fanweibin.cn

主题

⏱ 11 分钟阅读✍️ 3,143 字👁 ...AI行业动态# Google DeepMind# Gemini# Gemini 3.5 Pro# Sergey Brin# Demis Hassabis# TPU# 人才流失# 大模型竞争

Gemini 3.5 Pro 被曝"悄悄取消"：算力、人才与编程能力差距压垮谷歌的一场三重危机 ​

2026 年 5 月的 Google I/O 大会上，谷歌信誓旦旦地表示 Gemini 3.5 Pro 将在"下个月"发布。三个多月过去，这款旗舰模型始终没有正式亮相，只在 7 月 31 日于评测平台 LMArena 上短暂现身约 30 分钟便被撤下，随后官方的说法一直停留在"仍在与合作伙伴做封闭测试"。半导体与 AI 产业研究机构 SemiAnalysis 在 8 月的报告中给出了更直接的判断：Gemini 3.5 Pro 已经被"悄悄取消"，谷歌的核心工程资源正在转向代号更靠后的 Gemini 4，而目前顶替门面的是本应只是过渡产品的 Gemini 3.6 Flash。谷歌发言人 Logan Kilpatrick 随后公开反驳，称 SemiAnalysis 的分析"流于表面"，但截至目前谷歌仍未给出 Gemini 3.5 Pro 的确切上市时间，也未正面否认"取消"这个判断本身。

这不是一次孤立的产品跳票。把过去三个月的碎片信息拼在一起——模型延期、创始人紧急出山、CEO 卸任、四名重量级研究员集体出走、王牌架构师跳槽竞争对手、超两成 TPU 算力被合同锁定给 Anthropic——会看到一幅更完整的图景：谷歌在这一轮大模型竞赛中正同时遭遇技术、人事、算力三条战线的压力。对每天依赖 Gemini、Claude、GPT 系列做开发的工程师来说，这场危机不只是八卦，它直接关系到"该不该把生产系统绑死在单一模型供应商上"这个非常现实的问题。

一、背景：从"下月发布"到"悄悄取消"的三个月 ​

Gemini 3.5 Pro 的时间线值得完整还原一遍。5 月 I/O 大会上，谷歌把它定位为对标 Claude Opus、GPT-5.6 Sol 的下一代旗舰模型，承诺"下月推出"；进入 6、7 月后发布节点一再顺延，直到 7 月 31 日模型才第一次以匿名形式出现在 LMArena 竞技场上，供用户盲测打分，但仅仅上线约 30 分钟就被下架，官方没有给出解释。8 月初，SemiAnalysis 在追踪各家实验室算力与模型路线图的报告中判断，这次"闪现"更像是一次内部测试的意外泄露，而不是发布前奏，并明确写下"已被悄悄取消"的结论。

支撑这一判断的核心证据是能力评估：SemiAnalysis 认为 Gemini 3.5 Pro 目前展现出的实际水平，大致只相当于 Anthropic 去年 11 月发布的 Claude Opus 4.5，而不是一款应该在 2026 年下半年对标 GPT-5.6 Sol、Claude Opus 5 的旗舰模型。作为参照，目前顶着"过渡产品"名义在线上服务用户的 Gemini 3.6 Flash，在综合榜单上只能排到第 8、9 位，与头部模型在编程、推理、Agent 任务上的差距是肉眼可见的——这也是为什么谷歌迟迟不愿意把 3.5 Pro 以"旗舰"身份仓促推出：一旦正式发布就要直接接受与 Claude、GPT 的正面评测对比，而不是继续躲在"内测中"的模糊状态里。

二、技术细节解析：编程能力差距、算力错配与人才出走 ​

1. 编程能力是这次危机最直接的导火索 ​

多份报道指出，Gemini 3.5 Pro 迟迟无法定档的核心症结之一是编程能力没有达到内部设定的目标。放在整个行业的坐标系里看这个差距更直观：目前 Terminal-Bench 2.1 上，GPT-5.6 Sol 以 89.5% 领先，Claude Opus 5 紧随其后为 89.1%；SWE-bench Verified 上 Claude Fable 5 以 95.0% 排在第一位。这些基准测的都是模型能否在真实终端环境和真实 GitHub issue 上独立完成端到端的编码任务，而这恰恰是 Gemini 3.5 Pro 相对薄弱的维度。对一家把"Agent 编码能力"作为下一代模型核心卖点的公司来说，这道题答不好，直接决定了模型敢不敢按原计划发布。

2. TPU 算力被合同锁定给最大的竞争对手之一 ​

比技术差距更具讽刺意味的是算力分配问题。今年早些时候，谷歌与 Anthropic 达成了一份规模空前的算力合作：谷歌计划从 2027 年起分阶段向 Anthropic 交付规模达 5GW 级别的 TPU 集群，谷歌对 Anthropic 的投资最高达 400 亿美元，而 Anthropic 对谷歌云的采购承诺则高达 2000 亿美元。摩根士丹利的预测显示，到 2027 年 TPU 对外销售有望拿下全球 AI 加速芯片市场约 20% 的份额——这意味着相当一部分本可以留给谷歌自家前沿模型团队的 TPU 产能，正被合同条款导向了 Claude 背后的 Anthropic。对 DeepMind 的模型团队而言，这是一种结构性的资源错位：一边是自家旗舰模型迟迟拿不出手，一边是为竞争对手训练模型提供算力保障。

