Jeff Dean离职谷歌首次亮相回答：AI的下一个十年是什么

钛媒体注：宣布离职Google 仅仅48小时后，8月7日，这位前 Google 首席科学家 Jeff Dean便以创业者身份站在了斯坦福纪念礼堂的舞台中央，出席AASF 2026 前沿与先锋峰会的开幕对谈。 这是Jeff Dean 挥别老东家后的首次公开亮相，也是他向 AI 下一个十年交出的第一份“投名状”。 这场首秀的舞台规格极高——由亚裔美国学者论坛（AASF）联合斯坦福亚裔美国研究中⼼主办、胡佛研究所协办的AASF2026前沿与先锋峰会，堪称“众神云集”：除 Jeff Dean 外，现场还汇聚了“AI 教母”李飞飞、菲尔兹奖得主陶哲轩，以及朱棣文、丁肇中等五位诺贝尔奖得主。在如此史诗级的学术阵容中，Jeff Dean 的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 研究副总裁的 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，本身就折射出当前 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，并首次完整阐述了新公司 Discovery Loop 的构想。他用自己的方法论为“AI for Science”赛道加码：判断技术价值要看“10倍提升”而非百分比，寻找问题要瞄准“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：当基础设施走向标准化，顶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细记录，转载自微信公众号硅谷未来在线，内容有删节。

⼀、MoE 的原始直觉： “看到10x，你就知道这事成了”

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 介绍⾃⼰刚完成的⼀项⼯作⸺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择。

Jeff这样描述当年的直觉：你想要⼀个容量极⼤的模型，记住海量的知识；但你⼜希望它⾼效，每次只激活对当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/质量⽐提升。“当你看到10x 量级的改善，你就知道，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。

做对的核心只有一件事：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，研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——好比厨师想炒一道菜，却还得先自己搭灶台、接煤气。TensorFlow 用”计算图”这层统一抽象把两件事隔开:研究者只需描述”我要一个什么样的模型”,框架负责让它在硬件上跑起来。再加上开源,深度学习的门槛第一次降到了全球研究者都够得着的高度。

做错的有两件,也很具体。其一,早期没有做 eager execution(即时执行)——简单说,就是写一行代码立刻看到一行结果、随时可以调试的模式。TensorFlow 起初要求先把整张”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证明是更好的选择。其二,开源时设了一个 contrib 目录,任何人都能往里贡献代码库,结果”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:“应该保持核心的干净,让生态长在外面,而不是长在里面。”

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:好的抽象,要替用户挡掉复杂性;好的生态,要有清晰的边界——热闹可以在外面,核心必须保持简洁。

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、视频、⾳频同时进⼊训练,甚⾄加⼊了少量激光雷达数据,“让模型⾄少知道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。他补充了⼀个重要观察:补强coding 的过程带来了意外的副产品⸺模型的推理能⼒、把复杂问题拆解为⼦问题的能⼒,会随编程能⼒同步提升。这也解释了过去两年各家前沿实验室不约⽽同重仓代码能⼒的原因。

四、“点⽯成⾦”的⽅法论： 5+2 的问题形状

Dawn Song抛出了在场所有⼈都想问的问题：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。“与其精读⼀篇论⽂,不如略读⼗篇,甚⾄扫⼀百篇摘要。“你需要在头脑中建⽴⼀⽚”可能性的点云”,因为突破往往来⾃把尚未被连接的想法连接起来。

第⼆,寻找”完美形状”的问题。⼀个值得投⼊的难题,应该能拆成七个⼦问题:其中五个,社区已有明显苗头、接近解决;另外两个,完全不知道怎么办。太确定的是纯⼯程,太未知的要等⼆⼗年,“五加⼆”才是恰到好处的⻛险。

第三,信封背⾯计算。动⼿之前先估算数量级:处理这些数据要多久?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、寻找⻛险收益⽐恰当的命题、⽤数量级⽽⾮叙事校验可⾏性。

五、关于⻛险：技术之外,还需要社会解法

⾯对Dawn Song 从AI 安全视⻆提出的尖锐问题(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:这类模型的绝⼤多数⽤途是积极的⸺医疗、教育、让普通⼈完成过去⽆法完成的事;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,很多问题的答案在技术之外:“我们需要通过⽴法和监管,让社会明确地表达⸺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 第⼀次完整阐述新公司的构想。

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),让模型⾃⼰设计模型,通过强化学习反馈不断产出学得更快、质量更⾼的架构;后续的Evolved Transformer⽐原版Transformer ⾼效约30%。

⽽Discovery Loop 要做的,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、设计实验、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:⼀是速度,通过构建合适的⼯具,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。”

公司的路径也很清晰:先从ML 研发⾃动化切⼊⸺这是反馈回路最短、最容易闭环的领域⸺再逐步扩展到硬件设计、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。⽽公司选择注册为公益公司(PBC),Jeff的解释是:“我们会做⼀些不符合公司财务利益、但符合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?“云计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具体事件。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 需要海量数据、分布式系统与巨额资本开⽀,全是⼤公司的主场,为什么顶尖⼈才与前沿研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:

“云计算的兴起,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。”

( 本文首发钛媒体APP，作者 | 硅谷Tch news，编辑 | 赵虹宇）