谷歌AI连”Google”都拼不对，大语言模型的底层缺陷藏不住了

2026年5月27日 | 来源：TechCrunch

单词”Google”里面有几个P？谷歌自己的AI给出的答案是：两个。

这不是段子，是真实发生在谷歌搜索”AI Overview（AI概览）”功能里的场面。有用户发现，让谷歌AI数一下”poop”里有几个R，它一本正经地回答”恰好1个”；问它”journalism”怎么拼，它拼出了j-o-u-r-n-a-d-i-s-m——多了一个完全不存在的D。

至于美国总统的姓氏，谷歌AI表示里面有1个P——但拼出来的是t-r-p-u-m。

这已经不是第一次了

早在谷歌大张旗鼓给搜索结果页加入AI概览功能的时候，就有不少人预感会出事。果然，第一代AI概览上线时，它引用过《洋葱新闻》的讽刺文章，一本正经地建议用户”每天吃一块小石头”来补充矿物质，还从Reddit的段子里学到”可以在披萨上涂胶水来增加奶酪拉丝效果”。

那一轮翻车之后，谷歌表面上修了不少问题。但这一轮以生成式AI为核心的搜索改版，把AI概览摆到了搜索结果的最顶端——也就是用户第一眼看到的位置。拼写错误这种低级失误，就这样被放大给了数亿用户。

为什么AI就是不会拼写？

这背后其实有一个相当硬核的技术原因，只是大多数用户并不知道。

驱动聊天机器人和文本生成工具的大语言模型（LLM），从设计逻辑上就不是为了”阅读”而生的。当你输入一段提示词，模型会先把它转换成一串数字编码（也就是token），然后根据上下文关联来预测下一个最可能出现的token。

问题就出在这里：模型眼里没有”字母”这个概念。它看到的”the”是一个整体编码，知道这个词的意思是”这个”，但它根本不知道T、H、E分别是什么字符。

“LLM基于Transformer架构，这个架构本质上就不是真的在’阅读’文本。你输入提示词之后，它会被转换成编码。当模型看到单词’the’的时候，它只有’the’对应的编码，知道这个词的意思是’这个’，但它根本不知道’T”H”E’分别是什么。”——阿尔伯塔大学AI研究员Matthew Guzdial助理教授

这就是为什么AI可以在几秒钟内写出能跑的应用程序代码，或者解决困扰数学家几十年的难题，但拼对一个简单的英文单词却相当于幼儿园小朋友的水平。

研究人员也不乐观

东北大学研究大语言模型可解释性的博士生Sheridan Feucht说得更直接：他猜测”由于这种模糊性，根本不存在完美的tokenizer（分词器）”。

对于AI研究人员来说，拼写能力本来就不是LLM的核心评判指标。能写代码、能推理、能翻译，才是大家关心的。但问题是，当这些模型被直接推到数亿用户的搜索框里，每一个低级错误都会被无限放大。

谷歌通过邮件向TechCrunch回应称：”单词计数是LLM的已知难题，我们正在努力修复这个特定问题。”措辞相当谨慎——”已知难题”四个字，基本等于承认这是底层架构的问题，不是修几个bug就能彻底解决的。

给我们提了个醒

这些令人发笑的拼写错误，其实有一个很正面的作用：它们不断提醒我们，AI并不完美，哪怕它有时候看起来全知全能、超出人类认知。

我们不能盲目相信AI的输出，哪怕它说得再自信，也要二次核对准确性。这个道理大家都听过，但只有当AI把”Google”拼成两个P的时候，它才真正地被大多数人理解。

谷歌这一轮搜索改版，把生成式AI摆到了有史以来最显眼的位置。它得到的赞美会更多，但挨的骂也会更多。拼写错误可能只是开始。

谷歌走了条不同的路

大部分玩家都在冲更大、更强的模型，谷歌反过来证明：一个精心设计的120亿参数模型，配合聪明的架构选择，在边缘设备上也能给出不俗的多模态推理能力。

谷歌刚刚做了一个挺有意思的举动。6月3日，这家公司悄悄上线了Gemma 4 12B——一个119.5亿参数的开源多模态模型，最关键的卖点是：普通16GB内存的笔记本就能跑。

砍掉编码器，延迟和内存都降了

这个人称”统一架构”的东西，说白了就是把传统多模态模型里那些分开的编码器给砍掉了。

传统做法里，音频和图像得先经过专门的编码器转成语言模型能懂的表示，这一转就带来了延迟和额外内存消耗。Gemma 4 12B直接让原始音频波形和视觉块流入核心语言模型的嵌入空间，只用了3500万参数的轻量线性层。

结果就是：延迟低了，内存需求降到16GB，还能一次性微调整个多模态系统。

性能不弱，上下文窗口大到离谱

这个小模型跑分接近谷歌自己260亿参数的混合专家模型。它支持256K token上下文窗口——这对需要处理长财报、大型代码库或一小时会议记录的企业来说很实用。

另外还内置了”思考模式”，会在生成回复前先列出逐步推理过程；开箱就支持函数调用和系统提示，这些都是搭建自主智能体的基础能力。

企业哪几种场景最适合

• 严格数据隐私和合规要求（比如医疗、金融、国防），敏感数据不能传出本地
• 多模态智能体工作流，需要实时音频和变分辨率图像输入
• 成本敏感的边缘部署，比如零售库存监控、本地客服亭、离线现场服务

当然也有局限

如果你主要做的是海量知识检索，又不搭RAG管道，那可能还是需要更大的基础模型。

另外音频输入严格限制在30秒内处理，视频理解只有60秒（按每秒1帧算）。需要处理长视频或大型音频档案的企业，还是得用API模型或分块架构。

谷歌这次把小模型路线走得很坚决。对企业技术负责人来说，Gemma 4 12B值得认真评估——尤其是当你既想要多模态能力，又不想把所有数据都送到云端去的时候。