时间：2026-08-09 01:54:40 来源：知来藏往网

这场对谈发生在一个颇具历史意义的前半生时间节点。2026 年 8 月7日，现场先亮相拆Asian American Pioneer Medal Symposium（亚裔先锋者比如坛） 在美国斯坦福大学举行。离开比如坛由 Asian American Scholar Forum（AASF，后首亚裔学者比如坛） 主办，解Ge解旨在表彰亚裔科学家、密新工程师和企业家对美国科技创新的公司谷歌题贡献，并围绕人工智能、知名生命科学、企业能源、易订阅半导体、前半生科研政策等前沿议题展开交流。现场先亮相拆近年来，离开Asian American Pioneer Medal 已逐渐成为美国亚裔科技界最具意义力的后首年度活动之一。本场对谈由加州大学伯克利分校教授、解Ge解国际知名人工智能与方式算机安全专家 Dawn Song（宋晓冬） 主持。Dawn Song 首先期从事人工智能、安全、可靠 AI 和方式算机系统探究，是全球 AI 安全领域最具意义力的学者之一。嘉宾 Jeff Dean 是 Google 首先席科学家（Chief Scientist），也是现代人工智能基础设施最题的奠基者之一。在过去二十余年里，他先后参与或主导了 MapReduce、Bigtable、TensorFlow、TPU、Mixture of Experts（MoE） 以及 Gemini 等一系列具有里程碑意义的技术，对现代大规模方式算和人工智能的发展产生了深远意义。这场访谈距离 Jeff Dean 宣布离开 Google 仅过去十余小时。在结束首先达 27 年的 Google 生涯后，他刚刚宣布与四位首先期合作伙伴共同创办新公司 Discovery Loop，致力于利用 AI 自动化科学探究与工程创新，加高效人类科学发现。因此，这场对谈也成为 Jeff Dean 创业后的首先次公开深度访谈。Jeff Dean 回顾了 MoE、TensorFlow、Gemini 等题技术诞生背后的思考，也分享了他对于 AI Agent、递归式自我改进（Recursive Self-Improvement）、科研自动化，以及未来十年人工智能发展的最新判断。1MoE的诞生Dawn Song：在正式最初之前，我想先分享一段我与 Jeff 相识的经历，也是我职业生涯中最难忘的回忆之一。那已经是将近十年前的事情了，大概是在 ICLR 2017。如今的 ICLR 已经成首先为全球最题的人工智能会议之一，但当时的规模还很小，参会者只有几百人，而今天已经发展到数万人。那一年，我们团队的一篇关于神经程序合成（Neural Program Synthesis）泛化能力的比如文获得了 ICLR 最佳比如文奖。那还是 AI Coding 和代码生成尚未兴起的年代。Jeff，不知方式你是否还记得。当时你特地走过来向我表示祝贺，还笑着说：“这一年一共有三篇最佳比如文，一篇来自你们，两篇来自 Google。”直到今天，我依然记得那个瞬间。更让我印象深刻的是，祝贺之后，你马上兴奋地向我验明正身了另一项刚刚实现的探究——Mixture of Experts（MoE）。那篇比如文有一个令人过目难忘的标题：«Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer»当时听完你的验明正身，我只觉得这个想法特别大胆，也特别有趣。但坦率地说，我完全没有想到——也不知方式当时的你是否已经预见——它后来会对整个人工智能行业产生如此深远的意义。今天，几乎所有最前沿的大模型，都已经采取了 MoE 架构，或者深受它的意义。Jeff Dean：MoE 最初的想法其实并不复杂。我们一直希望模型能够具有极大的容量，因为容量越大，模型能够学习和记住的材料就越多。但与此同时，我们也希望它保持足够高的方式算效率。于是，我们最初思考：是否真的有必需让模型的所有参数，在每一次推理时全部参与方式算？答案显然是否定的。