模型-产品协作模式 (Model-Product Collaboration) 概念
定义
Google 内部模型团队（DeepMind）与产品团队（各 PA）之间的协作机制，核心特征是「技术 Lead」——技术走在产品前面，产品对模型的影响力有限。[来源：研究3]
机制拆解
协作层次
1. 顶层对齐（年度）
- 每年初 DeepMind 与各 PA VP 级规划会议
- 各 PA 提出业务需求和希望模型具备的能力
- DeepMind 评估 impact 后决定是否纳入研发计划
- 确保大方向对齐，但粒度较粗
2. 日常协作
- 模式：「模型能力跑很快，产品看有什么就用什么」
- 新模型部署/更换：DM 对各 PA 单向下通知，PA 被动接受
- 产品 eval 报告可提需求，「但他们一般也不听」
- Engineer/TPM 作为非正式的需求传递层
- One Recipe team 是 DM 的门户：其他 PA 想用 Gemini model 先通过 One Recipe；大 project 包括 AIO、AIM、YouTube（Ask Studio、Dream Tracks）[来源：DM App访谈260407]
- GenAI PM 作为 Bridge：业务方 PM/工程师经常无法与模型团队技术交流——分不清 pipeline 能解决的 vs. fundamental model 局限 [来源：语音PM访谈]
- 产品端需求可以不理会："谁有卡，谁有话语权"。PM 反馈太 Noisy/Sparse [来源：Collaborative访谈]
3. Post-train（产品自主→高度受限）
- 权限已全面收回：Demis 坚信 AGI 快到来，fine-tuning 当前模型时下一代可能原生解决。业务团队只能做 Prompt Engineering [来源：语音PM访谈]
- Gemini App 不再被允许私自训练模型，只在 Harness 层做 Personality/Memory 的 Prompt 调整 [来源：合版访谈]
- 关键限制：只能基于 API，无法改变主模型 Weights
- 不提供 checkpoint → 防止「诸侯割据」
- 好处：模型升级一键同步；坏处：垂直领域精细度受限
4. 合版机制（"One Launch Thing"）
- ~40人团队对所有 Gemini Model 最终效果负全责 [来源：合版访谈]
- 各 Vertical 提供 SFT 数据，70-80% 被砍掉 [来源：合版访谈]
- SFT 数据"越少越好"原则——特定数据常 Hurt 模型或 Overfit [来源：合版访谈]
- 即使如此，Gemini SFT 数据量仍比 ChatGPT/Claude 多 [来源：合版访谈]
5. 特殊定制（例外路径）
- 端侧模型 Gemini Nano（Android 联合开发）
- Samsung 定制 post-train（第三方深度合作）
- Search post-train 团队并入 DeepMind（组织整合）
历史教训：搜索标准延迟了 Chatbot 发布 [来源：深度分析，有引用支撑] [多源印证：Jeff Dean podcast]
- Google 内部 Meena/LaMDA chatbot 早于 ChatGPT，但搜索团队的 hallucination/安全高标准导致延迟
- Jeff Dean 反思核心失误："没想到用户会用 chatbot 做非搜索的事"
- 这是"技术 Lead"模式的一个反面案例——搜索的产品标准反过来抑制了 AI 产品创新
- Noam Shazeer 2020年在 Google 内部开发类 ChatGPT 聊天机器人 → 被安全风险阻止发布 → 2021年离职创办 Character.AI [来源：媒体，已公开事实] [多源印证：深度分析因果链]
核心设计哲学
- 「通用能力优先」：只要通用场景足够好，小场景自然提升
- 中央集权模型治理：避免版本割据，保证升级效率。能训模型的人只有一小部分，高层由此保证产品方向 [来源：Collaborative访谈]
- Coordination Team 防 Reward Hacking：全局视角协调各 post-train 小组
- AGI 信仰驱动：Demis 认为模型迭代极快，垂直 fine-tune 会被下一代通用能力替代 [来源：语音PM访谈]。这与研究3发现一致（"模型不理产品、产品 post-train 受限"），是同一机制的 insider 印证，非矛盾。
各产品 Post-train 规模 [来源：研究3, 多份tier2访谈]
| 产品 | Post-train 规模 | 备注 |
|---|---|---|
| DM Flagship | ~100人（infra 50, data quality 10-20, RL, SFT） | [Gemini专家访谈260211] |
| DM Frontier/Research | 各 20-30人 | [Gemini专家访谈260211] |
| AIM | 20-30人（AIO post-train 已全挪到 AIM） | [Gemini专家访谈260211] |
| Search Intelligence | ~100人（含 SWE/ML/PM/eval，部分做 post-train） | [Search Evals访谈260303] |
