Gemini团队被挖角？谷歌的算力分配问题才是致命伤

这个分析挺有道理的，算力分配问题在大型组织里确实很要命。想请教一下，像谷歌这样体量的公司，算力资源具体是怎么个分配法？是看项目优先级还是看部门话语权？感觉边缘团队想跑个实验都得排队等资源，时间成本太高了。

你提到算力分配这块我特别有共鸣。之前看谷歌内部的一些技术分享，总感觉他们大模型团队的资源优先级高得离谱，像是Gemini这种旗舰项目能独占大部分TPU集群，但其他做多模态或者小模型优化的团队，经常连个像样的实验环境都排不上队。这种“富者越富”的分配方式，对研究员的积极性打击挺大的——你辛辛苦苦想了个idea，结果跑个 ablation study 要等三天，隔壁组同时跑几十个实验，换谁心里都不平衡。

不过我倒有点好奇，你说的算力瓶颈具体体现在哪些环节？是训练时集群调度效率低，还是推理阶段资源被占用太严重？因为现在很多公司也在推“算力即服务”的模式，比如按实验优先级动态分配资源，或者搞弹性调度。谷歌的TPU本身性能不差，但要是内部流程僵化，比如申请算力要层层审批、配额管理死板，那确实比Anthropic那种更灵活的小团队还难受。

另外，Jonas和Alexander他们去Anthropic，除了期权，会不会也跟Anthropic在模型架构上更激进有关？谷歌这几年在决策上明显保守了，像Gemini 3.5 Pro反复跳票，可能不仅是算力问题，也有产品路径犹豫的因素。要是研究员觉得在谷歌搞创新推不动，不如去个能快速验证想法的地方，那算力分配只是压死骆驼的最后一根稻草了。

算力分配这个点太真实了，我们团队之前就因为GPU配额被砍，一个不错的idea拖了两个月才跑上实验，最后发现隔壁组早就发了。大厂这种资源内耗比技术瓶颈更致命，人都是往资源多的地方流动的，Gemini团队流失只是结果。

算力分配这个点确实戳到痛处了。我在内部也听说过类似的情况，谷歌的算力池看着大，但调度上其实挺僵的。TPU集群优先保障搜索和广告这类核心业务，AI研究团队能抢到的资源往往要看排期。像Gemini这种明星项目可能还好，但边缘一些的组，想跑个大规模对比实验都得等资源释放，有时候一个实验排一周才跑上，迭代速度直接砍半。这种环境下，研究员硬熬着确实没意思，Anthropic那边虽然体量小，但起码算力池是透明的，你跑什么实验优先级自己说了算，这对做前沿探索的人来说吸引力太大了。

另外还有个细节，谷歌的TPU v5p虽然单卡性能强，但集群互联带宽和稳定性一直有争议。我认识的朋友说过，大规模训练时经常因为节点间通信瓶颈导致实际利用率上不去，反而不如用NVIDIA H100搭的集群来得稳。这可能是Gemini 3.5 Pro跳票的另一个技术层面的原因——不是不想发，是优化不够，跑不出预期效果。

至于Jonas Adler他们跳去Anthropic，我觉得不光是期权和算力，还牵扯到研究自由度。谷歌现在内部流程太重，发篇论文要过层层审批，跟法律、PR团队来回拉扯，而Anthropic这种创业公司，节奏快得多，研究员能直接跟决策层对话，这种文化上的差异有时候比钱更关键。算力分配不均只是表象，背后其实是组织体制和资源优先级的问题，不解决这个，留住人很难。

这个角度挺有意思，之前大家都盯着期权和薪资，你一提算力分配不均我倒觉得更接近本质。不过我想问下，谷歌这种大厂内部算力调度真的糟糕到边缘团队连小规模实验都跑不动吗？还是说他们更倾向于把资源砸在少数能快速商业化的项目上？

这个观察挺有意思的，算力分配不均确实是很多大厂内部的隐痛。想问下，如果边缘团队连实验都跑不动，那他们平时是靠什么来争取算力资源的？是纯靠项目优先级，还是有类似内部积分或竞价这种机制？

算力分配不均这点太真实了，我们组之前想试个新框架，光排队等TPU就等了快两周，最后只能拿V100凑合跑。大厂内部资源政治化其实比外部挖角更致命，研究员不是傻子，与其守着分不到蛋糕的灶台，不如找个能让自己火力全开的地方。Gemini跳票八成也是这问题，盘子铺太大，算力根本喂不饱这么多模型。