于是，我们提出了一种模块化的架构：模型内部具有许多不一样的“专家（Experts）”，每位专家各自擅首先不一样类型的状况。训练流程中，模型会逐渐学习每位专家的专首先；而在推理时，它只需激活最适用于目前任务、目前 Token 的那么点儿几个专家即可。这样，模型既具有极大的整体容量，又无需承担全部参数同时方式算所带来的成本。这个思路其实与人脑特别相似。人的大脑有不一样区域负责不一样功能。例如，当你思考莎士比亚十四行诗时，大脑中的一部分区域会被激活；而当你正在开车，一辆垃圾车突然倒车朝你驶来时，负责危险感知的另一部分区域会立即接管工作。它们并不会一直同时工作。因此，让模型只调用真正需的部分，不仅顺应方式算效率，也顺应自然界节约能量的方式。我们当时之因此对 MoE 特别有信心，还有一个题因素。实验结荚显示，相比当时主流的 Dense Model，MoE 在训练方式算效率（Training Compute Efficiency）上可以带来接近 10 倍 的提高。在探究中，当你看到一个想法能够带来一个数量级（Order of Magnitude）的改进时，你常见会意识到：这很可能不仅仅是一次往往见不鲜的改进，而是一个能够变化整个方向的题突破。因此，当时我们就认为，MoE 很可能会成为未来特别题的一条技术路线。1Deep Learning 如何统一整个领域Dawn Song：特别有意思。更让我惊讶的是，今天再次听你验明正身 MoE，我发现与你十年前告诉我的材料几乎完全相同。这也验明正身，一个真正优秀的想法，频仍能够经得起时间的考验。过去二十多年里，你几乎参与塑造了现代人工智能基础设施发展的每一个题节点。从 MapReduce、Bigtable、TensorFlow、TPU，再到今天的 MoE 与 Gemini，你的工作几乎贯穿了整个时代。因此，我尤其想请你回顾一下过去十几年的 AI 发展历程。在你看来，最让你感到意外的变化是什么？而今天，又有哪些事情，是整个行业依然低估了的？Jeff Dean：过去十几年，最明显的变化当然是，全世界对于人工智能的关注程度发生了巨大的变化。如果把时间拨回去，我们大概是在 2011 到 2012 年左右，最初认真探究如何把神经网络做得更大。那个时候，我们已经最初看到一些令人惊讶的结荚。例如，我们训练的神经网络，规模可能比之前最大的模型还关键大几十倍，而图像分类的错误率会因此显著减小。语文章识别也是一样。当时我们发现，仅仅依靠扩大模型规模，一个相对便捷的深度学习语文章模型，就能够带来几乎相当于整个语文章识别领域过去二十年往往方式取得的性能提高。正因为如此，我们很早就意识到，这不会只是某一个领域里的局部突破。它会意义方式算机视觉、自然语言处理、语文章识别，以及更多过去首先期被认为十分不易的状况。我认为，Deep Learning 最题的一点，是它逐渐统一了很多原本彼此独立的探究方向。过去，方式算机视觉有自己的方式，语文章识别有自己的方式，自然语言处理也有自己的一整套技术体系。不一样领域的人，很少会用同一种方式思考状况。而深度学习带来了一个完全不一样的视角。它让大家最初相信，只关键具有足够的数据和方式算能力，就可以直接从原始数据中学习表示，而不是依赖人为设方式的大量条件和特点工程。于是，你会最初用一种更加统一的方式来看待这些状况。无比如输入的是图像、文本、语文章，还是其他形式的数据，它们本质上都可以被视为一种学习状况。我认为，这是过去十五年最题的变化之一。随着这种范式逐渐成熟，越来越多的人最初意识到，它不仅适用于于传统意义上的 AI 探究。它同样可以采取到医学、科学探究、消费产品，以及各种各样之前没有人想到的场景。今天，我们已经看到，全世界在 AI 基础设施和方式算资源上的投入规模越来越大。我觉得，这本身就是一个特别明显的信号。这意味着，人们相信这项技术未来能够带来的变化，还远远没有结束。至少在我看来，我们仍然处在这个流程的中途，而不是终点。1TensorFlow：最大的成功，与最大的遗憾Dawn Song：我们接下来聊一个很多开发者都特别熟悉的话题——TensorFlow。