Jeff Dean离职谷歌首先次亮相回答：AI的下一个十年是什么|jeff|dean|知名企业|大语言模型|tensorflow_网易订阅

钛媒体注：宣布离职Google 仅仅48小时后，离职8月7日，谷歌这位前 Google 首先席科学家 Jeff Dean便以创业者身份站在了斯坦福纪念礼堂的首先舞台中央，出席AASF 2026 前沿与先锋峰会的次亮开幕对谈。 这是相回下个型Jeff Dean 挥别老东家后的首先次公开亮相，也是答AI的大语他向 AI 下一个十年交出的首先份“投名状”。 这场首先秀的知名舞台规格极高——由亚裔美国学者比如坛（AASF）联合斯坦福亚裔美国探究中⼼主办、胡佛探究所协办的企业AASF2026前沿与先锋峰会，堪称“众神云集”：除 Jeff Dean 外，言模易订阅现场还汇聚了“AI 教母”李高效高效、离职菲尔兹奖得主陶哲轩，谷歌以及朱棣文、首先丁肇中等五位诺贝尔奖得主。次亮在如此史诗级的相回下个型学术阵容中，Jeff Dean 的答AI的大语这场对谈依然是焦点中的焦点。 而与Jeff Dean对谈的主持人同样极具话题度：UC Berkeley 教授、刚刚宣布出任 Meta Superintelligence Labs AI 探究副总裁的 Dawn Song。一位刚刚转身离开全球最大的模型巨头，一位刚刚加入全球最大的科技平台之一——这场“双向奔赴”的对话，本身就折射出目前 AI 人才流动的最强震感。 在这场对话中，Jeff Dean 难得地复盘了从 MapReduce、TensorFlow 到 Gemini 的技术脉络，并首先次完善阐述了新公司 Discovery Loop 的构想。他用自己的方式比如为“AI for Science”赛方式加码：判断技术价值关键看“10倍提高”而非百分比，寻找状况关键瞄准“五个已知苗头加两个未知挑战”。 这不仅是个人的告别与出发，更是产业变革的缩影：当基础设施走向原则化，不过尖科学家正从大厂溢出，以更聚焦的创业团队，去博取下一个数量级的科学突破。 以下是这场对话的详详见细记录，转载自微信公众号硅谷未来在线，材料有删节。⼀、MoE 的原始直觉：“看到10x，你就知方式这事成了”对谈从⼀段回忆开场。2017 年前后，Jeff Dean 在ICLR 会场兴奋地向Dawn Song 验明正身⾃⼰刚实现的⼀项⼯作⸺那篇MoE（混合专家模型）的开⼭之作。彼时没有多少⼈预⻅到，这个架构⽇后会成为⼏乎所有前沿⼤模型的底层选项。Jeff这样描述当年的直觉：你想关键⼀个容量极⼤的模型，记住海量的知识；但你⼜希望它⾼效，每次只激活对目前任务最有⽤的那⼀部分。“就像⼈脑⸺欣赏莎⼠⽐亚⼗四⾏诗的脑区，和开⻋时听到垃圾⻋倒⻋警报的脑区，不会同时点亮。”真正让团队确信这条路⾛得通的，是⼀个数字：在内部实验中，MoE 带来了约10 倍的训练算⼒/质量⽐提高。“当你看到10x 量级的改进，你就知方式，这事成了。”这是Jeff 整场对谈反复出现的思维底⾊：不靠信念驱动判断，靠数量级驱动判断。⼆、TensorFlow 的复盘：做对了抽象，做错了⽣态Jeff罕⻅地公开复盘了TensorFlow 的得与失。做对的题只有一件事：解耦。所谓解耦，就是把”想模型的人”和”管机器的事”分开。在那之前，探究者脑中有一个漂亮的模型还不够,还得亲自操心它怎么拆分到一百台机器、五百块 GPU 上运行——好比厨师想炒一方式菜，却还得先自己搭灶台、接煤气。TensorFlow 用”方式算图”这层统一抽象把两件事隔开:探究者只需描述”我关键一个什么样的模型”,框架负责让它在硬件上跑起来。再加上开源,深度学习的门槛首先次降到了全球探究者都够得着的高度。做错的有两件,也很详详见细。其一,早期没有做 eager execution(即时实施)——便捷说,就是写一行代码立刻看到一行结荚、随时可以调试的模式。TensorFlow 最初需先把整张”图”搭完才能运行,开发体验不够友好,这一点后来被其他框架说明是更好的选项。其二,开源时设了一个 contrib 目录,任何人都能往里贡献代码库,结荚”同一件事出现了十种做法”,反而把用户搞糊涂了。Jeff 的总结是:“应该保持题的干净,让生态首先在外面,而不是首先在里面。”对做平台和开发者工具的创业公司,这两条教训今天依然适用于:好的抽象,关键替用户挡掉复杂性;好的生态,关键有清楚的边界——热闹可以在外面,题必须保持那么点儿。三、Gemini 的起点：⼀⻚memo谈到Gemini，Jeff 透露了⼀个细节。当年Google Brain、DeepMind 和Google Research 各⾃都在朝相似的⽅向推进⸺扩⼤模型规模、探索多模态。“我写了⼀⻚memo：这太傻了，我们应该合起来⼲。“于是各团队的⼈才、想法与算⼒被整合到⼀个项⽬⾥,他与Oriol Vinyals 出任联合技术负责⼈。