Agent 幫使用者把商品加入購物車，甚至可能完成購買，就像把信用卡交給了實習生。這是如何逐步實現的？Will Grannis:這完全取決於您的用例，但使用這個AI Agent 支付協議主要有兩條路徑。我們還是從堆疊的角度來看待這個問題。首先，我們必須讓 AI Agent 能夠啟動並運行，並為您提供快速啟動和運行 AI Agent 的工具。這就是 ADK。在此之上，許多工作流會涉及多個 AI Agent，所以我們有了 agent-to-agent 協議。然後，一旦您在多個 AI Agent 之間進行交易和互動，您就希望交換價值。因此，就有了 AI Agent 支付協議。這裡有兩種主要的用例。第一種是，“我給您一些參數，我希望您去...”比如您是個玩鞋的人，您總是搶不到鞋，因為那些機器人總比您快，它們在您之前就搶到了發售的運動鞋。您可以定義一個 AI Agent，說：“我想要這款運動鞋，價格範圍大概是這樣，特性是這些，當它有貨時，通知我。”這就是我們所說的授權。您給了這個 AI Agent 一個授權，它就會去監控網路，一旦那些設定的護欄條件滿足了，它就會來提示您。然後您可以選擇是否把它加入購物車並完成交易。還有另一種情況是，“你知道嗎？我信任這個 AI Agent 去篩選所有這些東西，把它放進購物車，我真正想做的只是完成最後的交易。”這種情況有兩層授權。首先是一套初始的護欄，然後是一個信任授權。想想旅行的例子。您想去某個地方，您希望它幫您把機票、酒店、當地體驗等一系列選項都組合好。這就需要多個 AI Agent 出去，把這些資訊帶回來，放進購物車，然後說：“好了，可以結帳了，”這時人類使用者再去結帳就行了。作為一名技術專家，關於這點有件非常重要的事情：因為我們還處在 AI Agent 發展的早期階段，AI Agent 支付協議只是未來的一個預兆，它預示了您將如何自動化地交換價值。這和什麼相關呢？如果您是一家初創公司，您正試圖推廣您的庫存，未來您將是向一大群 AI Agent 推廣您的庫存。您希望以儘可能自動化、儘可能快的方式完成這些交易。而現實中，人類的慢節奏和難以預測的行為，比如他們會瀏覽您的網站，查看您的庫存，然後把商品留在購物車裡，最後又棄單，他們會做各種各樣的事。在某種程度上，我們其實在建構兩種東西：一種是面向消費者版本的未來新商業，另一種則是在 B2B 場景下的應用。您可以想像，如果您是一家大型航運公司，每天收到數百萬張發票，您肯定希望能在後台自動完成這些交易：接收發票、支付有效發票、標記出那些可能有點異常的發票，並以高度規模化和自動化的方式來完成。所以，未來會看到更多這種多 AI Agent、自動化、即時的履約。但我們必須有個起點。您必須從基礎開始，就像網際網路一樣。您必須從協議和關於如何交易的參與規則開始。03. 機器人也是你的客戶您提到“糟糕的機器人總在搶購剛發售的運動鞋”，但您在這裡建構的，不也是一個用來買運動鞋的機器人嗎？這觸及了這件事的社會複雜性。我們正處在這樣一個世界：也許有些人在用 AI Agent 買東西，其他人還在網上或實體店買東西。您如何看待商店的立場？當這些 AI Agent 買家出現時，他們會高興嗎？Will Grannis:這是一個由您控制的精密機器人。現在，您和那些過去常常搶光所有庫存，然後再高價轉售的聚合者站在了同一起跑線上。所以在某種程度上，我們也是在微調這些AI Agent 流程，以便您能從一個工作流中獲得更多價值。而作為個人消費者或企業，也許您就不再需要付錢給那些中間商了。也許現在您也能擁有過去只有那些聚合者才擁有的能力。(關於商店對 Agent 的態度)最終會的。我這麼說，是因為我們中有多少人一直在設計各種機制來應對 robots.txt 和那些訪問您網站或業務的自動化機器人。在過去，我們可能會稱它們為惡意軟體或網路安全事件。所以，如果您是 CISO，或者是現在任何一家有一定規模組織的安全主管，您真的必須徹底轉變您的思維，從‘機器人是壞的’轉變為‘機器人是您的客戶’。這就是我為什麼說“最終會”。因為現在，這有點像 AI 領域的“攻防博弈”。