← 返回全部情报
Google Gemini 产品负责人 Tulsee Doshi:先让 60% 今天能用,再把 20% 押在模型马上会变好的地方;写评测从 5 条 prompt 开始 的封面

·YouTube·访谈收录 2026-11-14

Google Gemini 产品负责人 Tulsee Doshi:先让 60% 今天能用,再把 20% 押在模型马上会变好的地方;写评测从 5 条 prompt 开始

访谈思路用法Gemini产品管理评测

一句话结论

在约 58.6 分钟的访谈里,Google 前沿模型产品负责人 Tulsee Doshi 提出 60-20-20 建设法:约 60% 做今天就能用的完整功能,约 20% 做已经勉强能用、并能看见模型很快会补上的部分,再留约 20% 给那些只有闪光、一旦打通就很出色的体验;写评测则从 5 条、最多约 20 条自己打分的提示开始,评的是端到端体验。

打开原文 YouTube:Why PMs are suddenly valuable again(Tulsee Doshi)

背景与理念

这是一场约 58.6 分钟的访谈,YouTube 发布于 2026 年 11 月 8 日,主持人是 Lenny Rachitsky,嘉宾是 Google 前沿模型产品负责人 Tulsee Doshi。她的范围覆盖 Gemini、Nano Banana、Genie、Veo、Lyria、Gemma 与音频模型,此前在 Responsible AI 做了六年产品。对白来自播客页和第三方核对转录,引用时建议对照录像。谈话的主轴是模型开发的「手感」、同时打前沿与成本–质量曲线、分层用户体验、60-20-20 建设法,以及从少量提示开始写评测,而不是一次产品发布。她不是公司首席执行官,谈的是一线产品负责人的用法和节奏。

具体做法

模型像斯内普的魔药课

她把模型开发比成斯内普(Snape)的魔药课:原料可以按方子放进去,但仍要料到会有一点魔法,而且那点魔法会出人意料。她的原话是:「The model isn't predictable. It's kind of like Snape's potions class. You can put all the ingredients in, but you also have to expect that there will be a little bit of magic, and that magic is going to be surprising.」客户或内部用户常会问「你给模型设了什么目标」,并期待它像传统产品那样交付这些目标。她说,你确实应该有意图、有评测目标,「但模型并不可预测」。产品经理的工作不只是塑造进模型的东西,还要看出模型亮在哪、在哪些地方独特得让人吃惊,再把它做成对用户出色的体验。研究侧会尽量做成科学:盯训练、看指标、决定何时介入。但产品经理还要懂模型的手感(她用的词是 vibes):能力提升之后,它在产品里究竟亮在哪,跟人说话的行为和人设感觉如何。「We always learn something new … about what the model can do.」

既打前沿,也覆盖成本–质量曲线

她明确希望 Google 参与并赢得前沿对话,同时也要在成本与质量的权衡曲线上,给不同用户提供合适的模型。节目录出时,她希望大家已经在用 Gemini 4 Argon,并说:「I actually think we do want to win the frontier conversation. I don't think we should say that Google is not participating in the frontier.」Google 的策略是全栈,从硬件到服务数十亿用户的终端产品。她提到一个自己说「该再核一下」的数字:大约 14 个产品超过十亿用户。目标不只是前沿体验,还要在成本与质量的帕累托曲线上,给搜索用户、工程师,以及「trying to protect a critical piece of infrastructure」的网络防御者提供合适的模型,并用这些用户的反馈来建模型。

部署时监控思维链,并用模型帮防御方补洞

安全要嵌在训练到部署的全过程,部署时一个关键结构是监控模型的思维链,判断它是否偏离预定动作,并在需要时介入。这既增加部署信心,也能反过来改进模型。另一件她觉得讨论不够的是:人工智能也能用来加固基础设施。Gemini 4 在与包括已并入 Google 的 Wiz 在内的网络防御方合作;她举了 Wiz「Scan for Good」与一家医院系统找出漏洞并补上的案例。对「能不能解决失控担忧」,她认为两条都要做:「the path to optimism is through thinking about it and being like very careful and very thoughtful and very intentional。」乐观来自有人真的在追问模型是怎么建的。

