钛媒体注：宣布去职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 挥别老店主后的首次果真亮相，，，，， ，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?主理、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 。。。。在云云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 。。。。一位刚刚转身脱离全球最大的模子巨头，，，，， ，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，，，，， ，自己就折射出目今 AI 人才流动的最强震感 。。。。 在这场对话中，，，，， ，Jeff Dean 难堪地复盘了从 MapReduce、TensorFlow 到 Gemini 的手艺脉络，，，，， ，并首次完整叙述了新公司 Discovery Loop 的构想 。。。。他用自己的要领论为“AI for Science”赛道加码：判断手艺价值要看“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” 。。。。 这不但是个人的离别与出发，，，，， ，更是工业厘革的缩影：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，，，，， ，去博取下一个数目级的科学突破 。。。。 以下是这场对话的详细纪录，，，，， ，转载自微信公众号硅谷未来在线，，，，， ，内容有删节 。。。。
?、MoE 的原始直觉： “看到10x，，，，， ，你就知道这事成了”
对谈从?段回忆开场 。。。。2017 年前后，，，，， ，Jeff Dean 在ICLR 会场兴奋地向Dawn Song 先容??刚完成的?项?作?那篇MoE（混淆专家模子）的开?之作 。。。。彼时没有几多?预?到，，，，， ，这个架构?后会成为?乎所有前沿?模子的底层选择 。。。。
Jeff这样形貌昔时的直觉：你想要?个容量极?的模子，，，，， ，记着海量的知识；；； ；；但你?希望它?效，，，，， ，每次只激活对目今使命最有?的那?部分 。。。。“就像?脑?浏览莎??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 倍的逊с?/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 整场对谈重复泛起的头脑底?：不靠信心驱动判断，，，，， ，靠数目级驱动判断 。。。。
?、TensorFlow 的复盘： 做对了笼统，，，，， ，做错了?态
Jeff罕?地果真复盘了TensorFlow 的得与失 。。。。
做对的焦点只有一件事：解耦 。。。。所谓解耦，，，，， ，就是把”想模子的人”和”管机械的事”脱离 。。。。在那之前，，，，， ，研究者脑中有一个漂亮的模子还不敷,还得亲自费心它怎么拆分到一百台机械、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”盘算图”这层统一笼统把两件事离隔:研究者只需形貌”我要一个什么样的模子”,框架认真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,也很详细 。。。。其一,早期没有做 eager execution(即时执行)——简朴说,就是写一行代码连忙看到一行效果、随时可以调试的模式 。。。。TensorFlow 早先要求先把整张”图”搭完才华运行,开发体验不敷友好,这一点厥后被其他框架证实是更好的选择 。。。。其二,开源时设了一个 contrib 目录,任何人都能往里孝顺代码库,效果”统一件事泛起了十种做法”,反而把用户搞糊涂了 。。。。Jeff 的总结是:“应该坚持焦点的清洁,让生态长在外面,而不是长在内里 。。。。”
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:好的笼统,要替用户挡掉重大性;好的生态,要有清晰的界线——热闹可以在外面,焦点必需坚持精练 。。。。
三、Gemini 的起点： ??memo
谈到Gemini，，，，， ，Jeff 透露了?个细节 。。。。昔时Google Brain、DeepMind 和Google Research 各?都在朝相似的?向推进?扩?模子规模、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 出任联合手艺认真? 。。。。
他以为Gemini 最准确的决议,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,“让模子?少知道这种数据形态的保存” 。。。。?最?的遗憾,是早期对编程能?的投?滞后了 。。。。他增补了?个主要视察:补强coding 的历程带来了意外的副产品?模子的推理能?、把重大问题拆解为?问题的能?,会随编程能?同步提升 。。。。这也诠释了已往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抛出了在场合有?都想问的问题：??年来,从MapReduce 到TPU 再到MoE,你怎样?次次分辨”真正基础性的手艺”与”?时的?尚”？？
Jeff给出了三条可操作的原则,我们原样纪录：
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”,由于突破往往来?把尚未被毗连的想法毗连起来 。。。。
第?,寻找”完善形状”的问题 。。。。?个值得投?的难题,应该能拆成七个?问题:其中五个,社区已有显着苗头、靠近解决;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?”才是恰到利益的?险 。。。。
第三,信封背?盘算 。。。。动?之前先估算数目级:处理这些数据要多久?传输可?吗?“?秒和?百年是两个天下 。。。。“这种?程?感没有捷径,只能靠重复训练 。。。。
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?适当的命题、?数目级??叙事校验可?性 。。。。
五、关于?险：手艺之外,还需要社会解法
?对Dawn Song 从AI 清静视?提出的尖锐问题(她分享了?个评测中AI Agent ??突破沙箱情形的真实案例),Jeff 的回应务实?苏醒:这类模子的绝?大都?途是起劲的?医疗、教育、让通俗?完成已往?法完成的事;但误差挖掘确实是双刃剑,攻防双?同时获得了更强的?具 。。。。
他强调,许多问题的谜底在手艺之外:“我们需要通过?法和羁系,让社会明确地表达?不希望这些模子做什么,并??增进我们希望它们做的事 。。。。”
六、Discovery Loop： 把“科学发明”自己酿成 ?个可?动化的循环
对谈的压轴,是Jeff 第?次完整叙述新公司的构想 。。。。
他从历史讲起 。。。。?机械学习刷新机械学习并不是新想法:联合首创?Quoc Le 等?早年的神经架构搜索(NAS),让模子??设计模子,通过强化学习反馈一直产出学得更快、质量更?的架构;后续的Evolved Transformer?原版Transformer ?效约30% 。。。。
?Discovery Loop 要做的,是把这个思绪推到止境 。。。。Jeff 的核?洞察是:科学和?程的实质,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 有用?动化 。。。。把它们串起来,就是?台”?动做科学”的机械 。。。。
两个放?器决议了这台机械的威?:?是速率,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?本钱,决议下?批资源投向哪? 。。。。“当实验的数目和质量同时上去,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、药物发明与清洁能源 。。。。四位联合首创?(Jeff Dean、Sanjay Ghemawat、Quoc Le、Oriol Vinyals)两两之间有着14 到30 年不等的相助史 。。。。?公司选择注册为公益公司(PBC),Jeff的诠释是:“我们会做?些不切合公司财务利益、但切合更?泛社会利益的决议,把科学发明分发给尽可能多的? 。。。。”
七、为什么脱离?“云盘算把基础设施酿成了商品”
Q&A环节,有观众直接发问:你的去职让Google 市值?幅波动,你在?个?公司能做到什么在Google做不到的事?
Jeff?先笑着体现,他从不把股市的单?波动归因于任何详细事务 。。。。随后他给出了真正的谜底:“?个??团队,所有?只聚焦?个使命?这种专注自己,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、漫衍式系统与巨额资源开?,全是?公司的主场,为什么顶尖?才与前沿研究仍在一连流向创业公司?
Jeff的回覆,或许是明确这?轮AI ?才流动的?把总钥匙:
“云盘算的兴起,把基础设施酿成了可租?的商品 。。。。??群?融?笔资?,就能?上?公司花??年建好的底座,?不必??重修 。。。。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）