所以現在 CISO 們面臨著網路安全領域的一個巨大機遇：如果您能建構工具來推理和梳理這種湧入您組織、您網站、您商業平台的 AI Agent 洪流，那麼您就能抓住這種先行者的優勢。如果您不設計 AI 系統來理解這些新行為，您就會被淘汰。作為一名技術專家，我總是在思考的一件事是：我如何才能盡快地建立學習循環。因此，現在很多前沿公司正在建立邊界或沙箱；他們正在創造方法來刻畫這些湧入的 AI Agent 洪流，並且學習如何更快地針對它建立監控和應對機制。所以，這有點像您必須先放它們進來一點點，這樣您才能獲得學習曲線。但這方面很多工作目前都還在設計階段。04. 開放協議 vs 圍牆花園關於Agent 商業還有另一種願景，就是 OpenAI 的 Instant Checkout，他們採用的是逐個公司合作的方式，比如和 Stripe、PayPal 合作，這走的不是開放協議的路子。我們似乎又回到了“圍牆花園”還是“開放協議”的經典掙扎中。您如何看待這兩種選擇帶來的後果？Will Grannis:我賭開放。如果您回顧網際網路的基石，回顧今天商業的基石，您會發現它們底層都是在社區中建立起來的標準和協議。這涵蓋了從封包如何在網路上傳輸，到您如何信任一個網站確實是它聲稱的那個網站，再到圍繞安全的權威機構。從開放開始是絕對關鍵的。這就是為什麼在我之前提到的ADK 中，您可以將 Gemini 以外的模型引入 ADK，並使用其他人的模型來建構 AI Agent。這一直是我們採取的策略，我加入 Google Cloud 到現在已經 11 還是 12 年了。從最開始，就是 Kubernetes，就是 TensorFlow，就是開放標準。我們就是這樣為您這樣的建構者提供一個選項：如果您想自己組合和管理，您有這些開放版本，您有很多選擇；如果您想利用一些我們提供的託管服務，我們也可以為您做到。談到目前 AI 基礎設施的規模化使用。事實證明，如今的客戶、企業和建構者，他們不想為了獲得 AI 模型和 AI 基礎設施而支付經銷商費用。所以他們喜歡來 Google Cloud 這樣的地方，我們有自己的第一方模型，有自己的第一方 AI 基礎設施，我們不只是在轉售別人的東西。而且因為我們擁有這些，我們也在學習如何最佳化它們。所以如果您想要規模化的 AI 基礎設施，我們可以通過 GKE 以託管的方式，為您提供託管的、規模化的TPU。或者，如果您想自己建構抽象並自己管理，Anthropic 和其他客戶也一直在學習如何建構，以及如何一路從 GPU 遷移到 TPU。我想，有句話叫“一不做，二不休”，大概就是這個意思。05. 多 Agent 編排仍是前沿我們正在描述的這個AI Agent 商業世界其實還沒有真正到來。您覺得它到來的速度會有多快？那麼，我們大概什麼時候能開始看到那樣的場景呢（指由成百上千個 AI Agent 組成的“蜂群”）？是五年後？還是五個月後？Will Grannis:我與很多初創公司和大型企業都有合作。我可以告訴您，這些AI Agent 工作流的第一批迭代，通常 AI Agent 的數量都比較少。所以，我會說，由成百上千個 AI Agent 組成的“蜂群”還沒有出現，但幾十個到接近一百個的規模是有的。如何對它們進行編排是一個需要重點考慮的問題。但實際上，現在已經有不少 AI Agent 的部署案例了。舉個例子，Sully AI，這是一家初«公司，它在醫療保健領域，基本上是為醫療工作者提供醫療保健任務自動化的 AI Agent 即服務。醫療保健領域每天都有大量的行政任務需要處理。Sully AI 利用 Google Cloud 建立了 AI Agent，讓醫療工作者能把大量的行政負擔降到最低，從而專注於病人護理。所以，它們已經應用在現實世界中，並且正在創造價值。我認為，目前的前沿更多在於多 AI Agent 的互動，以及複雜的多 AI Agent 編排。(關於具體的時間表)您這是在要求一位技術專家和 CTO，當著這麼多人的面，給出一個確切的路線圖時間表。Russell，我可不是第一次經歷這種場面了。但我想說的是，我認為您可以押注於一波接一波的創新浪潮。第一波浪潮，也就是建構單一任務 AI Agent 來完成單一功能，現在已經到來了，並且正在迅速增長。