53. 为什么不是谷歌做出了 Muse？

Muse 这类个人代理的第一步，往往是请求读取邮箱和日历。它能据此整理往来邮件、提示待办，或替用户处理退订、退款和预约。节目把这个看似顺手的入口放回一个更大的问题：Google 同时拥有 Gmail、Calendar、模型与分发渠道，为什么抢先把这类体验带到用户面前的不是它？

Lewis 的职业路径让这个问题有了内部视角。他在 Google 参与过早期大模型产品化，Gemini 2.5 Pro 发布后转到微软，负责面向开发者的智能体记忆与知识能力。访谈依次讨论产品定义、组织反应、企业权限、用户信任和定价，而模型指标只是其中一环。

大模型产品化起步时，团队先解决什么

Lewis 大学读计算机科学，最初在 Oracle 做软件工程和公有云，后来转为产品经理并加入 Google。他在 2022 年进入 PaLM 2 项目时，团队与 Google Labs 合作，把研究团队完成预训练的模型接入 API；后训练、使用场景、服务、定价和开发者支持，都需要产品团队继续补上。

他回忆，相关工作在 ChatGPT 发布前约三个月就已启动。最初团队只有八九人，短期目标是让公司内部员工可以试用模型。此前的 Document AI 已经暴露出一个问题：每家公司文档格式不同，每种文档常要单独训练模型。Lewis 说，为达到约 99.9% 的准确度，当时往往要为每类文档训练模型；团队希望一个模型能泛化处理更多文档。ChatGPT 将这类能力以消费产品的形式摆到大众面前，让更多用户直接感到模型可以拿来对话和完成任务。

ChatGPT 发布后，模型效果和产品发布同时带来压力。Lewis 说，Google 内部曾长期开发聊天机器人 Meena，但法律审查和负责任 AI 的顾虑使其没有对外发布；与此同时，一些同事认为 OpenAI 的产品在多种场景里更像自然对话。Google Research、Google Brain 和 DeepMind 当时也各自拥有资源。后来为了追赶竞争，资源被重新集中。Lewis 不记得具体的组织调整时间，但记得公司内部对技术指标和产品落地都感到紧迫：研究成果还要变成可供客户调用的 API，才能服务外部客户。

他还记得 Sergey Brin 会在工作群里询问技术细节和评测。这样的高层关注能加快讨论，却没有消除大型组织的摩擦。Gemini 后期成为全公司的优先事项后，参与者增多、管理层级变厚，Lewis 认为信息更容易在传递中失真；他把部分领导保留信息以证明自身必要性的情况，也视为工作效率下降的原因之一。

离开 Gemini，转向企业里的记忆和知识

Lewis 在 Gemini 2.5 Pro 发布后离开 Google。对他而言，模型服务、定价、使用场景和开发者社区的基本路径已较为成熟，后续竞争更多落在模型和基准测试上；他更想去做产品形态尚未确定的智能体与知识系统。微软吸引他的地方，是企业客户尚未普遍采用智能体，同时企业积累了大量文档和内部数据，而这些数据并不总能被员工方便地找到和使用。

他目前主要负责智能体的记忆和知识，直接服务对象是开发者。开发者可把这些后端能力接入自己的消费级或企业级产品，也不受某一种操作系统限制。Lewis 提到 context graph（上下文图）是正在探索的知识访问方式之一，目标是在海量企业数据中让智能体找到相关上下文。

企业系统需要同时处理内容存储、可见范围和向上共享的条件。Lewis 将记忆分成个人、两人对话和团队等层级：开发者排查系统问题时，没有理由因此查看 CEO 的记忆；两位同事的工作讨论有时可以成为团队资产，私人闲聊却不应自动流入公共知识库。模型可以先从对话中提取候选信息，再让当事人决定是否将其提升到团队或公司层级。这仍是他所说的探索阶段，许多边界案例没有定论。

主持人以员工离职后的知识交接举例：主管也许可以接手文档，却很难阅读数百万字聊天记录；而实际协作中的上下文又可能比文档更有价值。Lewis 的回应是，聊天内容不能在用户不知情时被默认汇总。小型 AI 原生公司或许能让几十名员工共享更多信息；把同一做法放进十万人规模的组织，员工对沟通方式的预期会完全不同。技术方案还要面对隐私法和劳动场景中的权限要求。

对模型服务商是否会实际查看数据，Lewis 给出的边界很明确：外部人很难验证，只能看到公司写下的承诺。他认为，模型部署在企业自己的云环境和权限墙内，通常能提供更明确的控制边界；但企业也不能无缘无故查看员工私聊，除非进入骚扰、不公平工作环境等有理由的调查程序。产品若把每一次私聊都当作可见、可学习的资料，用户会把真正私密的交流转移到别处。

个人代理的分水岭，是把能力变成可选任务

Lewis 最近使用过 Muse、GrokBot、Hermes 等个人代理。他重点谈 Muse 的产品界面：Idea tab 会按用户的上下文列出可做的事情，帮助用户想到可以让智能体代办什么。相比只有一个聊天框，退订闲置订阅、整理医疗预约的邮件往来这类明确选项，降低了普通用户从空白提示词开始思考的负担。

主持人以美国的工作与生活习惯解释了邮箱为什么成了核心数据源：医疗预约、孩子报名等事务常通过 email 完成，日历则补充了时间安排。得到授权后，智能体能从长邮件线程里找出需要跟进的事项。两人把产品组织方式视为体验重点：其他工具获得 Gmail 授权后也能读取邮件，Muse 则将能力组织成用户看得见的任务，并用界面提示适用场景，才更容易让人实际使用。

