谷歌DeepMind在保持企业规模的同时采纳初创企业的速度
在2014年1月，谷歌收购了DeepMind。12年后，其CEO Demis Hassabis将该组织描述为一种内部初创企业，这一单位决定引入执行速度、风险容忍度和产品发布文化，以便与更灵活的竞争对手抗衡。隐含的诊断是严厉的：作为全球最强大的人工智能研究机构之一，DeepMind已经积累了成熟企业的经典问题。它拥有资产，但缺乏韵律。
Hassabis所描述的并不是市场营销，而是一种值得冷静解读的操作信号。
大企业中不愿提及的问题
据Hassabis本人所述，谷歌和DeepMind共同开发了大约90%的现代人工智能产业的进展，包括转换器（Transformers）和深度强化学习。如果这个数字大致正确，它描述了前所未有的研究优势。然而，进入2025年，字母表公司的投资者公开质疑谷歌是否能够与OpenAI保持步伐。
研究能力与产品部署速度之间的差距正是破坏竞争优势的结构性裂缝。这不是会计危机，不会显示在财务报表上，而是出现在市场知觉中，最终影响用户参与度。
Hassabis的回应是谨慎的：不通过大规模重组从上到下进行调整，也不通过收购外部初创企业来注入速度。相反，他的赌注是将具体的操作行为引入内部。他将其描述为“恢复谷歌10到15年前的黄金时代”，以及“为我们的工作带来初创企业的活力”。在组织风险管理方面，这相当于试图在不改变容器的情况下改变水的密度。
战略性的问题不在于意图是否正确，而在于这一机制是否能够在这个规模下正常运作，而不会产生抵消所追求优势的摩擦。
实验的架构：改变了什么和没改变什么
Hassabis所描述的转变有三个可观察的组成部分。首先，发布周期的加速：Gemini 3和内部称为Nano Banana的图像生成系统被展示为其类别的基准产品，而不是研究原型。第二，直接集成到Chrome、YouTube和搜索等大众消费平台中，消除了实验室和最终用户之间的距离。第三，朝向多模态系统的重新定向，这些系统能够同时处理图像、视频和音频，以此作为相比于以文本为主的模型的差异化战略。
这是改变了的部分。未改变的部分同样值得关注：DeepMind仍在字母表的公司结构内运行，拥有其治理流程、预算审批周期以及巨额固定成本基础。Hassabis用自身的比喻来描述这一切：DeepMind是一座“连接到这家公司其余部分的核电站”。这个隐喻在某种程度上可能并非有意，但确实准确。核电站并不会迅速重新构建。其价值在于持续的能量输出，而非启动灵活性。
DeepMind正试图在保持发电能力的同时，为其上层安装更加灵活的分配机制。在财务架构方面，这意味着基础研究的固定成本依然极高，但研究转化为产品的周期被压缩。如果这种压缩有效，则单位经济改善而不减少已安装的能力。如果不成功，在初创企业的速度和公司惯性之间将累积协调成本，结果将比这两种模型中的任何一种都要差。
Hassabis无法完全控制的风险不对称
Hassabis将2030年视为实现通用人工智能的可能最早时间，并诚实地警告说，进展往往比预期需要更多时间。这种校准很重要，因为它界定了当前桌面上赌注的类型。
如果通用人工智能的前景是2030年或更晚，那么如今的相关竞争并不是谁首个实现通用人工智能，而是谁能建立用户基础、反馈数据和实际工作流的整合，这将决定在门槛突破时谁具有优势。从这个角度来看，产品发布的加速不是战术的转变，而是对于尚未到来的过渡的核心定位策略。
结构性风险另有他处。在大型企业内部以初创企业的速度运作的组织往往会产生两种可预测的病理现象。第一种是模糊优先级综合症：当一切都需要快速推出并同时连接到多个产品表面时，内部团队之间争夺计算资源、人才和管理关注。第二种是累积的质量债务：发布压力可能会激励决策，促使优先考虑速度指标而非产品的稳健性，从而导致用户不满意或后期修复成本。
Hassabis承认竞争“激烈而强烈”，并将策略描述为“屏蔽噪音并执行”。从关注的角度来看，这完全是正确的。风险不是来自外部噪音，而是来自于在同一系统内以两种速度运作所产生的内部摩擦。
使这个案例不同于大多数企业“像初创企业思考”尝试的地方在于，DeepMind拥有初创企业所没有的东西：对庞大计算基础设施的直接访问，通过已在数十亿设备中安装的产品实现的全球分布，以及产生技术信誉的研究历史，以赢得全球顶尖工程师的信任。这些不是次要优势，而是使得这一实验具备在其他地方失败的条件下获得真实成功几率的要素。
市场尚未完全消化的论点
Hassabis正在构建的模型，如果成功，将不是初创企业或传统企业。这是一种模块化结构，其中研究层以长视野和对不确定性的容忍度运作，而产品层则以短周期和对用户的敏感度运作。这两层的共存而互不占用对方资源，是DeepMind面临的最艰难的组织工程问题。
能否成功的信号不会来自Hassabis的声明或字母表的新闻稿。它将来自于与用户感知的质量相比的实际发布节奏，以及Chrome、YouTube和搜索中的整合是否产生DeepMind能够利用的数据反馈，从而缩小其在目前落后的类别中与OpenAI的差距。
实验正在进行中。如果Hassabis所描述的结构能够保持研究成本周期与产品转化周期的分离，那么它将具备正确的架构，以在没有依赖于单一发布的情况下，生存于中期的竞争中。