這和 RPA 以及自動化的早期迭代有點接近。但我認為，我們正在迅速進入多 AI Agent 編排的工作流階段，前提是在同一個用例中。比如市場行銷領域，生成創意。現在，您可以使用 Gemini 作為前端，說：“嘿，我對這個有趣的創意有個想法，”然後它會呼叫底層的 Imagine 或 Nano-banana，給您一個初步的方案，比如：“它大概是這個樣子。”然後您可以把它傳送到 VEO，把它變成一個短影片。但您還需要其他東西，比如品牌指南，您還需要 AI 充當“評判者”，來判斷：“這個內容是我能推送給使用者的嗎？”所以在這些工作流中，目前正在發生的大量創新，就是讓 AI 具備評估輸出的能力。在我的團隊裡，我們常說，如果您現在是一名管理者，只要您處在任何一個工作流中，AI 基本上都讓您的生活變成了一場噩夢，因為它會給您堆積如山需要驗證或評估的東西。而作為人類，這暴露了我的年齡，我總把它想像成辦公桌上堆積的資料夾。在過去您當經理時，您有一張辦公桌，人們把他們的東西放在資料夾裡拿給您，您必須批准。在那個時代，您處理事情的速度取決於人類能以多快的速度把資料夾放到您桌上，取決於他們完成工作的速度。所以，那時候還行。我每天可能收到 20 到 100 個資料夾，我盡力處理，到周末，只要資料夾清零了或者數量很少，那就很棒。但現在的問題是，AI 幾乎可以瞬時建立無限多的資料夾。因此，短期內一個重大的突破點將是 AI 作為“評判者”，AI 評估，以及基於品牌指南或企業資料的能力。這能讓 AI 的輸出具有上下文感知能力、真正有用，並且是公司樂於使用並感到自豪的成果。相比之下，我認為那些大型的 AI Agent“蜂群”，目前還存在很多脆弱性。比如在金融服務領域。假設您想建構“金融顧問機器人”。根本沒有所謂的“金融顧問機器人”，因為金融諮詢是一系列任務的集合，大概涉及到 10 到 14 個不同的任務。在今天，試圖讓 10 或 14 個 AI Agent 協調它們的觀點，並將這些觀點綜合成一個統一的輸出交付給人類，這是一個極其複雜的過程。這絕對是前沿領域，我得說，還有很長的路要走。06. 必須用 AI 的速度來評估 AI這個“堆積資料夾”的比喻真是太形象了。但這也意味著，我們現在仍然在嘗試評估。當我聽到“AI 評估 (evals)”時，我想到的是基準測試和人類評估 AI。但現實是，我們需要 AI 能夠自己評估 AI 的輸出，並開始清理那些資料夾。Will Grannis:我們需要用同樣的速度。問題就在這裡，人類的認知和人類的評估是以人類的速度進行的。但是AI 生成內容的速度遠遠快於人類去判斷“這個好，這個壞”的速度。所以您必須，這幾乎是所有工作流中都必須解決的關鍵問題之一：決策的速度，內容生成的速度，分析、綜合、報告的速度，這取決於您所處的用例。您必須讓 AI 盡快地篩選，剔除那些明顯不行的內容，並真正為人類篩選出那些最有價值的評估任務、那些最複雜的邊緣案例。這超級關鍵。07. Agent的最後一塊拼圖：我們還缺什麼？顯然，AI Agent 正取得巨大的技術進步。它們是否已經“大功告成”了？我們缺失的部分，是否真的只是來自底層 Agent 技術本身的更多能力？Will Grannis:我認為這涉及多個層面。舉例來說，Gemini 作為當今領先的前沿模型，保持這個地位已超過六個月，在這個領域裡，這感覺就像一個世紀那麼久。這種勢頭必須保持下去。因此，我們絕對需要創新，需要更強的推理能力，需要更多的導航能力，以及像 Gemini 這樣的前沿模型或前端中那種無處不在的環境感知能力。這是我們需要的。但我們還需要 Grounding 工具。你需要能更便捷地接入企業資料。要實現這一點，部分需要依靠連接器、建立工具，以及“發佈和訂閱”模式。如果有人像我一樣在這個行業待了很久，就會懂這個。發佈和訂閱的概念就是：你有資料來源，它們發佈自己的可用性；然後有消費者訂閱相應的主題。我們現在又回到了這個模式，只是換了套說辭。所以現在，對於公司和組織而言，如果他們還沒有通過 API 或工具將資料“外部化”，他們在這個世界上就有被甩在後面或變得無關緊要的風險。