3. 一个夏天流失掉的，是过去十年攒下的核心班底 ​

人才流失是三条主线里最引人注目的一条。8 月初，DeepMind CEO Demis Hassabis 宣布卸任 CEO，转任董事长并兼任 Alphabet 首席科学家，日常运营交由高级副总裁 Koray Kavukcuoglu 接手，直接向 Sundar Pichai 汇报——这是 DeepMind 历史上第一次设立独立于执行层之外的董事长职位。几乎同一时间，在谷歌工作 27 年的传奇工程师 Jeff Dean 联合 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 四人一起出走，创办专注于用 AI 自动化科研的 Discovery Loop。再往前追溯到 6 月，Transformer 论文《Attention Is All You Need》的作者之一、曾被谷歌以 27 亿美元代价"买回"的 Noam Shazeer，在回归不到两年后又转投 OpenAI。据报道，仅 Shazeer 和另一位研究员 John Jumper 的离职消息公布当天，就蒸发了 Alphabet 约 2250 亿美元市值——市场用真金白银给这场人才危机打了分。

4. 联合创始人时隔多年重新坐进"驾驶舱" ​

面对这一连串压力，Sergey Brin 的角色变化是整条叙事里最戏剧性的一笔。这位自 2019 年后基本淡出日常管理的谷歌联合创始人，在 2023 年 ChatGPT 引发行业地震后就已经开始"几乎每天"亲自修改代码，而进入 2026 年 4 月，他更进一步，亲自牵头组建了一支突击小组，专门冲刺 Gemini 的编码能力短板。对一家市值万亿级的公司来说，创始人重新下场改代码本身就是一个强烈的信号：常规的组织流程已经不足以在这轮竞速中追上对手，需要用非常规手段抢时间。

三、实践指南：在模型生态剧烈波动期，如何给应用装上"容灾开关" ​

Gemini 3.5 Pro 的跳票不是第一起，也不会是最后一起。对独立开发者和团队来说，与其去猜哪家实验室会不会如期发布，不如把"模型供应商可能随时掉链子"当成需要在架构层面处理的既定风险。一个简单但足够实用的做法，是在应用和具体模型之间加一层按能力分级、按可用性降级的路由层，而不是把 API 调用硬编码指向某一个特定模型。示例（Python 伪代码，思路可以直接套用到 LiteLLM、OpenRouter 等现成网关上）：

python
# model_router.py —— 面向多供应商的容灾路由示例
from dataclasses import dataclass
from typing import Callable

@dataclass
class ModelCandidate:
    name: str
    call: Callable[[str], str]
    strength: str  # "coding" / "reasoning" / "general"

# 按任务类型 + 优先级排好候选列表，而不是写死单一模型
CODING_CANDIDATES = [
    ModelCandidate("claude-opus-5", call_claude_opus5, "coding"),
    ModelCandidate("gpt-5.6-sol", call_gpt56_sol, "coding"),
    ModelCandidate("gemini-3.6-flash", call_gemini36_flash, "coding"),
]

def dispatch(task_type: str, prompt: str, max_retries: int = 3) -> str:
    candidates = CODING_CANDIDATES if task_type == "coding" else GENERAL_CANDIDATES
    last_err = None
    for candidate in candidates[:max_retries]:
        try:
            return candidate.call(prompt)
        except (RateLimitError, ModelUnavailableError, TimeoutError) as e:
            last_err = e
            log.warning(f"{candidate.name} 不可用，降级到下一候选：{e}")
            continue
    raise RuntimeError(f"全部候选模型均不可用: {last_err}")

几个可以直接落地的要点：

  • 按任务类型而不是按供应商组织候选列表：编码类任务优先走当前编程基准领先的模型，摘要、翻译等通用任务可以路由到成本更低的模型，这样即使某一家实验室的旗舰模型延期或降级，业务逻辑不需要跟着重写。
  • 把"模型不可用"当作一等公民的异常类型来处理：限流、超时、模型下线都应该有明确的降级路径，而不是让整个功能因为单一 API 报错而中断。
  • 定期用真实基准复核候选顺序：Terminal-Bench、SWE-bench 这类榜单几乎每个月都有变化，路由层的优先级列表应该是配置项而不是写死在代码里的常量，方便随着行业格局调整。
  • 不要把关键业务逻辑和某个供应商的专有能力强耦合：这次谷歌自身都需要靠创始人下场救场，足以说明即便是最头部的实验室，模型路线图也可能被内部因素打乱。

四、总结与展望 ​

把这几条线索放在一起看，谷歌眼下面对的不是某一个孤立的产品失误，而是编程能力没追上、算力被合同分走一部分给了竞争对手、核心班底在同一个夏天大规模出走这三重压力同时叠加的结果。作为回应，谷歌选择的路径不是硬撑着把 Gemini 3.5 Pro 仓促推向市场，而是让它事实上"沉没"，转而把工程资源集中投向下一代的 Gemini 4——据 Sundar Pichai 的说法，这将是谷歌"迄今为止最宏大的一次预训练"，编码能力和自主 Agent 被明确列为优先目标，目前该模型已进入预训练阶段，但尚无公开的基准数据、定价或发布时间。

对开发者而言，这场危机最值得记住的不是"谁又输给了谁"，而是它再次证明了当前大模型行业的格局仍然极不稳定：市值万亿的公司也可能在几个月内经历 CEO 换岗、核心团队集体出走、旗舰产品悄悄下架。在这样的环境下，把生产系统的技术选型和某一家实验室的路线图深度绑定，本身就是一种需要主动管理的风险。无论最终等到的是 Gemini 4 的惊艳发布，还是谷歌继续在编程能力上落后一个身位，提前搭好多供应商容灾路由，都是眼下性价比最高的应对方式。

参考来源 ​

📚 相关文章

💬 评论

已运行 … · 总访问 … 次

© 2018-2026 范伟彬 · 写作空间