按用户分层设计体验,模型性格本身也是体验

面向数十亿搜索用户的 AI Mode,界面必须人人能用;面向高手的 Antigravity,则要支持斜杠命令,并能在终端和开发环境之间工作。她的概括是:「depending on who your user is, you have a certain level of flexibility with how you think about the UX.」她同意实验室有时会先把前沿能力送出去、再补界面,但同时必须试新范式,并点到 Flow(视频和音乐的编辑与生成,也提到正在做的 Omni)、NotebookLM,以及 Labs 的不同形态。模型本身也有用户体验:透不透明、怎么跟你说话、会不会回问。她与模型行为团队合作,把「Gemini 怎样才算好」写成规范,再译成评测量表、数据和奖励建模,把用户体验的讨论带进模型开发本身。

60-20-20 建设法

传统创业建议是先做一个今天就能用的最小可行产品,但她认为也要做一些今天未必总能跑通的功能。比例可以微调,逻辑是:大约 60% 现在就能工作,原型至少功能完整;大约 20%「it's not perfect but it like works well enough and I can see how the models might get here in the very near future」;再留大约 20% 给「here's where I want the models to be … here's where I see glimmers of light」,一旦打通就会是很出色的体验。这样今天能交货,也在跟着模型一起长。她本人做模型,也觉得很难准确预告三个月后模型会在哪。更具体的办法是看自己的产品:哪里已经有闪光、哪里正在补上缺口,而不是赌一个固定的「提前三个月」。

写评测从 5 到 20 条自己打分的提示开始,而且要评端到端

第一条评测不必上大基准,哪怕先从 5 条提示起步;做到大约 20 条、能在两个模型之间看出信号的迷你评测,已经很有用。尤其是多步、多轮轨迹,先自己当评分员、先想清楚什么叫好,再考虑规模化。测手感时,要选你真正在乎、而且今天已经「有生命迹象但不完美」的任务,才比得出不同模型的差别。有人测三维动画,有人测写作,有人测很难的财务分析。评测还要整体看:评判模型本身的质量、是否在带过滤和缓解措施的生产栈上评,以及服务方式都会改变用户真实体验。她举音频为例:内容对了还不够,声音自然度、音色、语调都会被服务环节改变,所以必须有干净的端到端评测环境。她还提到负责任人工智能的旧例:早期用只有 6 档、且偏浅肤色的 Fitzpatrick 量表评产品,后来改用哈佛教授 Monk 的 10 档肤色量表,并据此改进 Pixel 相机和图像生成里的肤色表现。招产品经理时,她看对方是否理解模型的手感:每天自己用、有自己的判断用例、愿意卷起袖子看数据、亲手建一条评测。另外要敏捷:两周环境就会变,「A roadmap you wrote two months ago, you're going to be looking at it again and rewriting it.」

谁都能快速做出来之后,品味和共识更值钱

当什么都能很快做出来时,做出真正好的东西反而成了独特的增量,品味也因此更重要。她说:「when you can build anything and you can build anything so easily, building something great actually is now a unique value add … taste is now really important.」好的产品经理是从噪声里抽出那一点洞察。在 Google 这种同时做很多产品的环境里,还要能把人聚在一起、把混乱收成秩序,否则速度本身会制造混乱。

关键数据/例子

她提到 Google 大约有 14 个产品超过十亿用户,但当场说「该再核一下」,这不是已经核对过的官方口径。建设法上,大约 60% 做今天就能用的完整功能,大约 20% 做已经勉强能用、并能看见模型很快会补上的部分,再留大约 20% 给那些只有闪光、一旦打通就很出色的体验。写评测则从 5 条、最多大约 20 条自己打分的提示开始。肤色评测从 6 档的 Fitzpatrick 量表改到 10 档的 Monk 量表,是她举出的端到端评测会改变产品的旧例。

创新点

第一,她把产品节奏写成 60-20-20:先保证今天能用,再故意留一部分给模型即将变好的地方,而不是只做最小可行产品。第二,评测从少量自己打分的提示起步,评的是带过滤和服务环节的端到端体验,而不只是裸模型分数。第三,同一套模型要按用户分层做界面,同时把模型会不会追问、是否透明,当成用户体验来写进规范。

可否复用

  1. 做人工智能功能时,不要只交付今天百分之百稳的最小版本:留一部分今天勉强能用、以及一部分明显押在模型下一步的能力。用自己产品里已经露出的闪光点当参照,而不是赌「精确提前三个月」。
  2. 写第一条评测时,先亲自准备 5 到 20 条你在乎的提示,自己当评分员,再扩大。评的是带过滤、服务方式和多轮轨迹的端到端体验。
  3. 同一套模型,面向大众和面向高手要用不同界面;同时把模型是否会追问、是否透明,写成产品规范。部署智能体时,除了训练期的安全措施,还要有能看思维链、发现偏离预定动作并介入的监控。

笔记会在输入时自动保存。