Jeff Dean們，趕在貝葉斯AI到來之前跳船

Jeff Dean 離開 Google，創辦 Discovery Loop：貝葉斯 AI 時代的開端

2026 年 8 月 5 日，人工智慧領域迎來一則震撼消息：在 Google 服務長達 27 年的傳奇工程師 Jeff Dean 正式宣布離職，並創辦了一家名為 Discovery Loop 的新公司。這個名字背後承載的野心，是讓 AI 進入一個持續運行的科學發現循環，而非僅僅停留在語言模型或圖像辨識的應用層面。Jeff Dean 的出走，被業界解讀為一個明確信號：AI 發展正從當前的深度學習範式，轉向一個更強調推理與驗證的新階段——貝葉斯 AI 時代。

就在 Jeff Dean 離職消息傳出的前一週，一篇來自 Google DeepMind 的論文《LLM can't jump》也在學術圈與科技媒體間引發熱議。這篇論文的核心論點，直指當前大型語言模型（LLM）在科學發現過程中的根本侷限。論文引用愛因斯坦在寫給友人信件中提出的科學發現模型：科學家從感官經驗出發，透過一次無法被既有邏輯完全推出的「跳躍」，形成新的公理或基本原則；接著從這些原則演繹出具體預測，最後將預測放回經驗世界中檢驗。這個「經驗→跳躍→公理→演繹→驗證」的循環，正是科學進步的核心動力。

然而，DeepMind 的研究團隊發現，當前的 LLM 雖然能夠處理大量數據並生成看似合理的推論，但它們缺乏真正進行「跳躍」的能力——也就是從既有事實中創造出全新、無法被既有邏輯推導出的假設或原則。這種跳躍，正是愛因斯坦提出相對論、牛頓發現萬有引力時所經歷的認知飛躍。LLM 的運作本質是基於統計模式匹配與機率預測，它們無法真正「理解」或「創造」，只能重組已知資訊。這項發現，讓許多 AI 研究者開始反思：如果 LLM 無法跳躍，那麼下一階段的 AI 該如何設計？Jeff Dean 的 Discovery Loop 正是在這樣的背景下誕生。

這家公司的名稱本身就暗示了一種新的運作模式：一個不斷循環的發現過程，而非一次性的模型訓練。傳統的 AI 開發流程是「收集數據→訓練模型→部署應用」，但 Discovery Loop 試圖打破這種線性模式，讓 AI 系統能夠在運行過程中持續提出假設、進行實驗、驗證結果，並根據結果修正自身的認知框架。這正是貝葉斯推理的核心精神：不斷根據新證據更新信念，而非固守於一次訓練所得的參數。事實上，貝葉斯 AI 並非全新的概念。早在深度學習崛起之前，貝葉斯方法就已經在機器學習領域佔有一席之地，但由於計算複雜度與數據規模的限制，一直未能成為主流。

然而，隨著近年來計算能力的指數級增長，以及對當前 AI 系統「黑箱化」與「缺乏可解釋性」的批評日益高漲，貝葉斯方法重新獲得關注。貝葉斯 AI 的優勢在於，它能夠量化不確定性，並在面對新資訊時動態調整模型，這與科學發現中「假設→驗證→修正」的過程高度吻合。Jeff Dean 的離職，也被視為 Google 內部 AI 戰略轉向的縮影。Google 在過去數年投入巨資發展大型語言模型，從 BERT 到 PaLM 再到 Gemini，但隨著模型規模的邊際效益遞減，以及競爭對手如 OpenAI 與 Anthropic 的快速追趕，Google 開始意識到單純擴大模型參數並非長久之計。

DeepMind 的《LLM can't jump》論文，某種程度上反映了 Google 內部的自我檢討：如果 LLM 無法實現真正的科學跳躍，那麼 AI 的下一步就必須從架構層面進行革新。與此同時，各大科技巨頭也開始在 Agent 領域布局。Agent 指的是能夠自主感知環境、制定計畫、執行任務並從結果中學習的 AI 系統，而非僅僅被動回應提示的聊天機器人。微軟、Meta、亞馬遜與 Google 都在積極開發 Agent 框架，試圖讓 AI 從「工具」進化為「夥伴」。這些 Agent 系統的基石，正是貝葉斯推理與持續學習的能力。

如果說 LLM 是 AI 的「大腦皮層」，那麼貝葉斯方法就是讓這個大腦能夠「反思」與「適應」的關鍵機制。研究已經指明瞭方向，大廠也在補足 Agent 的基石。當下，就是貝葉斯 AI 時代的開端，也是模型將最快發展的時代。Jeff Dean 的 Discovery Loop 並非孤例，而是整個 AI 產業從「規模競賽」轉向「推理競賽」的縮影。未來幾年，我們很可能會看到更多類似 Discovery Loop 的新創公司出現，它們不再追求更大的模型，而是追求更聰明、更能自我修正的系統。對於 Jeff Dean 個人而言，離開 Google 無疑是一個艱難的決定。

他在 Google 的 27 年間，參與了從搜尋引擎到 TensorFlow、從 TPU 到 Gemini 的幾乎所有重大 AI 項目，被譽為「Google AI 的靈魂人物」。但正如他在離職聲明中所暗示的，他認為 AI 的下一個重大突破不會來自於繼續擴大現有模型，而是來自於重新設計 AI 的學習與推理方式。Discovery Loop 的名字，或許正是他對這個信念最直接的宣言。當然，貝葉斯 AI 的挑戰也不容忽視。如何在不犧牲效率的前提下實現持續學習？如何確保 AI 在自我修正的過程中不會偏離目標？如何讓貝葉斯方法與現有的深度學習架構無縫整合？

這些都是 Jeff Dean 與 Discovery Loop 必須面對的技術難題。但從另一個角度看，這些挑戰也正是機會所在——如果貝葉斯 AI 真的能夠實現，它將徹底改變我們對人工智慧的想像。從 Jeff Dean 的跳船，到 DeepMind 的論文，再到各大廠對 Agent 的布局，一條清晰的脈絡正在浮現：AI 產業正在經歷一場從「規模至上」到「推理至上」的典範轉移。這場轉移的起點，正是對 LLM 侷限性的深刻認識，以及對貝葉斯方法潛力的重新評估。對於所有關注 AI 發展的人來說，現在正是見證歷史的時刻。