GrokBot 则让 Lewis 看到了另一种取舍。他希望在虚拟机中搭建网站后能直接访问运行环境，但该产品出于安全设计限制了这类访问，只能经由其浏览器或下载产物操作。Lewis 因而放弃使用它：面向专业用户的产品若不能满足专业用户对运行环境的控制需求，单靠订阅并不足以留下用户。

权限请求同时也是信任测试。Lewis 说，他没有使用 Instinct，原因是他对其条款中数据可被使用的表述感到不安；他也承认，自己不了解这家新公司的团队。节目没有据此判断任何公司的实际数据处理方式，却把一件事讲得很具体：个人代理想读邮箱、日历等高敏感数据，用户不仅会比较功能，也会比较条款、部署方式与自己信任谁。

Google 的问题，在 Lewis 看来是反应速度和产品选择

Lewis 用竞争路径解释 Google 的处境：早期将 OpenAI 当作最主要的对手，因而投入大量精力做更能展示模型能力的演示和消费端网页应用；他也把 Anthropic 押注企业市场视为一次成功的产品选择。这里呈现的是 Lewis 对外部产品路线的观察，他没有涉及各家公司完整的内部决策过程。

个人助手的定义其实很早就出现在 Gemini 和 Bard 的讨论里。Lewis 说，问题在于产品迭代速度没能跟上其他公司。主持人把读取邮箱、错误建议和责任归属视为大公司面对的法务与合规顾虑，也因此认为小公司能够更激进地试验。主持人据此追问 Google 是否会干脆封住 Gmail 和 Calendar，Lewis 的看法恰好相反：Google 的产品文化较开放，数据属于用户，用户应能授权其他产品访问自己的数据。这个立场也让外部个人代理有机会从 Google 的入口开始工作。

两人把中国互联网的情形拿来对照。主持人称许多移动应用是彼此隔开的围墙花园：用户可能在小红书搜索和记录偏好，在微信处理工作或家庭沟通，智能体却难以跨平台访问。Lewis 认为，小红书一类平台拥有搜索、浏览和偏好数据，可能适合做特定领域的个人代理；但工作、生活和兴趣数据分散在不同产品中，未必能自然拼成一个完整的个人助手。节目也提到微信网页端的限制会让智能体更难操作，但没有把这类限制解释成唯一原因。

一次任务有用，不等于能长期收费

Lewis 对个人代理的定价很谨慎。用户还不清楚产品能做什么时，先收较高入场费会伤害留存；他更倾向消费端采用免费增值模式（freemium），再按 token 或使用量收费。按他在访谈时的理解，Muse 以免费使用和周度限额作为初始门槛。

退款、价格匹配或取消订阅看上去能立刻创造价值，却可能只发生一次。一个智能体成功追回某笔退款后，未必还能持续为同一用户产生同类收益，因此不能只用单项任务的效果推断长期留存或生命周期价值。Lewis 还认为，这类产品大多可以被其他团队复制，单靠功能本身很难形成稳固护城河。

Lewis 预计前沿模型的单位智能价格会长期下降，许多日常任务最后可能像水电一样成为基础能力，同时也承认这个前提没有得到所有人的认同。若推理成本继续下降，一部分任务可能在设备本地完成，只有复杂任务才送往云端。成本变化会改变收费空间，却不会自动解决产品是否值得反复打开的问题。

端侧模型的机会，仍要落在日常体验上

Lewis 看好本地模型。他以千问 27B 为例，说它已能满足自己许多日常需求，但不适合特别复杂的编码或推理任务。他从一位芯片行业朋友那里转述了一项预测：硬件路线图比前沿模型的短期走向更容易预测，今天部分云端模型的能力可能在六七年后进入手机。

在 Lewis 看来，个人代理的大多数任务本就不需要万亿参数模型，处理账单或日常信息时，小模型可能足够。端侧部署也可能让用户更容易控制数据。不过硬件能运行模型，只解决了其中一段。主持人提到，OpenClaw 流行时，有人甚至提供付费上门安装服务；对不熟悉硬件、API 和配置的用户而言，安装本身就是门槛。Lewis 因而把问题重新放回软件：设备到手后，模型是否已可用、授权和维护是否足够简单，决定了端侧能力能否成为大众产品。

竞争节奏越来越快，Google 仍有追赶空间

谈到 Gemini 的近况时，Lewis 仍对 Google 的技术基础抱有信心，也持续与老同事联系。采访当时，他说原本计划在 5 月发布的 Pro 版本到 10 月仍未出现；等待越久，下一版需要追上的门槛越高。模型发布密集、排行榜变化很快，一家公司即使短暂领先，也很难维持很久。

DeepSeek 出现时，Lewis 说 Google 的模型团队先读技术报告，认为除蒸馏之外，其中也有值得研究的新方法。开源论文让同行可以互相学习，但他观察到头部公司如今更少公开技术细节：领先时间缩短后，发布一篇论文可能很快就失去独占价值。关于训练数据，他只愿为自己在 Google 工作期间的情况作证：团队承诺不记录用户数据，也不用不属于自己的数据训练模型，并按这一原则工作；至于别家公司是否遵守类似原则，他拒绝判断。

Lewis 列出的条件包括：模型能够被产品化，用户看得懂可以交给它的任务，企业控制知识与权限，个人愿意交出敏感数据，收费匹配持续价值。数据入口和模型能力只是这些条件的一部分；产品体验、权限和商业模式仍会决定后来者能否先把看似简单的个人代理做出来。