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。"

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 市值⼤幅波动 , 你在⼀个⼩公司能做到什么在 Google 做不到的事 ?

Jeff ⾸先笑着表示 , 他从不把股市的单⽇波动归因于任何具体事件。随后他给出了真正的答案 :" ⼀个⼗⼈团队 , 所有⼈只聚焦⼀个使命⸺这种专注本身 , 就是在⼤组织⾥得不到的东⻄。我们本可以在 Google 内部做这件事 , ⼤概率可以。但那不⼀样。"

另⼀位观众追问了整个⾏业的核⼼⽭盾 : 第⼀性原理来看 , 前沿 AI 需要海量数据、分布式系统与巨额资本开⽀ , 全是⼤公司的主场 , 为什么顶尖⼈才与前沿研究仍在持续流向创业公司 ?

Jeff 的回答 , 或许是理解这⼀轮 AI ⼈才流动的⼀把总钥匙 :

" 云计算的兴起 , 把基础设施变成了可租⽤的商品。⼀⼩群⼈融⼀笔资⾦ , 就能⽤上⼤公司花⼏⼗年建好的底座 , ⽽不必⾃⼰重建。有梦想、有⽅向的⼈ , 第⼀次可以在⼩团队⾥追逐前沿。"

( 本文首发钛媒体 APP，作者 | 硅谷 Tch news，编辑 | 赵虹宇）