因此，你需要連接器，你需要建立好的工具，你需要一個由資料來源和 API 組成的豐富生態。你需要 API 管理。你需要一種方法來梳理和駕馭所有這些不同的選項。這還僅僅是技術堆疊裡的三層。如果我們再有三天時間，我們也許能把所有層次都過一遍，因為在這些層次之間還有大量的“繫結”，是它們讓這些工作流在現實世界中真正發揮作用。你不能只選擇一個領域。作為 Google Cloud，我們不能只選擇一個領域去創新。我們必須提供，這也是我們正在做的，一個完整的端到端 AI 堆疊。這個堆疊既包含我們第一方的產品，同時在建構時也充分考慮了開放性。所以我們有 Model Garden，有 Agent Gardens，我們提供了這些平台，如果在某個時刻，我們自有的東西不完全是你需要的，你可以去別人那裡獲取。這些都是在當今技術前沿立足的“基本門檻”。08. 配置符合自己品牌定位的治理策略這些工具都極其強大，但網際網路上的每個人並不都像我們這麼友善。我擔心的是安全方面：我們是否需要更好的工具來識別不良行為者，來驗證AI Agent，以便我們能揪出那些不良活動？Will Grannis:答案是絕對需要，而我們才剛剛起步。在Google Cloud 內部，我們高度關注的一個領域就是治理、安全和信任。有趣的是，在生成式 AI 的世界裡，“信任”增加了一個新的維度，它不再是確定性的。所以問題就變成：“我真的能信任這些輸出嗎？我該如何建立信任體系？”我發現，這和識別傳統惡意軟體或注入威脅一樣，既是障礙，也是亟待解決的問題。所以，一方面，基礎技術將持續變得更加安全；但另一方面，存在一個“信任層”，其核心是確保 AI 確實在做它應該做的事。這就需要可觀測性、遙測和評估。而且，信不信由你，並非每家公司在願意承擔多大風險上的“敏感度”都完全相同。這也涉及到了配置問題。我們很早就認識到一點，你可以說我們對安全和責任一直持非常審慎的態度。我們很早發現，有些公司會採用我們的過濾和設定，比如，你是希望它更有創造力，還是更“確定”或“權威”？結果許多人把它設定得非常有創意，遠超我們的想像。因此，對我們來說，關鍵是提供一個平台，讓你可以配置自己的過濾器，根據你自己的品牌定位和你希望承擔風險的方式，加入你自己的治理策略。這遠比我們提出某個單一的風險管理願景要重要得多。我們在歐洲、EMEA、APAC 和美洲等眾多地區營運，這些地方在監管和文化上都有細微差別。我們也在建構 Agent 能力，使其能夠部署在互聯的，或者有時是斷開連接的基礎設施上。我的團隊目前在做的一個項目，就是研究如何發出關於“意圖”的訊號，讓訊號可以跨越那些物理隔離、物理分離的信任邊界？因為你不能直接共享資料本身，而且顯然，AI 也沒法自己“走出”一台機器，“走進”另一台機器去搞清楚狀況...Will Grannis:至少現在現在不能。但我們有辦法，有一些新興技術可以用來理解一個工作流的意圖，或者獲取某種早期遙測資料，然後再設法彌合（物理隔離帶來的）差距。這在安全領域也非常令人興奮，因為它能將更多AI 和 AI Agent 的能力，帶入那些通常對 AI 封閉的場景中，比如更小的計算配置或斷網的基礎設施。這是一個讓我感到非常興奮的前沿方向。09. 基礎設施浪潮：從“訓練優先”到“推理優先”我們談論的這個複雜的AI Agent 世界，顯然會涉及消耗大量的雲服務。與此同時，我們正處在一場史無前例的基礎設施建設浪潮中（如 Meta 和 Stargate 的巨額投資）。你是否會擔心，我們整個社會是不是在“過度建設”，擔心這中間會不會出現某種嚴酷的“修正”？Will Grannis:坦白說，要從整個社會建設的角度來回答這個問題，我需要掌握更多來自其他公司的需求方資料。我必須看到其他公司的需求訊號才能判斷。但我至少可以從Google 的角度談談：第一，我認為 AI 已經明確地重新定義，甚至重啟了雲市場，而基礎設施是其中的重要組成部分。所以，在雲和基礎設施領域，我們今天正處在一個全新的賽局中。關於規模化基礎設施建設的第二點是，需求真的非常非常大。需求太大了，Russell。我認為部分原因是，我們正處在“開創前沿”的階段。現在有多家前沿模型的提供商。