Jeff Dean離職谷歌首次亮相回答：AI的下一個十年是什麼

Jeff Dean離職谷歌首次亮相回答：AI的下一個十年是什麼硅谷Tech news2026.08.09 10:15 · 來自山西全文4398字00:00 / 11:03這是Jeff Dean 揮別谷歌後的首次公開亮相，也是他向 AI 下一個十年交出的第一份“投名狀”。鈦媒體注：宣佈離職Google 僅僅48小時後，8月7日，這位前 Google 首席科學家 Jeff Dean便以創業者身份站在了斯坦福紀念禮堂的舞臺中央，出席AASF 2026 前沿與先鋒峰會的開幕對談。這是Jeff Dean 揮別老東家後的首次公開亮相，也是他向 AI 下一個十年交出的第一份“投名狀”。

這場首秀的舞臺規格極高——由亞裔美國學者論壇（AASF）聯合斯坦福亞裔美國研究中⼼主辦、胡佛研究所協辦的AASF2026前沿與先鋒峰會，堪稱“眾神雲集”：除 Jeff Dean 外，現場還匯聚了“AI 教母”李飛飛、菲爾茲獎得主陶哲軒，以及朱棣文、丁肇中等五位諾貝爾獎得主。在如此史詩級的學術陣容中，Jeff Dean 的這場對談依然是焦點中的焦點。而與Jeff Dean對談的主持人同樣極具話題度：UC Berkeley 教授、剛剛宣佈出任 Meta Superintelligence Labs AI 研究副總裁的 Dawn Song。

一位剛剛轉身離開全球最大的模型巨頭，一位剛剛加入全球最大的科技平臺之一——這場“雙向奔赴”的對話，本身就折射出當前 AI 人才流動的最強震感。在這場對話中，Jeff Dean 難得地覆盤了從 MapReduce、TensorFlow 到 Gemini 的技術脈絡，並首次完整闡述了新公司 Discovery Loop 的構想。他用自己的方法論為“AI for Science”賽道加碼：判斷技術價值要看“10倍提升”而非百分比，尋找問題要瞄準“五個已知苗頭加兩個未知挑戰”。

這不僅是個人的告別與出發，更是產業變革的縮影：當基礎設施走向標準化，頂尖科學家正從大廠溢出，以更聚焦的創業團隊，去博取下一個數量級的科學突破。以下是這場對話的詳細記錄，轉載自微信公眾號硅谷未來在線，內容有刪節。⼀、MoE 的原始直覺：“看到10x，你就知道這事成了”對談從⼀段回憶開場。2017 年前後，Jeff Dean 在ICLR 會場興奮地向Dawn Song 介紹⾃⼰剛完成的⼀項⼯作⸺那篇MoE（混合專家模型）的開⼭之作。彼時沒有多少⼈預⻅到，這個架構⽇後會成為⼏乎所有前沿⼤模型的底層選擇。

Jeff這樣描述當年的直覺：你想要⼀個容量極⼤的模型，記住海量的知識；但你⼜希望它⾼效，每次只激活對當前任務最有⽤的那⼀部分。“就像⼈腦⸺欣賞莎⼠⽐亞⼗四⾏詩的腦區，和開⻋時聽到垃圾⻋倒⻋警報的腦區，不會同時點亮。”真正讓團隊確信這條路⾛得通的，是⼀個數字：在內部實驗中，MoE 帶來了約10 倍的訓練算⼒/質量⽐提升。“當你看到10x 量級的改善，你就知道，這事成了。”這是Jeff 整場對談反覆出現的思維底⾊：不靠信念驅動判斷，靠數量級驅動判斷。⼆、TensorFlow 的覆盤：做對了抽象，做錯了⽣態Jeff罕⻅地公開復盤了TensorFlow 的得與失。做對的核心只有一件事：解耦。