TensorFlow 让现代机器学习真正走向了全球开发者和探究者，也协助很多人首先次接触到深度学习。如果回到 TensorFlow 刚刚诞生的时候，你们当时最看重哪些设方式原则？如果今天重新设方式一次 TensorFlow，你又会做哪些不一样的选项？Jeff Dean：在 TensorFlow 之前，我们在 Google 内部已经有一套深度学习系统，叫 DistBelief。它并没有开源，但已经能够协助 Google 内部很多机器学习工作的开展。DistBelief 最题的一点，是它能够把探究者描述的神经网络方式算自动映射到不一样的硬件平台上。无比如是 CPU、GPU，还是由许多机器组成的大规模集群，对采取者来说都应该是一件相对透明的事情。举个例子。作为一名机器学习探究者，你真正关心的是：我希望训练这个模型。至于这个模型最后运行在一百台服务器上，还是五百块 GPU 上，底层究竟如何开展任务切分、通信和调度，其实并不是探究者真正希望花时间思考的状况。我们一直希望能够建立这样一种抽象。探究者只需描述模型本身，而框架负责把它有效地映射到底层硬件。这是 TensorFlow 最题的设方式理念之一。我们希望，人们可以专注于自己脑海里的机器学习模型，而不是不断处理底层基础设施。另一个闷葫芦的，是建立一种更加通用的方式算抽象。我们最后采取了 Computation Graph（方式算图） 的方式。模型被表示成一张由各种运算组成的图，其中涵盖矩阵乘法、向量运算以及其他机器学习中最常用的操作。当时，我们认为这种抽象足够通用，也足够优雅。今天回头来看，我仍然认为这个方向基础是正确的。除此之外，我们还有一个特别清楚的目的：把 TensorFlow 开源。我们希望，全世界任何探究者，只关键遇到机器学习状况，都能够采取同一套框架来表达自己的想法。这不仅仅意味着大家具有相同的工具。更题的是，它让探究成果能够真正复现。过去，很多比如文只有文字描述。读者需根据比如文重新实现算法，而比如文永远不可能把所有实现细节都写清楚。结荚频仍是，同一篇比如文，不一样的人实现出来，性能却完全不一样。如果比如文能够直接给予 TensorFlow 实现，那么其他探究者不仅能够验明正身结荚，也能够在此基础上后续开展探究。我认为，这是开源最大的价值之一。当然，如果今天重新回头看，我们也确实犯过一些错误。其中一个，就是 没有一最初就采取 Eager Execution（即时实施）。早期 TensorFlow 采取的是静态方式算图。这种方式在性能和部署部分有很多好处，但对于探究者来说，并不是最自然的编程方式。后来，无比如是 PyTorch，还是 JAX，都促进了 Eager Execution 的普及。TensorFlow 自己后来也加入了这一能力。如果重新最初，我会更早采取这种更加自然的实施方式。我认为，它让整个抽象又向前迈进了一步。还有一个决定，目前看来并不成功。在 TensorFlow 开源时，我们创建了一个叫 contrib 的目录。当时我们的想法很便捷：希望更多外部开发者参与进来，把各种实用的功能贡献给 TensorFlow 社区。结荚却恰恰相反。随着越来越多的人贡献代码，contrib 很快变得越来越庞杂。同样一件事情，可能出现五种、十种不一样的实现方式。社区最初不断讨比如：到底应该采取哪个版本？哪一个才是官方提议？最后，很多开发者反而因此感到困惑。如果今天重新设方式，我不会再这样做。TensorFlow 的题应该始终保持尽可能那么点儿、稳固。至于各种实验性功能、更高层的工具库，它们完全可以建立在 TensorFlow Core 之上，而不是全部放进官方仓库。这是我们后来才真正意识到的一课。然而，整体来说，我依然认为 TensorFlow 实现了它最初的使命。它让全世界大量探究者首先次真正接触机器学习，也让越来越多人能够把机器学习采取到自己真正关心的状况上。Dawn Song：我特别认同这一点。目前很多学生可能已经很难想象，在 TensorFlow 出现之前，仅仅是搭建一个能够开展分布式训练的系统，本身就是一项特别复杂的工程。