AI 下一步是大型推理機器！Google DeepMind 紀懷新：從猜字到預測下一個想法
Google DeepMind 研究副總裁紀懷新今日在 Google Cloud Day Taipei 2026 發表演講，並直言未來我們熟悉的 AI 應被重新定義為「大型推理機器」。
Google Cloud Day Taipei 2026 今（9）日登場，Google DeepMind 研究副總裁紀懷新來台演講時指出，隨著 AI 從「預測下一個字元」進化到「預測下一個想法」，未來這類模型不應再只被稱為大型語言模型（LLM），而應被定義為「大型推理機器（Large Reasoning Machines）」。他同時點出，AI 的發展正經歷從「搜尋」與「推薦」轉向「通用助理」的典範轉移。
紀懷新借用行為經濟學家 Daniel Kahneman 的理論，將這場變革比喻為從直覺反應的「System 1（快思）」邁向具備邏輯推敲能力的「System 2（慢想）」。技術核心也正從單純的「預測下一個字元（Next Token Prediction）」進化至具備規劃能力的「預測下一個想法（Next Idea Prediction）」。
紀懷新在演講中，將 AI 與網路科技的發展劃分成兩個階段——1995 到 2015 的二十年，以及 2015 到 2025 的十年——並分別點出各階段推動技術演進的「3 件最重要的事情」。
1995 到 2015：搜尋與推薦系統
在 1995 到 2015 年這個階段，主要解決的是如何處理龐大的資料並做好搜尋（Search）與推薦（Recommendation），紀懷新認為最重要的三件事分別是：
索引（Indexing）：透過 MapReduce 等技術整理全球資訊，這是 Google 的根基。
向量空間模型（Vector Space Model）：利用餘弦角度（Cosine Angle）計算向量關聯性，讓電腦理解資訊間的親疏。
深度學習（Deep Learning）：自 2014 年起，神經網路開始優化排名（Ranking）與推薦，將搜尋與推薦的價值推向巔峰。
延伸閱讀｜AI 搜尋來了，SEO 卻沒死！Google 發布優化指南，5 步驟自檢網站 AI 曝光缺口
從「預測下一個字」到「預測下一個想法」
到了近十年的生成式 AI 時代，紀懷新也點出現在我們處於生成式 AI 邁向推理模型轉型的分水嶺，在這之中最重要的 3 件事分別是：序列轉換（Sequential Transduction）、下一個想法預測與思維鏈（Next Idea Prediction & Chain of Thought），以及後訓練（Post-training）。
序列轉換是將一種資料序列轉換為另一種資料序列的技術，紀懷新以字源解釋：麥克風最早其實叫「transducer（轉換器）」，因為它把聲波轉換成電子訊號；人類的耳朵同樣是一個 transducer，耳膜將震動轉換為大腦的神經訊號，人與人的溝通本質上就是層層序列轉換的過程。
2014 年，Google 的研究人員發現可以用神經網路模擬這個過程——那篇論文正是 Ilya Sutskever（後來的 OpenAI 首席科學家）、Oriol Vinyals 與 Quoc Le 三人合著的《Sequence to Sequence Learning with Neural Networks》。紀懷新直言，這篇論文「有可能在未來拿下諾貝爾獎」。
有了序列轉換，圖片或語音都能切割成一小塊一小塊（token）送進模型，讓單一模型處理多種複雜任務：將英文精準翻譯成德文，或是讓 AI 看圖描述內容。過去每一組語言對都需要一個獨立的翻譯模型，40 種語言互譯就需要上千個模型；如今一個模型就能全包，所有任務都收斂進同一個架構——這也是「生成式 AI」能夠一個字一個字（token by token）生成內容的最關鍵基礎。
「下一個想法預測」則讓 AI 從單純預測下一個字元，進化至透過步驟推導來預測下一個想法。透過引入「思維鏈（Chain of Thought）」，開發者就像教導小孩子套公式解數學題一樣，讓機器學會一步步推導，將模型的推理能力提升了 2 到 4 倍。
模型也因此得以從猜測下一個 token，進化為具備長遠規劃能力的「下一個想法預測」。紀懷新現場示範：任何人或許都能接出他一句話的下一個「字」，但沒有人知道他三分鐘後要講的下一個「想法」，而規劃與推理，正是這個層次的問題。
紀懷新指出，未來這類 AI 模型不應只被稱為大型語言模型（LLM），而更應該被定義為「大型推理機器（Large Reasoning Machines）」。
至於第三項「後訓練」，紀懷新笑稱「要講的話得花上六個小時」，並未在演講中展開。
而隨著機器正逐步具備更複雜的推理、視覺分析、工具使用與規劃能力，AI Agent 系統將能處理更專業、高度客製化、高度個人化的任務。為了支撐上述複雜的推理與工具操作，紀懷新強調，底層必須仰賴「可程式化語言模型框架（Programmable LM framework）」，也就是現在業界非常強調的 Agent Harness，並且他也呼籲：「台灣一定要跟上這個趨勢，這非常、非常重要。」
紀懷新於今日演講中播放的 demo 影片中，使用者從手機開始詢問，最後跨裝置無縫接續到眼鏡等裝置上獲得回答與建議，這類跨裝置的通用智慧助理，或許將會是繼網際網路與智慧型手機之後，下一個改變世界的關鍵技術。
延伸閱讀｜品牌如何佈局 GEO，讓 AI 優先推薦你？SEO 顧問解析：AI 搜尋時代必做的三件基本功！
（本文轉載自 INSIDE 硬塞的網路趨勢觀察）
延伸閱讀
讓 AI 不再盲目亂猜！Appier 提出「能力校準」新框架，讓 AI Agent 回答前先判斷成功率
機器怎麼學會推理？Google DeepMind 副總裁紀懷新：下一個衝擊叫個人通用助理
Fable 5 免加價使用期再延 5 天！Anthropic 宣布付費方案用到 7/13，使用規則一次看