Jeff Dean离职谷歌后首度公开亮相：谈AI下一个十年、TensorFlow复盘与新公司Discovery Loop

事件概述

8月7日，Jeff Dean在宣布离开谷歌48小时后，以创业者身份出席在斯坦福纪念礼堂举行的AASF 2026前沿与先锋峰会开幕对谈。对谈主持人为UC Berkeley教授Dawn Song，她刚刚宣布出任Meta Superintelligence Labs AI研究副总裁。Jeff Dean在对话中首次完整阐述了新公司Discovery Loop的构想，并复盘了从MapReduce、TensorFlow到Gemini的技术脉络。

核心信息

MoE与“10倍”判断

• 2017年前后，Jeff Dean与团队完成了MoE（混合专家模型）的开创性工作。其直觉是：模型需要极大容量，但每次只激活与当前任务最相关的部分，就像人脑不会同时点亮所有脑区。
• 内部实验显示，MoE带来约10倍的训练算力/质量比提升。Jeff Dean认为，判断技术价值要靠数量级，而不是百分比或叙事。

TensorFlow复盘

• 做对的关键是“解耦”：用计算图这一层统一抽象，把“设计模型”与“管理硬件运行”分开，让研究者只描述模型，框架负责执行。开源进一步降低了深度学习门槛。
• 做错之处有两点：一是早期没有eager execution（即时执行），写代码不能立刻看到结果，开发体验不佳；二是开源时设置contrib目录，导致“同一件事出现十种做法”，核心变乱。
• 总结：保持核心干净，让生态长在外面。

Gemini起点

• Jeff Dean写下一页memo，推动Google Brain、DeepMind和Google Research合并人才、想法与算力，统一推进大模型方向，他与Oriol Vinyals出任联合技术负责人。
• 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，甚至加入少量激光雷达数据。
• 最大遗憾是早期对编程能力投入滞后。他观察到，补强coding会同步提升模型的推理能力和把复杂问题拆解为子问题的能力。

方法论

• 广度优先：与其精读一篇论文，不如略读十篇、扫一百篇摘要，建立“可能性点云”，等待连接尚未连接的想法。
• 寻找“5+2”问题形状：一个值得投入的难题应能拆成七个子问题，其中五个已有明显苗头、接近解决，另外两个完全未知。太确定是纯工程，太未知要等二十年。
• 信封背面计算：动手前先估算数量级，比如数据处理时间、传输是否可行。“十秒和一百年是两个世界。”

AI安全

• 漏洞挖掘是双刃剑，攻防双方都会获得更强工具。Jeff Dean认为很多问题答案在技术之外，需要通过立法和监管让社会明确表达不希望模型做什么，同时大力促进医疗、教育等正面用途。

Discovery Loop

• 核心构想：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。这个循环的每个环节今天都已被AI有效自动化，串联起来就是一台“自动做科学”的机器。
• 历史铺垫：用机器学习改进机器学习不是新想法，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，后续的Evolved Transformer比原版Transformer高效约30%。
• 两个放大器：一是速度，把单次实验从一天、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，并用统一基础设施评估期望价值与算力成本，决定下一步资源投向。
• 路径：先从反馈回路最短的ML研发自动化切入，再逐步扩展到硬件设计、药物发现与清洁能源。
• 联合创始人为Jeff Dean、Sanjay Ghemawat、Quoc Le、Oriol Vinyals，两两之间合作史为14到30年不等；公司注册为公益公司（PBC），承诺做出符合更广泛社会利益但不一定符合公司财务利益的决定。

离开谷歌的原因

• 云计算的兴起把基础设施变成可租用的商品，小团队融资后即可用上大公司花几十年建好的底座，不必自己重建。
• “十人团队只聚焦一个使命”的专注，是大组织里得不到的东西。Jeff Dean表示不把股市单日波动归因于任何具体事件。