| YouTube | 零星分散，S&D team ~12人用 LoRA | [DM App访谈260302] |
| Workspace | ~50人（Workspace Intelligence） | 跨应用工作流、企业语料 |
| Workspace total | Gem AI Foundation 500人（Platform 100+/Safety 100/Ecosystem 100/Intelligence 50） | [DM App访谈260302] |
| Maps, Moma 等 | 各有少量 | — |
AI Gateway/Middleware 层 [来源：DM Post-train Security访谈260301]
模型部署后、到达用户前的额外处理层，由各产品自行管理：
- 参数设定：App 调低 Temperature → 稳但乏味
- Query 前置处理：改写/优化 vs. 直接送模型
- 模型分级路由：判断问题简单度分配模型
- 这是"Gemini 降智"、AI Studio 效果更好的真实原因
- DM 管不了这层 → → ai-product-middleware.md
数据支撑
- Search post-train 并入 DM 后，AIO/AIM answer 质量提升 [来源：研究3]
- 「长 query」用户心智有提升：喜欢 Google 的 query 长度阈值扩大了 [来源：研究3]
- AIM 使用 Flash 模型（非最强）→ 产品团队对模型选型也缺乏话语权 [来源：研究2]
Search re-org 效果 [来源：Search DS访谈260302, Search Evals访谈260303]
- 25年8-9月 search intelligence 大部分 engineer 放 GDM（post-train + 部分 eval）
- Re-org 三大原因：
- 填平模型和产品的 gap（API call 直接链接不够）
- 融入 search knowledge（模型没有 ranking 概念）
- 高层带走手下员工
- Re-org 效果：沟通变好，AIO/AIM answer 质量提升，长 query 心智改善 [印证来源：Search DS访谈260302]
- 推进方：CEO 级别决策（Search 老大和 DM CEO-1/-2）[来源：Search Evals访谈260303]
- 受访者判断："竞争核心已不是单纯模型，模型护城河时间不久，需要模型+产品整合" [来源：Search Evals访谈260303]
- ⚑ 关键解读（高明 2026-04-07）：Search post-train 并入 DM，本质上就是在解决"Search 要产品整合 vs. DM 要通用模型"的内部张力——组织上合并是 Google 选择的解题路径，不是两种观点并存的分歧，是同一问题的上下游。不需要单独建分歧页。
Post-training 的整体性 [来源：Search Evals访谈260303]
- Post-training 是整体性过程，不细分到每个功能
- 常见 post-train 场景：Shopping、搜索 relevance、时事热点/观点类
- 需要有反馈机制才做——功能上线后收集数据回流给 post-train eng
- 非紧急问题可接受先上线再改
模型部署/更换流程 [来源：DM App访谈260302]
- 各 PA 都有 SRE 做模型 serving/monitoring/on-call
- DM 单向通知各 PA → 各 PA 测试 → 有问题报 DM（可选 fix 或不 fix）
- 替换周期约 3周：1% → 5% → 100% traffic
- 旧模型 post-train 需基于新模型重做
2025年组织演进 [来源：媒体，已公开事实]
- 2025年6月 Koray 晋升 Chief AI Architect——mandate 为将 Gemini 嵌入所有产品，统一全公司模型训练 [多源印证：与 tier2 中 Koray 管理风格、One Recipe 统一目标一致]
- 目标：创建单一 generative AI 模型供全 Google 开箱即用，而非各产品团队 fine-tune
- Koray 与各 SVP 定期会面，与 Cloud CEO Thomas Kurian 有固定对接
- 2025年3月 Gemini chatbot 已切换到由 Koray 旗下主 post-training 团队开发的模型（不再用 chatbot 专用团队）
- Hassabis 从日常模型-产品协调中抽身，转向长期研究
- 这一结构变化与 tier2 访谈中 "One Recipe 统一模型 + 产品团队只做 Prompt" 的趋势高度一致
待验证假设
- 「技术 Lead」模式在产品复杂度增加后是否可持续？
- 产品团队缺乏模型影响力是否会导致产品创新滞后于用户需求？
- API-only post-train 的效果上限在哪里？是否足以支撑垂直场景竞争？
- 更多产品 post-train 团队是否会像 Search 一样逐步并入 DeepMind？
- AI Gateway/Middleware 层是否需要公司层面标准化？[新，来源：DM Post-train Security访谈260301]
🔗 相关节点
- AI 产品中间层 concept
- Google DeepMind entity