Google DeepMind 紀懷新揭示個人通用助理的未來

Google DeepMind 研究副總裁紀懷新日前在 2026 AI TAIWAN 未來商務展的演講中，從 AI 推理的底層邏輯出發，從 sequential transducer（序列轉換器）講到 Chain of Thought（思維鏈），並指出 agentic coding（代理式程式設計）只是前兆，未來的終極藍圖將聚焦於「個人通用助理」的全面普及。

企業對人工智慧的期待正在轉變。AI 工具已不再只是對話回應式的介面，而是逐漸演變成能夠主動執行複雜工作流的智慧代理。

在 2026 AI TAIWAN 未來商務展上，Google DeepMind 研究副總裁紀懷新從 AI 推理的底層邏輯出發，深入淺出地說明了從序列轉換器到思維鏈的技術演進，並指出，我們正處於一場跨世代的技術轉移，而未來的終極藍圖將聚焦於「個人通用助理」的全面普及。

二十年的技術累積：向量模型到深度學習

要理解當今的 AI 浪潮，必須回顧過去二十年的技術演進。

從 1995 年至 2015 年，向量空間模型、索引技術和深度學習這三大創新理念逐漸滲透整個網際網路產業。Google 搜尋、Facebook、Instagram 等主要平台，以及 Apple App Store 和 Google Play Store 等應用商店，背後運作的推薦系統幾乎全部採用向量空間模型和餘弦相似度的方法。如果把這些平台的商業規模加總，其控制的市場價值已超過一兆美元。

紀懷新回憶，關鍵的技術轉折發生在 2013 至 2015 年期間。Google 發現「深度學習」可以大幅提升搜尋品質，為此投資開發了第一代 TPU（張量處理器）。值得一提的是，這一切的佈局甚至早於 2017 年 Transformer 模型問世之前。

從深度學習到生成式 AI：解碼 Transducer 與 Transformer

紀懷新說，要理解生成式 AI 的運作邏輯，必須先掌握「轉換器（Transducer）」的概念。

他以日常物理現象舉例。麥克風將聲波能量轉換為電訊號，喇叭將電訊號還原為聲音，人類的耳膜將聲波震動傳遞至大腦。這些都是能量與訊號的轉換（Transduction）。在人工智慧領域，科學家正是利用神經網路來完成這項轉換工作。

這也解釋了為何 Google 的劃時代模型會被命名為「Transformer」。它就如同生活中的變壓器，只是它轉換的不是電壓，而是「序列（Sequence）」。透過這項能力，AI 得以實現對語音、文本、翻譯甚至圖像的理解與轉換。

破除恐懼：理解序列到序列的本質

目前許多探討生成式 AI 的文章，其實並未真正理解生成的本質。紀懷新指出，大眾對 AI 的恐懼往往源自於對底層技術的陌生。

生成式 AI 的運作基礎是「序列到序列（Sequence to Sequence）」。當我們輸入一段文字時，模型會根據序列，一個字、一個字地推算並生成輸出結果。現今的模型雖然能將龐大的人類知識壓縮其中，展現出驚人的擬真智慧，但技術的侷限在於缺乏對長文的全局理解。

關鍵論文的出現：《思維鏈》

2019 年至 2022 年間，一篇論文的出現徹底改變了 AI 的發展軌跡，那就是《思維鏈》（Chain of Thought, CoT）。

紀懷新坦言，團隊最初在構思這個架構時，完全沒料到它會為業界帶來如此巨大的衝擊。如今，這篇論文已累積近兩萬次的學術引用，成為推動當代人工智慧發展的核心基石。

那麼，思維鏈究竟解決了什麼問題？過去的機器學習方法往往缺乏透明的解題邏輯，就像是一個只給出最終答案的黑盒子。思維鏈的突破在於，它將人類「套用公式、按部就班」的推導過程直接展示給機器看。

透過向 AI 示範完整的解題路徑，機器得以進行真正的「推理（Reasoning）」，而非僅僅依賴模式匹配。這才是引爆近期 AI 發展的真正突破口。

通用 AI 助理的未來景象

基於思維鏈的推理能力，未來的「通用型 AI 助理（Artificial General Assistant）」將能深度介入人類的工作與生活，並具備精準的多語翻譯，跨越語言障礙，提供高品質的翻譯服務；複雜文本的邏輯摘要，從冗長的文章中提煉核心要點；與高階語意搜尋，理解用戶的真實意圖，而非僅進行關鍵詞匹配等三大能力。

最關鍵的差異在於，未來的 AI 助理不再只是單純依賴資料庫的「記憶檢索」，而是建立在掌握「思維鏈」底層推理能力的基礎之上。這意味著 AI 不只能記住知識，還能像人類一樣理解和推導。

代理型 AI：下一個技術突破

紀懷新認為，真正的技術突破在於將所有的搜尋、翻譯、生成和應用功能完美整合至單一模型中。過去兩、三年來，全球頂尖科學家傾注心力於「代理型 AI（Agentic AI）」的研發。

這項新技術聚焦五個核心方向，分別是1.多步驟推理與執行：模型不再只是單次問答，而是能夠自主規劃並執行複雜的連續性任務；2.工具整合與動態調用：AI 學會了靈活調用環境中所有可用的軟體與資源，就像人類自然地使用工具一般；3.任務排程與優先級管理，具備自動評估、調整優先順序和時間管理的宏觀調控能力；4.自主推理與問題解決；5.個人化與持續學習：根據用戶需求不斷優化，並從每次互動中學習和改進