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。”