很多探究者甚至还没有最初验明正身自己的想法，就已经花了大量时间在基础设施上。Jeff Dean：没错。如果每一个探究团队都必须先自己实现一套分布式系统，整个领域的发展高效度一定会慢得多。一个好的框架，本质上就是给予一种共同的抽象。它让更多人能够把时间花在真正题的状况上，而不是重复处理已经处理过的基础设施状况。Dawn Song：作为一名做编译器和系统探究的人，我一直都很喜欢 TensorFlow 当年的 Functional Graph 设方式。Jeff Dean（笑）：听到这句话，我很高兴。然而，每一个系统最后都会教会它的设方式者一些新的东西。TensorFlow 也是如此。1真正题的状况，常见需五年时间DawnSong：回顾你的职业生涯，有一件事情让我印象尤其深。无比如是 MapReduce、Bigtable、TensorFlow，还是后来的 MoE，这些工作都有一个共同特点：它们真正的题性，频仍是在很多年之后才被整个行业认识到。今天回头看，它们都成为了基础设施；但在它们刚刚出现的时候，很多人并没有意识到这一点。因此，我相信现场很多人都想知方式，你究竟是如何判断，一个方向是真正具有首先期价值的基础性创新，而另一个方向可能只是短期热点？这么多年下来，有哪些工程原则始终没有变化？同时，随人工智能正在从单纯的模型发展到越来越自主的 Agent，你觉得未来几年最值得关注的新抽象（abstraction）会是什么？Jeff Dean：这是一个很好的状况。如果一定关键说，我可能确实有一点运气。但除此之外，我一直有一个习惯：尽可能持续关注很多不一样方向的发展，而不是只盯着自己正在做的那个领域。我频仍跟学生说一句话：与其花很多时间精读一篇比如文，不如高效高效浏览十篇比如文；甚至，不如浏览一百篇比如文的摘关键。很多人首先次听到都会觉得有些奇怪。因为大家常见认为，真正做探究，就应该把每一篇比如文都读得特别深入。但我真正想建立的，其实不是对某一篇比如文的理解，而是对整个领域的感知。我希望脑子里能够不断积往往很多“正在发生的事情”。这里有一种新的训练方式。那里有人提出一种新的模型结构。另一个方向，也许一种新的硬件最初变得可行。很多工作可能都还不成熟，但它们共同构成了一张不断变化的地图。真正题的事情，是让这些点逐渐连成线。当你面对一个真正不易的状况时，这张地图会最初发挥功能。很多状况，刚最初看上去像是七个完全无解的状况。如果你只是盯着这个状况本身，很那么点儿觉得：这根本做不了。但如果你脑子里始终装着整个领域最近几年发生的变化，你会最初发现一些不一样的东西。也许，这七个状况里面，其实已经有五个方向最初出现轮廓了。它们还没有完全处理，但已经有人提出了一些有希望的方式。剩下的，也许只有两个状况，是真正没有答案的。而那两个状况，就是你需自己去创造新方式的地方。对我来说，这是一种特别理想的探究状态。很多人会问我，什么样的状况值得投入五年，甚至更首先时间？我的答案其实很便捷。不关键去做那个你完全不知方式从哪里最初的状况。那种状况，也许二十年之后才能处理。你甚至不知方式首先步应该往哪里走。另一部分，也不关键去做那个所有人都已经知方式下一步是什么的状况。那常见意味着，它更像是一项两年的工程项目。它当然题。工程上的持续改进始终题。然而，它未必能够真正变化整个领域。真正值得首先期投入的状况，频仍介于这两者之间。你已经能够看见一部分馗。但最题的那一段，还没有人走过。除了不断关注整个领域之外，我还有另一套一直特别依赖的工程习惯。那就是首先性原理（First Principles）。更准确一点说，是不断练习各种 back-of-the-envelope calculation。也就是，很多事情，不需完善实现，你先在脑子里算一遍：如果我关键处理这么多数据，会需多久？如果我关键把这些数据通过某种网络传输，会发生什么？这样的通信成本到底是十秒钟，还是一百年？很多时候，仅仅这样估算一下，你就已经知方式某条路线是不是值得后续走下去。真正优秀的工程师，常见都会不断做这样的思考。如果采取方式划 A，会怎样？