而隨著我們轉向推理階段，大家也認識到，必須確保有充足的算力隨時可用於推理。所以我們現在差不多是在跨細分市場同時進行建設。一方面是大型 AI 實驗室，他們需要海量的基礎設施用於訓練和持續的創新研發。但還有另一條線，隨著這些模型越來越多地投入實際應用，推理變得越來越重要。這對我們來說，一直是推動 TPU 發展的重要動力。我們的架構理念也從過去的“訓練優先”，轉變為現在的 Ironwood。我很高興地宣佈，Ironwood 已經通過 GKE 交付給我們第一批可信測試者了。Ironwood 就是為了這樣一個世界而打造的：訓練會一直在，但隨著時間推移，推理將逐漸佔據工作負載的絕大部分。因此，我們實現了 10 倍的性能同比提升，以及 2 倍的效率（包括電源效率）同比提升。這些才是我們真正關心的事情。我們在 Google 已經做過一些規模化基礎設施了。我們深知，要正確地建構，並且以正確的方式建構，就必須持續不斷地尋找最佳化點。所以，也許那些巨頭們花了多少錢、提議了多少基礎設施建設，這些很能吸引媒體頭條。但在表象之下，我們正忙著確保我們的 TPU，從第一代 TPU 至今，我們的性能已經提升了超過 1000 倍。我們現在已經是第七代 TPU 了。在效率方面，當你能實現 2 倍的同比效率提升，這些都是重大的工程成就。但我們也深入到了網路層，深入到我們的海底電纜如何以最高效的方式路由流量。我們的重點，是堆疊每一層的最佳化，並將這些最佳化帶來的好處回饋給客戶。從我所處的位置來看，我目前一點也不擔心需求問題。聽起來您確實認為我們正處在一個轉折點：從“為訓練建”轉向“為推理建”，對嗎？這是一個根本性的轉變，需要深入到晶片層面的不同硬體選擇。Will Grannis:這又是Google Cloud 作為 Google 乃至 Alphabet 一部分所擅長的。我們通過在網路規模上提供 ML 服務，真正學到了如何在網路規模上提供 ML 服務。所以這對我們來說不是什麼新概念。也許對大家來說最有趣的一點是，我們自身對於網路服務的需求，和外部客戶的需求一樣龐大。因此，從需求穩定性、供應鏈穩定性和研發穩定性來看，Google Cloud 本就是靠服務初創公司發展起來的。15 年前，或者說 12 年前我剛加入 Google Cloud 時，我們最大的客戶就是初創公司。他們需要的就是快速擴展的能力，也就是所謂的“（因火爆而導致的）成功危機”。當 Nano-banana 上線時，我們對其 QPS 的預估，比最終實際值低了大概兩個數量級。系統崩了嗎？完全沒有。為什麼？因為在 Google，幾十年來我們一直在建構高度可靠的規模化基礎設施系統。因此，當你和我們一起遇到這種“成功危機”時，我們知道如何動態引流、如何在資源池之間做任務分片。這些能力根植於我們的 DNA 中。而我認為，我們的許多競爭對手，他們還是邊學邊干，他們在基礎設施方面的一些雄心勃志，可能已經超出了他們過往的實際能力。所以我對我們的前景非常看好。10. 我們正用未來的理想形態評判今天的 AI我們的時間快到了，但你之前提到了一個關於技術進步速度的有趣類比，把我們現在所處的AI 時代，和雲服務自身的增長做了對比，你是怎麼說的？Will Grannis:那個類比是，我們傾向於用一個事物在遙遠未來的“理想形態”來評判它的好壞。放到 AI 領域，這個“理想形態”可能是一個完全自主、無處不在的 AI 助手，它在個人生活和工作上都懂你，能主動提供建議，還能平行處理你交給它的一大堆複雜的工作任務。然後，我們再回頭看看“今天能用什麼？”接著我們就會對現狀感到非常沮喪。但如果你回想“雲”的發展歷程，在某個階段，它也僅僅是“我需要一個 API，把資料存到我的資料中心以外”，或者“我需要一些突發算力來處理那些超出現有能力的工作”。但隨著時間的推移，它迅速發展成為規模化資料、規模化分析、主權計算等等的基礎，所有這些形態、功能和事物都湧現了出來。我們將在 AI 領域看到完全相同的發展軌跡。AI 未來將如何演進和呈現，我們現在還處於極早期的階段。因此，我彷彿看到了歷史的重演，這就是為什麼我對未來和我們前進的方向如此興奮。 (數字開物)