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。
对谈从段回忆开场。2017 年前后，Jeff Dean 在 ICLR 会场兴奋地向 Dawn Song 介绍刚完成的项作那篇 MoE（混合专家模型）的开之作。彼时没有多少预到，这个架构后会成为乎所有前沿模型的底层选择。
Jeff 这样描述当年的直觉：你想要个容量极的模型，记住海量的知识；但你希望它效，每次只激活对当前任务最有的那部分。" 就像脑欣赏莎亚四诗的脑区，和开时听到垃圾倒警报的脑区，不会同时点亮。"
真正让团队确信这条路得通的，是个数字：在内部实验中，MoE 带来了约 10 倍的训练算 / 质量提升。" 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：不靠信念驱动判断，靠数量级驱动判断。
、TensorFlow 的复盘：做对了抽象，做错了态
Jeff 罕地公开复盘了 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。
谈到 Gemini，Jeff 透露了个细节。当年 Google Brain、DeepMind 和 Google Research 各都在朝相似的向推进扩模型规模、探索多模态。" 我写了 memo：这太傻了，我们应该合起来。" 于是各团队的才、想法与算被整合到个项 , 他与 Oriol Vinyals 出任联合技术负责。
他认为 Gemini 最正确的决定 , 是从第天就坚持原多模态本、代码、图像、视频、频同时进训练 , 甚加了少量激光雷达数据 ," 让模型少知道这种数据形态的存在 "。最的遗憾 , 是早期对编程能的投滞后了。他补充了个重要观察 : 补强 coding 的过程带来了意外的副产品模型的推理能、把复杂问题拆解为问题的能 , 会随编程能同步提升。这也解释了过去两年各家前沿实验室不约同重仓代码能的原因。
四、" 点成 " 的法论：5+2 的问题形状
Dawn Song 抛出了在场所有都想问的问题：年来 , 从 MapReduce 到 TPU 再到 MoE, 你如何次次分辨 " 真正基础性的技术 " 与 " 时的尚 "？
Jeff 给出了三条可操作的原则 , 我们原样记录：
第 , 度优先。" 与其精读篇论 , 不如略读篇 , 甚扫百篇摘要。" 你需要在头脑中建 " 可能性的点云 ", 因为突破往往来把尚未被连接的想法连接起来。
第 , 寻找 " 完美形状 " 的问题。个值得投的难题 , 应该能拆成七个问题 : 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。太确定的是纯程 , 太未知的要等年 ," 五加 " 才是恰到好处的险。
第三 , 信封背计算。动之前先估算数量级 : 处理这些数据要多久 ? 传输可吗 ?" 秒和百年是两个世界。" 这种程感没有捷径 , 只能靠反复练习。
这三条原则与早期投资的判断框架度同构泛扫描建先验、寻找险收益恰当的命题、数量级叙事校验可性。
五、关于险：技术之外 , 还需要社会解法
对 Dawn Song 从 AI 安全视提出的尖锐问题 ( 她分享了个评测中 AI Agent 突破沙箱环境的真实案例 ) ,Jeff 的回应务实清醒 : 这类模型的绝多数途是积极的医疗、教育、让普通完成过去法完成的事 ; 但漏洞挖掘确实是双刃剑 , 攻防双同时获得了更强的具。
他强调 , 很多问题的答案在技术之外 :" 我们需要通过法和监管 , 让社会明确地表达不希望这些模型做什么 , 并促进我们希望它们做的事。"
六、Discovery Loop：把 " 科学发现 " 本身变成个可动化的循环
对谈的压轴 , 是 Jeff 第次完整阐述新公司的构想。
他从历史讲起。机器学习改进机器学习并不是新想法 : 联合创始 Quoc Le 等早年的神经架构搜索 ( NAS ) , 让模型设计模型 , 通过强化学习反馈不断产出学得更快、质量更的架构 ; 后续的 Evolved Transformer 原版 Transformer 效约 30%。
Discovery Loop 要做的 , 是把这个思路推到尽头。Jeff 的核洞察是 : 科学和程的本质 , 是同个循环提出假设、设计实验、实现、评估、把反馈送回下轮。这个循环的每个环节 , 今天都已经可以被 AI 有效动化。把它们串起来 , 就是台 " 动做科学 " 的机器。
两个放器决定了这台机器的威 : 是速度 , 通过构建合适的具 , 让单次实验从天、周 , 压缩到分钟、时 ; 是并度 , 同时运成千上万个实验 , 并统的基础设施评估每个实验的期望价值与算成本 , 决定下批资源投向哪。" 当实验的数量和质量同时上去 , 会发些常了不起的事情。"
公司的路径也很清晰 : 先从 ML 研发动化切这是反馈回路最短、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 ( Jeff Dean、Sanjay Ghemawat、Quoc Le、Oriol Vinyals ) 两两之间有着 14 到 30 年不等的合作史。公司选择注册为公益公司 ( PBC ) ,Jeff 的解释是 :" 我们会做些不符合公司财务利益、但符合更泛社会利益的决定 , 把科学发现分发给尽可能多的。"
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 市值幅波动 , 你在个公司能做到什么在 Google 做不到的事 ?
Jeff 先笑着表示 , 他从不把股市的单波动归因于任何具体事件。随后他给出了真正的答案 :" 个团队 , 所有只聚焦个使命这种专注本身 , 就是在组织得不到的东。我们本可以在 Google 内部做这件事 , 概率可以。但那不样。"
另位观众追问了整个业的核盾 : 第性原理来看 , 前沿 AI 需要海量数据、分布式系统与巨额资本开 , 全是公司的主场 , 为什么顶尖才与前沿研究仍在持续流向创业公司 ?
Jeff 的回答 , 或许是理解这轮 AI 才流动的把总钥匙 :
" 云计算的兴起 , 把基础设施变成了可租的商品。群融笔资 , 就能上公司花年建好的底座 , 不必重建。有梦想、有向的 , 第次可以在团队追逐前沿。"
( 本文首发钛媒体 APP，作者 | 硅谷 Tch news，编辑 | 赵虹宇）