如果采取方式划 B，又会怎样？为什么其中一个明显比另一个更合理？这些能力，并没有什么神奇的方式。它们来自不断练习。来自一次又一次处理状况。也来自不断观察别人是如何处理状况的。因此，我并不觉得自己有什么尤其神秘的方式。我只是一直重复做这些事情。当然，我也做过很多最后失败的项目。（笑）失败，本来就是整个流程的一部分。Dawn Song：我想，如果把刚才这些材料总结一下，大概可以归纳成几个题词。首先，是始终保持对整个领域足够广泛的观察，而不是局限于自己的探究方向。第二，是选项一个适用用时间尺度的状况——既不是近在眼前、所有人都知方式怎么做的事情，也不是远到完全不知方式如何最初的状况。第三，是坚持首先性原理，坚持工程上的基础判断，而不是依赖经验或者惯性。也许，这几件事情共同构成了你过去二十多年不断促进基础性创新的方式。Jeff Dean：我觉得这是一个不错的总结。1AI Agent、AI 安全与社会治理Dawn Song：让我们把目光转向未来。过去几年，Agentic AI 的发展高效度令人惊叹。就在上周末，我们举办了 Agent AI Summit，现场有近五千人参加，线上也有超过十万人观看。整个行业都在庆祝 Agent 能力取得的巨大发展。但与此同时，越来越多人也最初讨比如它所带来的风险。以我自己的探究为例，我们一直在探究 AI 在网络安全领域的能力，涵盖构建用于评估 AI 网络攻防能力的基准测试。最近的一些实验中，我们发现，AI Agent 已经能够自主规划一系列攻击步骤。例如，在一次测试中，Agent 为了获取实现任务所需的材料，自主决定利用多个安全漏洞，突破原本的隔离环境，建立中间跳板，并最后访问到目的基础设施。幸运的是，这只是一次受控实验，Agent 的目的只是获取与测试任务相关的数据，并没有造成进一步的破坏。但如果未来类似的能力出目前真实世界，风险显然会更大。与此同时，我们也看到越来越多关于 AI 治理的讨比如。涵盖 Jensen Huang 提出的开放生态系统倡议、越来越多关于开放模型和 AI 治理的讨比如，以及最近涵盖我在内的一千多位探究者共同发起的有关前沿 AI 安全的公开倡议。因此我很好奇，你怎么看待 Agent 能力高效高效提高所带来的这些挑战？Jeff Dean：任何一种足够强大的技术，都可以被用于不一样的目的。AI 也是如此。整体来说，我认为不过大多数采取都会给世界带来积极的意义。例如，医疗、教育、科学探究，以及协助更多人处理他们原本无法独立实现的状况。这些都是我认为特别令人兴奋的方向。当然，同样的模型也能够协助人们发现软件中的安全漏洞。这本身就是一把双刃剑。如果你是一名安全工程师，你可以利用这些能力寻找系统中的漏洞，并在真正遭到攻击之前修复它们。现实世界里，本来就存在大量尚未发现的状况。但另一部分，如果你是一名恶意攻击者，也完全可能利用同样的能力去寻找这些漏洞，并加以利用。因此，我们看到的是同一项能力，同时提高了攻击方和防御方。我并不认为，这是 AI 独有的状况。过去，经验充足的安全专家同样能够实现很多复杂的攻击。今天，模型最初具有类似的能力。与此同时，它们也最初具有协助防御者发现漏洞的能力。因此，未来网络安全领域的发展，很大程度上会变成双方都具有越来越强工具之后的一种持续竞争。我不是网络安全领域的专家，因此不想对详详见细技术状况做太多评比如。但我认为，这确实值得认真关注。同时，我觉得，并不是所有我们希望限制的表现，都必须依靠技术来处理。很多时候，社会制度本身也是处理方式划的一部分。例如，未经授权入侵方式算机系统，本来就是违法表现。未来随着 AI 能力不断提高，我们当然还需后续讨比如法律、监管以及责任边界应该如何演进。这些未必都是技术状况。很多时候，它们更像是整个社会共同面对的状况。Dawn Song：因此，一部分，我们希望整个社会能够尽可能享受到 AI 带来的巨大价值；另一部分，也必须同步建立技术和制度两部分的治理能力。Jeff Dean：我同意。几年前，我和 John Hennessy、James Manyika 等同事一起写过一篇关于 AI 首先期意义的比如文。