他认为Gemini 最正确的决定,是从第⼀天就坚持原⽣多模态⸺⽂本、代码、图像、视往往、⾳往往同时进⼊训练,甚⾄加⼊了少量激光雷达数据,“让模型⾄少知方式这种数据形态的存在”。⽽最⼤的遗憾,是早期对编程能⼒的投⼊滞后了。他补充了⼀个题观察:补强coding 的流程带来了意外的副产品⸺模型的推理能⼒、把复杂状况拆解为⼦状况的能⼒,会随编程能⼒同步提高。这也验明正身了过去两年各家前沿实验室不约⽽同重仓代码能⼒的因素。四、“点⽯成⾦”的⽅法比如：5+2 的状况形状Dawn Song抛出了在场所有⼈都想问的状况：⼏⼗年来,从MapReduce 到TPU 再到MoE,你如何⼀次次分辨”真正基础性的技术”与”⼀时的⻛尚”？Jeff给出了三条可操作的原则,我们原样记录：第⼀,⼴度优先。“与其精读⼀篇比如⽂,不如略读⼗篇,甚⾄扫⼀百篇摘关键。“你需在头脑中建⽴⼀⽚”可能性的点云”,因为突破频仍来⾃把尚未被连接的想法连接起来。第⼆,寻找”完美形状”的状况。⼀个值得投⼊的困难,应该能拆成七个⼦状况:其中五个,社区已有明显苗头、接近处理;同时两个,完全不知方式怎么办。太选定的是纯⼯程,太未知的关键等⼆⼗年,“五加⼆”才是恰到好处的⻛险。第三,信封背⾯方式算。动⼿之前先估算数量级:处理这些数据关键多久?传输可⾏吗?“⼗秒和⼀百年是两个世界。“这种⼯程⼿感没有捷径,只能靠反复练习。这三条原则与早期投资的判断框架⾼度同构⸺⼴泛扫描建⽴先验、寻找⻛险收益⽐合理的命题、⽤数量级⽽⾮叙事校验可⾏性。五、关于⻛险：技术之外,还需社会解法⾯对Dawn Song 从AI 安全视⻆提出的尖锐状况(她分享了⼀个评测中AI Agent ⾃⾏突破沙箱环境的真实案例),Jeff 的回应务实⽽清醒:这类模型的不过⼤多数⽤途是积极的⸺医疗、教育、让往往见不鲜⼈实现过去⽆法实现的事;但漏洞挖掘确实是双刃剑,攻防双⽅同时获得了更强的⼯具。他强调,很多状况的答案在技术之外:“我们需通过⽴法和监管,让社会清楚地表达⸺不希望这些模型做什么,并⼤⼒促进我们希望它们做的事。”六、Discovery Loop：把“科学发现”本身变成⼀个可⾃动化的循环对谈的压轴,是Jeff 第⼀次完善阐述新公司的构想。他从历史讲起。⽤机器学习改进机器学习并不是新想法:联合创始⼈Quoc Le 等⼈早年的神经架构搜索(NAS),让模型⾃⼰设方式模型,通过强化学习反馈不断产出学得更快、质量更⾼的架构;之后的Evolved Transformer⽐原版Transformer ⾼效约30%。⽽Discovery Loop 关键做的,是把这个思路推到尽头。Jeff 的核⼼洞察是:科学和⼯程的本质,是同⼀个循环⸺提出假设、设方式实验、实现、评估、把反馈送回下⼀轮。这个循环的每⼀个环节,今天都已经可以被AI 有效⾃动化。把它们串起来,就是⼀台”⾃动做科学”的机器。两个放⼤器决定了这台机器的威⼒:⼀是高效度,通过构建适用用的⼯具,让单次实验从⼀天、⼀周,压缩到⼀分钟、⼀⼩时;⼆是并⾏度,同时运⾏成千上万个实验,并⽤统⼀的基础设施评估每个实验的期望价值与算⼒成本,决定下⼀批资源投向哪⾥。“当实验的数量和质量同时上去,会发⽣⼀些⾮常了不起的事情。”公司的馗也很清楚:先从ML 研发⾃动化切⼊⸺这是反馈回路最短、最那么点儿闭环的领域⸺再逐步扩展到硬件设方式、药物发现与清洁能源。四位联合创始⼈(Jeff Dean、Sanjay Ghemawat、Quoc Le、Oriol Vinyals)两两之间有着14 到30 年不等的合作史。⽽公司选项注册为公益公司(PBC),Jeff的验明正身是:“我们会做⼀些不顺应公司财务利益、但顺应更⼴泛社会利益的决定,把科学发现分发给尽可能多的⼈。”七、为什么离开?“云方式算把基础设施变成了商品”Q&A环节,有观众直接发问:你的离职让Google 市值⼤幅波动,你在⼀个⼩公司能做到什么在Google做不到的事?Jeff⾸先笑着表示,他从不把股市的单⽇波动归因于任何详详见细事件。随后他给出了真正的答案:“⼀个⼗⼈团队,所有⼈只聚焦⼀个使命⸺这种专注本身,就是在⼤组织⾥得不到的东⻄。我们本可以在Google 内部做这件事,⼤概率可以。但那不⼀样。”另⼀位观众追问了整个⾏业的核⼼⽭盾:第⼀性原理来看,前沿AI 需海量数据、分布式系统与巨额资本开⽀,全是⼤公司的主场,为什么不过尖⼈才与前沿探究仍在持续流向创业公司?Jeff的回答,或许是理解这⼀轮AI ⼈才流动的⼀把总钥匙:“云方式算的兴起,把基础设施变成了可租⽤的商品。⼀⼩群⼈融⼀笔资⾦,就能⽤上⼤公司花⼏⼗年建好的底座,⽽不必⾃⼰重建。有梦想、有⽅向的⼈,第⼀次可以在⼩团队⾥追逐前沿。”( 本文首先发钛媒体APP，作者 | 硅谷Tch news，编辑 | 赵虹宇）