Google DeepMind 紀懷新：LLM 不夠了，下一步是「大型推理機器」 🧠
✅ 從「預測下一個字」進化到「預測下一個想法」，Google DeepMind 把下一代 AI 重新命名為「Large Reasoning Machines」。
2026 年 7 月 9 日的 Google Cloud Day Taipei，Google DeepMind 研究副總裁紀懷新 (Edward H. Chi) 來台演講，丟出一個值得所有開發者重新思考的定義：「未來我們熟悉的 AI 應被重新定義為大型推理機器 (Large Reasoning Machines)，而不是只有『大型語言模型 (LLM)』這個舊稱。」
一句話總結這場演講的脈絡：AI 的下一個轉捩點，不在語言，而在推理。
🌟 為什麼要重新命名？
紀懷新借用行為經濟學家 Daniel Kahneman 的「快思慢想」框架，把這場變革比喻成：
| 階段 | 大腦比喻 | 技術核心 | 模型定位 |
|---|---|---|---|
| 過去的 LLM | System 1 — 直覺反應 | Next Token Prediction | 下一個字是什麼 |
| 未來的 AI | System 2 — 邏輯推敲 | Next Idea Prediction | 下一個想法是什麼 |
也就是說，未來真正的關鍵能力是「規劃」和「推理」，而不只是流暢地接句子。
📜 1995 → 2015：搜尋與推薦的二十年
這個階段解決的問題是海量資料如何被消化、被找到。紀懷新認為最重要的 3 件事是：
- 📚 索引 (Indexing)：靠 MapReduce 這類技術，把全球的資訊整理成可查找的結構，這也是 Google 的起家本事。
- 📐 向量空間模型 (Vector Space Model)：用餘弦角度 (Cosine Angle) 算資訊之間的「親疏遠近」，讓電腦開始「理解語意」而不是只比字串。
- 🧠 深度學習 (Deep Learning)：從 2014 年起，神經網路開始優化 Ranking 與 Recommendation，把搜尋和推薦的價值推到頂點。
換句話說，這 20 年我們在解決 「找資料」 的問題。
🚀 2015 → 2025：生成式 AI 的十年
進入近十年的生成式 AI 時代，紀懷新也點出現在的我們正處在「生成式 AI 邁向推理模型」的分水嶺，他歸納出最重要的 3 件事：
1️⃣ 序列轉換 (Sequential Transduction)
把一種資料序列轉換成另一種。紀懷新用一個很生活化的例子解釋字源：
「麥克風 (microphone) 最早的工程學名其實是 transducer，因為它把聲波轉成電子訊號；人類的耳朵也是一個 transducer，耳膜把震動轉成神經訊號。人與人的溝通本質上，就是層層序列轉換的過程。」
2014 年 Google 的研究人員發現可以用神經網路模擬這個過程，那篇論文正是由 Ilya Sutskever (後來 OpenAI 首席科學家)、Oriol Vinyals 與 Quoc Le 合著的《Sequence to Sequence Learning with Neural Networks》。紀懷新直接斷言：「這篇論文，有可能拿下諾貝爾獎。」
有了序列轉換，圖片、語音、文字都能切成一小塊一小塊 (token) 餵進同一個模型：
- 🌍 過去 40 種語言互譯需要上千個獨立模型；
- 🧩 現在一個模型就能全包，所有任務收斂進同一個架構。
這也是「生成式 AI」能夠 token by token 產出內容的最關鍵基礎。
2️⃣ 下一個想法預測 (Next Idea Prediction) + 思維鏈 (Chain of Thought)
從「猜下一個字」升級到「透過步驟推導，預測下一個想法」。方法就像教小朋友套公式解數學題 —
- 📈 引入 Chain of Thought 之後，模型的推理能力直接提升 2 到 4 倍。
- 🎤 紀懷新現場示範：「我可以接出任何人一句話的下一個字，但沒有人能預測他三分鐘後要講的下一個想法。規劃與推理，就是這個層次的問題。」
這也是為什麼他要重新定義 — LLM 這個名字低估了新一代模型的能力。
3️⃣ 後訓練 (Post-training)
紀懷新笑著說：「要講的話得花上六個小時。」這次沒有展開，純粹當誘餌留給下一場。
🛰️ 真正改變世界的下一步：通用助理
當模型逐步具備推理、視覺分析、工具使用、規劃四種能力後，AI Agent 系統就能處理更專業、更高度客製化、更高度個人化的任務。
紀懷新強調，這背後必須仰賴一個關鍵基礎建設：
可程式化語言模型框架 (Programmable LM framework) —— 也就是現在業界非常強調的 Agent Harness。
他也罕見地對台灣圈喊話：「台灣一定要跟上這個趨勢，這非常、非常重要。」
demo 影片裡展示了：使用者在手機上開始問，最後跨裝置無縫接到智慧眼鏡上接續回答與建議。這類跨裝置的通用智慧助理，或許會是繼網際網路與智慧型手機之後，下一個改變世界的關鍵技術。
🛠️ 給開發者的三個 takeaway
- 🪛 別再只把 LLM 當文本接龍：規劃、工具呼叫、自我檢查，已經是新世代模型的標配。
- 🧷 把 Agent Harness 當基礎建設：模型再強，沒有可程式化的編排框架，照樣跑不出複雜任務。
- 🌐 跨裝置體驗是最後一塊拼圖：誰能把「助理」從手機延伸到眼鏡、車載、家電，誰就拿到下一波的入場券。
🧪 下次我想動手做的小實驗
這篇對我最大的啟發，是把「思維鏈 → 規劃 → 工具呼叫 → 自我檢查」這條鏈條想清楚。所以我打算用一個週末做一個小型 side project：
- 🎯 任務：「幫我把一篇長文摘要 + 抓出 3 個可驗證的重點 + 給出我自己的反思問題」
- 🔧 工具：本地 LLM + 一個極簡的 Agent Harness + 一次 web search 工具呼叫
- 📐 指標：以「Chain-of-Thought 是否顯著縮短最終答案的錯誤率」當 KISS 原則的評估 baseline
先做出能跑的最小版本，後續再談後訓練 (Post-training) 與多步規劃。
📚 參考資料
- 📰 原文：AI 下一步是大型推理機器！Google DeepMind 紀懷新：從猜字到預測下一個想法｜未來商務
- 📰 INSIDE 轉載：機器怎麼學會推理？Google DeepMind 副總裁紀懷新：下一個衝擊叫個人通用助理
- 📄 經典論文：Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to Sequence Learning with Neural Networks.
- 📖 行為經濟學參考：Kahneman, D. Thinking, Fast and Slow.