我最近看了前 DeepMind 工程师、后来加入 OpenAI 的 Thibault Sottiaux（Tibo）的一次访谈。里面有一段关于 LMChat 的回忆，我觉得比很多关于 Google“为什么错失 ChatGPT”的分析都更有意思。
大约在 ChatGPT 发布前一年，DeepMind 的语言模型团队已经做出了不错的效果。团队很自然地想到：能不能把它做成一个可以直接聊天的东西？于是有了内部的 LMChat，而且一度希望把它变成面向公众的产品。
Tibo 回忆，LMChat 最开始“好笑多过有用”，但后来逐渐变得越来越有帮助。
Tibo 说，当时的 DeepMind“并不是一个为交付产品而设计的组织”。他此前还公开提到，Google 对发布 LMChat“过于紧张”，而 DeepMind 也受到限制，不能轻易推出可能颠覆 Google 现有业务的产品。
今天回头看，很容易说：如果 Google 当年把 LMChat 推出去，ChatGPT 的历史可能就会改写。但我觉得真正值得讨论的，不是“Google 为什么这么蠢”。恰恰相反，很多决定从一家成熟公司的角度看都很合理，问题也正在这里。
Google 不是没有看到，而是很难把它变成产品
关于 Google 错失生成式 AI，最常见的说法是：Google 有 Transformer、有最好的 AI 科学家、有 TPU，却没有意识到大语言模型的重要性。
LMChat 的存在恰好说明，这个解释并不成立。
DeepMind 不仅看到了语言模型的潜力，而且已经做出了可以聊天的内部原型。Google 缺的不是发现趋势的能力，而是从研究原型走到消费产品的那一段。
当时的 DeepMind 是一个非常有创造力的研究组织，但并不是围绕消费产品交付建立起来的。研究团队可以把模型能力做出来，但要把它真正交给几亿用户，中间还有产品、安全、基础设施、品牌和商业模式等一整套问题。
DeepMind 也并非完全不做产品化，但更多是把研究能力带进 Google 已有产品，而不是自己从零做一个直接面向用户的新入口。
LMChat 麻烦的地方就在于，它不是给 Search 增加一个功能。
它本身就是另一种获取信息的入口。
一旦要公开 LMChat，问题马上变成：它和 Search 是什么关系？谁为错误回答负责？广告怎么办？这些问题每一个都合理，但叠在一起，一个新产品就很容易永远停留在内部。
Google 最难回答的问题，其实是搜索
我觉得 LMChat 真正撞上的，是 Google 最难处理的一类创新：它不是帮助原有业务做得更好，而是可能改变原有业务为什么存在。
2021 年 Alphabet 全年营收约 2576 亿美元，其中 Google Search & other 接近 1490 亿美元，占总营收约 58%；整个 Google 广告业务约 2095 亿美元，占总营收超过八成。
传统搜索的商业模式已经运行二十多年：用户提出问题，Google 返回结果，用户点击链接，在这个过程中完成广告变现。
而聊天式 AI 的逻辑正好相反：用户提出问题，AI 尽量直接给出答案。
如果答案已经在对话框里完成了，用户为什么还要点击十个蓝色链接？
更麻烦的是，当时大语言模型的推理成本远高于一次传统搜索请求。于是从财务模型看，这是一笔很别扭的账：Google 要用一个成本更高、商业模式还不清晰的新产品，去影响自己已经非常成熟的搜索广告业务。
我们今天当然可以说，公司应该勇于自我颠覆。但真正坐在那个位置上，没有这么简单。
Search 部门很难主动支持一个可能减少搜索点击的产品；财务部门也很难为一个成本更高、短期没有成熟收入模式的新业务给出漂亮的 ROI。所以我更愿意把它理解为结构性矛盾，而不是保守或者愚蠢。
越成功的业务，越难被自己颠覆。
这也是《创新者的窘境》最重要的那类问题：很多优秀公司失败，不是因为管理太差，而是因为它们太擅长围绕现有客户、利润和投资回报做出“正确决策”。
LMChat 恰好撞上了 Google 最成功的那套正确决策。
OpenAI 真正不同的，是先把东西交给用户
再看 OpenAI，情况完全不同。
2022 年 11 月 ChatGPT 上线时，远远谈不上完美。OpenAI 在发布公告里就承认，它会生成听起来合理但实际错误的回答，也会受到提问方式影响。它没有把 ChatGPT 当成完成品，而是明确称为一次 research preview，希望通过真实用户了解模型的优势和弱点。
区别不在于 OpenAI 不在乎风险，而是它更愿意先把一个“不完整但已经有价值”的东西交给用户，再从真实反馈中继续迭代。
Tibo 在访谈里用了两个词。
一个是 Bias to Ship，偏向交付。
另一个是 Stop Energy。
他并不是说 Google 当年内部有一个叫“Stop Energy”的机制，而是在形容 OpenAI 的文化：新产品想法出来之后，团队可以很快做出来、发布出去，内部对新想法的阻力很小。研究团队和产品团队也会一起构思、一起设计。
这背后的差别，不是谁更聪明，而是谁更容易形成真实用户的反馈闭环。
Benchmark 能告诉你模型在一道题上得多少分，却很难告诉你普通用户到底会拿它来做什么。ChatGPT 上线以后，用户开始用它写邮件、改代码、总结资料，也不断暴露之前没有被发现的问题。
这些使用行为不会让模型自动实时学习，但会影响后续的评测、训练、对齐和产品设计。
我觉得这才是 ChatGPT 当年最重要的意义：它不只是发布了一个模型，而是让大语言模型真正进入了用户反馈循环。
Google 有 LMChat，却没有走完这一步。
Google 错过的，其实不是 AI
如果只看后来的结果，很容易把这个故事讲成“Google 发明了一切，最后什么也没得到”。这也不准确。
Google 并没有因为错失 ChatGPT 就退出 AI 竞争。后来 Google 合并 Brain 和 DeepMind，Gemini 也重新回到了前沿模型竞争的中心。
所以 Google 真正错过的，并不是 AI 本身。
它错过的是定义第一代生成式 AI 大众产品的机会。
技术领先可以追回来，Benchmark 也可以反超，但用户第一次建立起“AI 就应该这样用”的认知，往往只有一次。
ChatGPT 出现之后，很多人第一次意识到，获取信息不一定非要先搜索网页，也可以直接和 AI 对话。
这个产品认知原本有机会由 Google 建立，最后却被 OpenAI 抢先完成了。
它提醒所有已经成功的公司：真正困难的从来不是看见下一代技术，而是在下一代技术开始威胁今天的成功时，你还愿不愿意把它交给用户。
而这件事对 OpenAI 同样成立。
今天的 OpenAI 已经有 ChatGPT、有企业客户、有 API、有开发者生态，也开始拥有不能轻易被打破的东西。
当一家公司开始拥有自己的“搜索广告业务”——不一定真的是广告，而是任何必须保护的核心收入和产品——Stop Energy 就会自然出现。
所以 LMChat 的故事并没有结束。
Google 当年回答错的那道题，迟早也会摆到每一家成功的 AI 公司面前：
当下一代产品开始威胁今天最赚钱、最成功的产品时，你还敢不敢把它做出来？
