1. 一鍋湯里放進了所有配料，但還得留一點魔法
Tulsee Doshi 管著 Google 的前沿模型產品線。除了人人都在用的 Gemini，她手下還有一組"生成式媒體"模型：做圖像編輯與生成的 Nano Banana、音樂模型 Lyria、影片方向的能力，以及開源模型套件 Gemma。還有一個常被忽略的部分——音訊模型，對話、音訊理解、文本轉語音、翻譯，都算在 Gemini 這個大類里，只是外界談得少。用她自己的話說，這是一整個前沿模型的產品組合。
模型發布會幾乎每周都有，但很少有人從"研究—預訓練—後訓練—上線"這條完整鏈路去看它。主持人 Lenny 問的正是這個角度：外人最容易誤解模型是怎麼被做出來的哪一點？
Doshi 的回答從產品經理的常規動作切入。做任何產品的 PM 都會先定目標：這個版本要具備什麼能力、要在哪些評測上達標、要驅動什麼結果。客戶和內部用戶也習慣這樣問，並且默認——目標定了，產品就該交付它。這在傳統產品里成立，在模型上不成立。
"模型是不可預測的。它有點像斯內普（Snape）的魔藥課：你可以把所有配料都放進去，也該想清楚自己期待什麼，但你必須接受會有一點魔法發生。"
這一點魔法是意外的，也是獨一無二的。所以 PM 的職責不止是塑造"進去的東西"，還得盯著"出來的東西"，認出模型在哪裡發光、在哪裡表現出你沒預料到的獨特性，再把這個獨特性做成用戶真正覺得驚艷的東西。
Lenny 補了一句來自另一位嘉賓的說法：模型是"長"出來的，不是"造"出來的。Doshi 認同，也劃出了邊界——大量研究讓這件事儘可能成為科學：訓練過程被持續監控，研究員盯著曲線爬升，判斷何時該介入。但作為 PM，你還得理解模型另一側的"手感"（vibes）。某個能力提升了是一回事，這個能力在哪裡真正閃光、在產品下游怎麼呈現、和它對話時它的行為與人格給人什麼感覺，是另一回事。這些會被寫進訓練，但每次評測和測試，團隊總會學到新東西。
2. 全棧不是口號，是一條成本對質量的曲線
Google 在 AI 競賽里處於什麼位置，是這場對話繞不開的問題。外界的觀感是：它時不時拿出最好的東西，然後又慢下來。Doshi 沒有迴避，先給出了一個具體答案——她希望這期節目播出時，聽眾已經在用 Gemini 4 Argon，那是一個她認為確實站在前沿的模型。
她更想講清楚的是策略的形狀：全棧。Google 的特殊之處在於它同時握著硬體和觸達數十億用戶的終端產品，她提到公司有 14 個用戶過十億的產品（她自己補了一句"這個數字我該再確認一下"）。從硬體到模型再到應用，這條鏈是完整的。
但目標不只是做出最前沿的體驗。真正的目標是在"成本—質量"這條帕累托曲線上鋪開一排模型，服務處在不同位置的不同用戶。 來搜資訊的人、正在構建下一個東西的工程師、要保護關鍵基礎設施的網路安全防禦者，各自需要的東西不一樣，模型的價格與能力組合也不該只有一檔。這些用戶的使用反饋，會被帶回到構建過程里。
Lenny 把話挑明：這意味著 Google 有很多條贏的路徑——每 token 成本最優的前沿、最聰明的模型、或者乾脆把搜索這類現有產品做得更好（AI 模式、AI 概覽）。他不確定 Doshi 是不是也還想贏"最強模型"這一局。
她的回答很直接："我確實認為我們想贏下前沿這場對話。我不認為應該說 Google 沒有參與前沿。" 與此同時，她也強調廣度與多樣性本身的價值——不管你在前沿的哪一段上構建，最終都要落到"讓人的生活真的變好"這件事上。
3. 安全不是一個附加層，而是訓練過程的一部分
在這個位置之前，Doshi 在 Google 的負責任 AI 團隊做了六年產品。這讓她的安全視角比大多數人早了幾年。
她對自家安全團隊的評價是"不可思議"，而她反覆強調的是"刻意性"（intentionality）——從模型最初的訓練，到最終怎麼部署，安全是嵌在這個過程里的，不是上線前貼上去的一層。
真正落地時，關鍵在於結構和緩解措施怎麼設計。她舉的第一個例子是監控：部署能夠監測模型思維鏈（chain of thought）的監控器，判斷它是否正在往不該去的方向走。