所謂解耦，就是把”想模型的人”和”管機器的事”分開。在那之前，研究者腦中有一個漂亮的模型還不夠,還得親自操心它怎麼拆分到一百臺機器、五百塊 GPU 上運行——好比廚師想炒一道菜，卻還得先自己搭灶臺、接煤氣。TensorFlow 用”計算圖”這層統一抽象把兩件事隔開:研究者只需描述”我要一個什麼樣的模型”,框架負責讓它在硬件上跑起來。再加上開源,深度學習的門檻第一次降到了全球研究者都夠得著的高度。做錯的有兩件,也很具體。其一,早期沒有做 eager execution(即時執行)——簡單說,就是寫一行代碼立刻看到一行結果、隨時可以調試的模式。

TensorFlow 起初要求先把整張”圖”搭完才能運行,開發體驗不夠友好,這一點後來被其他框架證明是更好的選擇。其二,開源時設了一個 contrib 目錄,任何人都能往裡貢獻代碼庫,結果”同一件事出現了十種做法”,反而把用戶搞糊塗了。Jeff 的總結是:“應該保持核心的乾淨,讓生態長在外面,而不是長在裡面。”對做平臺和開發者工具的創業公司,這兩條教訓今天依然適用:好的抽象,要替用戶擋掉複雜性;好的生態,要有清晰的邊界——熱鬧可以在外面,核心必須保持簡潔。三、Gemini 的起點：⼀⻚memo談到Gemini，Jeff 透露了⼀個細節。

當年Google Brain、DeepMind 和Google Research 各⾃都在朝相似的⽅向推進⸺擴⼤模型規模、探索多模態。“我寫了⼀⻚memo：這太傻了，我們應該合起來⼲。“於是各團隊的⼈才、想法與算⼒被整合到⼀個項⽬⾥,他與Oriol Vinyals 出任聯合技術負責⼈。他認為Gemini 最正確的決定,是從第⼀天就堅持原⽣多模態⸺⽂本、代碼、圖像、視頻、⾳頻同時進⼊訓練,甚⾄加⼊了少量激光雷達數據,“讓模型⾄少知道這種數據形態的存在”。⽽最⼤的遺憾,是早期對編程能⼒的投⼊滯後了。

他補充了⼀個重要觀察:補強coding 的過程帶來了意外的副產品⸺模型的推理能⼒、把複雜問題拆解為⼦問題的能⼒,會隨編程能⼒同步提升。這也解釋了過去兩年各家前沿實驗室不約⽽同重倉代碼能⼒的原因。四、“點⽯成⾦”的⽅法論：5+2 的問題形狀Dawn Song拋出了在場所有⼈都想問的問題：⼏⼗年來,從MapReduce 到TPU 再到MoE,你如何⼀次次分辨”真正基礎性的技術”與”⼀時的⻛尚”？Jeff給出了三條可操作的原則,我們原樣記錄：第⼀,⼴度優先。“與其精讀⼀篇論⽂,不如略讀⼗篇,甚⾄掃⼀百篇摘要。“你需要在頭腦中建⽴⼀⽚”可能性的點雲”,因為突破往往來⾃把尚未被連接的想法連接起來。

第⼆,尋找”完美形狀”的問題。⼀個值得投⼊的難題,應該能拆成七個⼦問題:其中五個,社區已有明顯苗頭、接近解決;另外兩個,完全不知道怎麼辦。太確定的是純⼯程,太未知的要等⼆⼗年,“五加⼆”才是恰到好處的⻛險。第三,信封背⾯計算。動⼿之前先估算數量級:處理這些數據要多久?傳輸可⾏嗎?“⼗秒和⼀百年是兩個世界。“這種⼯程⼿感沒有捷徑,只能靠反覆練習。這三條原則與早期投資的判斷框架⾼度同構⸺⼴泛掃描建⽴先驗、尋找⻛險收益⽐恰當的命題、⽤數量級⽽⾮敘事校驗可⾏性。

