Gemini 4 Argon 上线72小时消耗25万亿Token，皮查伊首谈砍掉3.5 Pro内幕

谷歌最新旗舰模型 Gemini 4 Argon 交出了首秀成绩单：上线 72 小时，处理近 25 万亿 Token，消耗量达到上一代 Gemini 3.0 同期的 3 倍。即便家底丰厚，谷歌也不得不再次实施算力限流，目前 Argon 仅面向 API 以及 AI Pro、Ultra 订阅用户开放。谷歌 CEO 桑达尔·皮查伊 在科技播客《Sources》中复盘了发布细节，并首次公开解释 Gemini 3.5 Pro 为何神秘消失。

皮查伊给出的答案很直接：为了抢占 Agent 编程 能力高地，团队主动舍弃了 3.5 Pro。今年年中训练 3.5 系列时，谷歌发现模型在 Agentic Coding 上存在明显缺口，判断用体积更小、效率更高的 Flash 版本 进行高频迭代是补齐短板的最快路径。于是团队在约 3 个月 内密集推进了从 3.5、3.6、3.7 到 3.8 Flash 的连续迭代。当这套方案跑通、准备应用到 Pro 版本时，Argon 的预训练已经完成。考虑到 3.5 Pro 生命周期极短，在算力受限环境下，团队决定将 Flash 验证成功的所有技术积累直接注入 Argon 的后训练阶段。

这一决策促成了 Argon 在长程任务上的跃升。外部测试中，Argon 耗时一天多、花费不到 2000 美元 算力便自主通关了《我的世界》；在谷歌内部，它已被用于指向拥有数百万行代码的 Chromium 代码库。皮查伊还澄清，外界传闻的 Carbon 模型只是内部前沿模型迭代的代号，团队正基于 Argon 推进模型蒸馏，研发能力接近但成本更低的轻量版本，以向更多用户开放。

随着新模型融入内部开发环境，皮查伊认为 2027 年 将是生产力的黄金时代。他透露，谷歌内部已进入研究人员与模型深度协同的 递归自我改进（RSI） 阶段：模型正直接参与提出训练配方建议、自动评估下一个检查点。皮查伊本人每天使用内部 Agent 汇总预训练、中训练、后训练和数据群组的 24 小时研发进展，每天节省约 1 小时 信息同步时间，并通过接入遥测数据的 Agent 实时监控各部门算力使用效率。

针对近期谷歌 DeepMind 的人事震荡，皮查伊首次给出官方解释：传奇工程师 Jeff Dean 离职创业、Demis Hassabis 退居首席科学家与主席、Koray Kavukcuoglu 接棒掌管 DeepMind。除了 Jeff Dean 希望开启新探索创立 Discovery Loop 外，内部调整的核心原因在于，前沿模型研发已演变成一项吞噬全部精力的超大规模工程。从数据筹备、算力调度、算法演进到统筹人类团队与模型 Agent 协同，迭代速度越来越快，需要一位专职负责人投入全部精力。Koray 在 DeepMind 任职超十年，且早在 18 个月前 就已搬到湾区推进跨部门整合，由他接管模型研发管线水到渠成；Demis 则得以抽身，将精力集中到以 Isomorphic Labs 为代表的 AI 制药、生命科学、机器人等落地方向。

模型竞赛的加速也直接反映在财务账面上。今年夏天，谷歌出现自 IPO 以来的首次 自由现金流转负，同时继续上调 2027 年资本开支指引。皮查伊算了一笔时间账：自研芯片和数据中心的前置周期极长，今天市场拿着完美信息所评估的算力水位，其实是两年前做出的决策，而去年这个时候，行业甚至还没有迎来 Agent 编程的爆发。如今谷歌已在规划 2028 至 2029 年 的土地与电力储备。他强调，今天的 AI 基建并非当年闲置的暗光纤泡沫，所有算力都在被真实消耗；除了 C 端和 B 端的需求信号以及云业务的长期合同积压外，底层研发突破也给了足够确定性。皮查伊在访谈中直接剧透：根据目前的内部基准和演进曲线，下一代 Gemini 5.0 将比现在的 4.0 Argon 强得多。

在产品架构上，谷歌正在抹平企业端与消费端 Agent 的界限。皮查伊透露，无论是面向 B 端还是 C 端的 Gemini Agent，底层跑的都是同一个模型、同一套运行框架和同一个运行时，唯一区别在于注入的是企业上下文还是个人上下文。谷歌在企业端为每个任务自动分配独立微虚拟机、实现 7×24 小时 安全运行的设计，正在同步下放到消费端。在交互界面上，Gemini 现有的“对话”和“任务”将合并为单一输入框。针对外界关心的谷歌搜索与 Gemini 何时合并，皮查伊表示不需要强行合并两款产品，云端 24 小时在线的 Agent 层会共享用户的个人上下文，自然接管跨端任务，让用户在搜索、Gemini 应用与 Gmail 之间无缝切换。而在 Web 交互底层，他认为像人类一样操作界面的 Browser Use 与 MCP、UCP 等原生协议将长期共存。

从竞争视角看，Argon 的发布节奏和算力限流折射出前沿模型竞赛的两个现实：一是模型能力提升越来越依赖密集的工程迭代和算力投入，二是即便头部厂商也面临供给约束。谷歌选择砍掉 3.5 Pro、直接冲刺 Argon，并同步推进蒸馏版本，本质上是在能力、成本和覆盖范围之间做权衡。而自由现金流转负与资本开支上调，则说明 AI 基础设施的投入周期远长于市场预期，算力规划需要提前数年布局。对产业链而言，谷歌对土地、电力、自研芯片和数据中心的持续加码，意味着上游算力与能源需求仍处于扩张通道；对模型层而言，RSI 的推进和 Agent 能力的跃升，可能进一步拉大头部模型与追赶者的差距。