這段討論沒有停留在抽象原則上。對一個大模型產品負責人來說，安全的工程量體現在這些具體裝置上——誰來盯、盯什麼信號、什麼時候介入。這也解釋了為什麼她把"模型不可預測"看得那麼重：既然結果帶有魔法的成分，可觀測性就不是可選項，而是產品的一部分。
4. PM 重新變得值錢，因為模型有"手感"
對話轉向招聘。Lenny 問，現在招 PM，有沒有什麼是你越來越看重的？
Doshi 的答案沒有繞彎：她要的是那種理解自家模型、也理解別家模型"手感"的人；有觀點的人；每天都在玩這些模型的人。 理想狀態下，你應該拿自己真正興奮的題目去壓力測試模型，而不是等著別人給你一份評測報告。
這個標準聽起來簡單，背後是一個不小的轉向。當模型能力每幾個月翻一次面，"把需求寫清楚、把排期管好"這類傳統 PM 的核心手藝，邊際價值在下降；能夠判斷"這個模型現在到底能做到什麼、用戶會在哪一刻感到驚訝"，反而變成了稀缺能力。也正因為如此，PM 在一個前沿實驗室里不是協調角色，而是那個負責接住魔法、並把它翻譯成體驗的人。
順帶說，她對"理解手感"的要求是有範圍的：不止 Gemini，也包括別的模型。這在產品負責人里並不常見。
5. 60-20-20：把功能建在能力的前面
Doshi 有一個關於"該往前建多遠"的框架，她稱之為 60-20-20。節目裡沒有展開三段的具體比例，但她給出了這個框架要反對的東西——傳統創業智慧：先做一個能用的最小可行產品。
她的判斷相反：你應該去建那些"今天還不一定能用"的功能。 邏輯在於，模型能力還在往前走，如果產品只圍繞當前已經穩定的能力設計，等模型升級到位時，你的產品形態已經落後一輪了。留出一部分賭注押在"快能用但還沒完全能用"的能力上，才可能吃到下一波提升。
代價是產品必須保持可適應。模型一升級，原先勉強能跑的功能可能突然好用，原先設計好的交互可能變得多餘——這種隨模型能力漂移而重構產品的能力，本身就是前沿模型 PM 的核心工作之一。
6. 評測怎麼寫：從一段體驗，而不只是一個模型
節目裡另一條被列出的線索是"怎麼寫你的第一個評測"。對不在一線的人來說，評測像是研究院的事；但在 Doshi 的描述里，評測是產品經理最實際的手藝。
它至少有兩個層次。一層是模型層：某個能力是否真的提升了，在什麼條件下提升。另一層是體驗層：這個能力穿過產品之後，用戶感受到的是什麼。她提到的例子裡有一個很具體的方向——用更好的評測去改善膚色表徵（skin tone representation）的質量；也就是把"這張圖對所有人都生成得好嗎"這種模糊感受，變成可以被測量、被追蹤的東西。
這也解釋了她為什麼強調 PM 要親自玩模型：評測的題目來自你自己的興奮點和你的不適感，而不是來自一份通用清單。先把"我覺得這裡不對"變成一個可復現的測試，再把它變成訓練和發布的門檻——這是把主觀手感變成工程的那一步。
7. Google 還沒交出的那份答卷
Lenny 拋出了這場對話里最尖銳的一問：現在每一個 AI 助手都在吃 Google 那些最有價值的數據——Gmail、Google 日曆、Docs——那 Google 為什麼還沒做出一個真正好用的個人助理？
Doshi 沒有辯護，也沒有打太極。她說團隊正在做一些很棒的東西，然後承認："你說得對，這件事上我們還有更多工作要做。"
這個回答和她前面講的策略是接得上的。全棧是 Google 的結構性優勢，14 個十億級產品意味著數據、場景和分發都在手裡；但結構優勢不會自動變成產品，它需要有人判斷模型現在的手感夠不夠、用戶在哪一刻會真的感到"它懂我"。這正是她所說 PM 價值回歸的地方——不是把能力列成清單，而是判斷哪個能力已經成熟到可以承擔這種信任。
8. 回到魔藥課
這場對話沒有給出一個關於 AI 競賽的名次表，Doshi 也沒打算給。她給出的是一套工作方式：承認模型不可預測，然後用監控、評測和手感去儘可能地靠近它；承認全棧是一條成本對質量的曲線，而不是單一的最強模型；承認 PM 的價值不在流程里，而在判斷力里。
回到開頭那間魔藥課教室。配料你可以準備得很仔細，火候你可以盯著儀表，但總有一部分是魔法。產品經理的工作，從來不是消除那部分魔法，而是在它出現的時候，認得出它，並且把它做成別人能用上的東西。
這份工作在過去兩年被低估過，現在又開始變得稀缺——原因大概就在這裡。