五、關於⻛險：技術之外,還需要社會解法⾯對Dawn Song 從AI 安全視⻆提出的尖銳問題(她分享了⼀個評測中AI Agent ⾃⾏突破沙箱環境的真實案例),Jeff 的回應務實⽽清醒:這類模型的絕⼤多數⽤途是積極的⸺醫療、教育、讓普通⼈完成過去⽆法完成的事;但漏洞挖掘確實是雙刃劍,攻防雙⽅同時獲得了更強的⼯具。他強調,很多問題的答案在技術之外:“我們需要通過⽴法和監管,讓社會明確地表達⸺不希望這些模型做什麼,並⼤⼒促進我們希望它們做的事。”六、Discovery Loop：把“科學發現”本身變成⼀個可⾃動化的循環對談的壓軸,是Jeff 第⼀次完整闡述新公司的構想。他從歷史講起。

⽤機器學習改進機器學習並不是新想法:聯合創始⼈Quoc Le 等⼈早年的神經架構搜索(NAS),讓模型⾃⼰設計模型,通過強化學習反饋不斷產出學得更快、質量更⾼的架構;後續的Evolved Transformer⽐原版Transformer ⾼效約30%。⽽Discovery Loop 要做的,是把這個思路推到盡頭。Jeff 的核⼼洞察是:科學和⼯程的本質,是同⼀個循環⸺提出假設、設計實驗、實現、評估、把反饋送回下⼀輪。這個循環的每⼀個環節,今天都已經可以被AI 有效⾃動化。把它們串起來,就是⼀臺”⾃動做科學”的機器。

兩個放⼤器決定了這臺機器的威⼒:⼀是速度,通過構建合適的⼯具,讓單次實驗從⼀天、⼀周,壓縮到⼀分鐘、⼀⼩時;⼆是並⾏度,同時運⾏成千上萬個實驗,並⽤統⼀的基礎設施評估每個實驗的期望價值與算⼒成本,決定下⼀批資源投向哪⾥。“當實驗的數量和質量同時上去,會發⽣⼀些⾮常了不起的事情。”公司的路徑也很清晰:先從ML 研發⾃動化切⼊⸺這是反饋迴路最短、最容易閉環的領域⸺再逐步擴展到硬件設計、藥物發現與清潔能源。四位聯合創始⼈(Jeff Dean、Sanjay Ghemawat、Quoc Le、Oriol Vinyals)兩兩之間有著14 到30 年不等的合作史。

⽽公司選擇註冊為公益公司(PBC),Jeff的解釋是:“我們會做⼀些不符合公司財務利益、但符合更⼴泛社會利益的決定,把科學發現分發給儘可能多的⼈。”七、為什麼離開?“雲計算把基礎設施變成了商品”Q&A環節,有觀眾直接發問:你的離職讓Google 市值⼤幅波動,你在⼀個⼩公司能做到什麼在Google做不到的事?Jeff⾸先笑著表示,他從不把股市的單⽇波動歸因於任何具體事件。隨後他給出了真正的答案:“⼀個⼗⼈團隊,所有⼈只聚焦⼀個使命⸺這種專注本身,就是在⼤組織⾥得不到的東⻄。我們本可以在Google 內部做這件事,⼤概率可以。但那不⼀樣。

”另⼀位觀眾追問了整個⾏業的核⼼⽭盾:第⼀性原理來看,前沿AI 需要海量數據、分佈式系統與鉅額資本開⽀,全是⼤公司的主場,為什麼頂尖⼈才與前沿研究仍在持續流向創業公司?Jeff的回答,或許是理解這⼀輪AI ⼈才流動的⼀把總鑰匙:“雲計算的興起,把基礎設施變成了可租⽤的商品。⼀⼩群⼈融⼀筆資⾦,就能⽤上⼤公司花⼏⼗年建好的底座,⽽不必⾃⼰重建。有夢想、有⽅向的⼈,第⼀次可以在⼩團隊⾥追逐前沿。”( 本文首發鈦媒體APP，作者 | 硅谷Tch news，編輯 | 趙虹宇）