共计 1129 个字符，预计需要花费 3 分钟才能阅读完成。
这是 Jeff Dean 挥别谷歌后的首次公开亮相, 也是他向 AI 下一个十年交出的第一份“投名状”。
离开谷歌仅约 48 小时后,Jeff Dean 把自己的下一站摆到台前。 在斯坦福举行的 AASF 2026 前沿与先锋峰会上, 他以创业者身份参与对谈, 重点谈到 AI 基础设施、大模型架构、AI 安全, 以及新公司 Discovery Loop 想解决的问题。
📌 从谷歌核心科学家到创业者
这次公开亮相之所以受到关注, 不只是因为 Jeff Dean 长期参与 Google 多项底层技术建设, 也因为他选择在 AI 竞争最激烈的阶段离开大厂。他在对谈中给出的判断是: 云计算让算力和基础设施更容易被租用, 小团队如果方向足够聚焦, 也有机会追逐前沿问题。
他的核心转向并不是再造一个通用模型, 而是尝试把“科学发现”变成可持续加速的循环。
🔍 复盘 MoE、TensorFlow 与 Gemini
谈到混合专家模型 MoE 时,Jeff Dean 提到早期实验中曾看到约 10 倍量级的训练效率与质量收益。这种数量级提升, 是他判断一项技术是否值得重仓的重要信号。
在 TensorFlow 的复盘中, 他认为计算图抽象和开源降低了深度学习门槛 , 但早期缺少即时执行体验、生态边界不够清晰, 也给开发者带来负担。谈到 Gemini 时, 他强调原生多模态的重要性, 并提到编程能力的提升会带动模型推理和复杂问题拆解能力增强。
- 技术价值 : 看数量级改善, 而不是微小优化。
- 平台经验 : 核心要简洁, 生态要有清晰边界。
- 模型方向 : 多模态和代码能力会继续影响前沿模型表现。
💡 Discovery Loop 想自动化实验循环
Jeff Dean 首次较完整地介绍了新公司 Discovery Loop 的思路: 把提出假设、设计实验、实现、评估和反馈迭代串成一个由 AI 驱动的闭环。公司计划先从机器学习研发自动化切入, 因为这一领域反馈更快、结果更容易评估。
按照他的设想, 系统的放大效应主要来自两点: 一是把单次实验从天或周压缩到分钟或小时 ; 二是并行运行大量实验, 并根据价值和成本分配下一轮资源。未来方向可能延伸至硬件设计、药物发现和清洁能源等领域。
📊 AI 安全与人才流动仍是关键变量
面对 AI Agent 可能突破沙箱等安全问题 ,Jeff Dean 的态度相对务实:AI 会在医疗、教育等领域产生积极用途, 但漏洞挖掘等能力也可能被攻防双方同时利用。因此, 相关边界不能只依赖技术方案, 还需要立法、监管和社会共识参与。
这场首秀传递出的信号很清楚: 前沿 AI 的竞争正在从单纯模型规模, 转向“谁能更快完成高质量实验”。Discovery Loop 仍处在早期阶段, 能否真正提升科学发现效率还要看后续产品和案例验证。Jeff Dean 的选择代表了顶尖 AI 人才从大厂平台走向聚焦型创业团队的新趋势。