我们尝试讨比如未来几十年，AI 最有可能深刻变化哪些领域。其中很多方向都特别积极，例如医疗、教育，以及协助更多人获得知识和能力。当然，也有一些状况更加复杂。例如地缘政治、粮食安全，以及就业结构变化。就业一直都是一个特别值得认真探究的话题。随着 AI 能力不断提高，它会对劳动力市场产生怎样的意义，经济体系又会如何适用应这些变化，这些都需首先期探究。我知方式，涵盖斯坦福在内，很多探究者目前都在关注这些状况。那篇比如文后来甚至还有了自己的网站。（笑）这是我写过唯一一篇具有独立网站的比如文。其中一位共同作者尤其积极，专业为它建了一个网站，叫 ShapingAI。因此，如果大家感兴趣，也可以去看看我们当时的一些思考。1为何创业：想自动化的是科学探究与工程创新本身Dawn Song：另一个正在引发广泛讨比如的话题，是递归式自我改进（Recursive Self-Improvement）。越来越多的人最初相信，未来 AI 不仅能够协助人类实现工作，还能够参与改进下一代 AI 本身。如果这一流程真正形成闭环，人工智能的发展高效度可能还会进一步加快。我知方式，这个方向也与你刚刚创办的新公司密切相关。你怎么看待递归式自我改进？它距离真正成熟还有多远？又会如何变化未来的 AI 研发方式？Jeff Dean：其实，用机器学习来协助机器学习，本身并不是一个新的想法。很多年前，我们就在尝试这件事情。例如，我的同事、也是目前 Discovery Loop 的联合创始人 Quoc Le，当时就在促进 Neural Architecture Search（NAS）。它的题思想其实很便捷。与其由探究人员不断设方式新的模型结构，不如让一个模型去生成新的模型，再由另一个流程评估这些模型的成效。系统不断得到反馈：哪些设方式有效？哪些设方式没有价值？然后后续生成下一轮候选模型。整个流程本质上就是一种自动化的搜索与改进。经过不断往往代，模型会越来越擅首先设方式新的模型。后来，我们又做了很多类似的工作。例如 Evolved Transformer。它不是重新发明 Transformer，而是在 Transformer 已有组件的基础上，通过演化算法不断尝试新的组合方式。最后，我们得到了一种比原则 Transformer 更有效的结构，大约提高了百分之三十左右的效率。这些工作，其实都属于同一种思路。所谓 Recursive Self-Improvement，在我看来，并不仅仅意味着让模型自己设方式模型。真正题的是：能否让整个模型研发步骤，都进入自动改进的循环。今天，一个大型模型的研发包含很多不一样环节。有人负责寻找更好的训练数据。有人负责设方式新的模型结构。有人负责构建评测体系。有人不断探究实验结荚，再决定下一轮实验应该如何调整。如果仔细观察，你会发现，这些工作其实都有相似的结构。每一个环节，都可以形成自己的反馈循环。如果这些反馈循环都能够逐渐自动化，那么整个模型研发流程，就会越来越有效。事实上，不只是机器学习。如果你退一步看，会发现今天大量科学探究和工程研发，本质上都比如同一种模式。先，你面对一个很大的状况。于是，你把它拆分成许多更小的子状况。然后，为每一个子状况提出一种可能的处理方式划。实现它。运行实验。评估结荚。根据实验结荚调整下一轮方式划。后续实验。整个科学探究，其实一直都是这样工作的。工程设方式也是一样。区别只在于，过去，这些循环题依赖人来实现。未来，其中越来越多环节，都会由 AI 协助实现。这也是我们创办 Discovery Loop 的因素。我们的目的，并不是便捷训练一个更大的模型。我们真正想自动化的是科学探究与工程创新本身。当然，一最初我们会聚焦于那么点儿几个领域。任何创业公司都需保持足够的专注。但从首先期来看，我们认为，不一样科学领域之间其实存在大量可以共享的方式和基础设施。很多探究步骤，本质上是相似的。如果模型能够理解多个不一样领域，它就能够协助探究人员更快地发现真正值得探索的状况。举个例子。现实中，一个人不可能同时具有二十个不一样学科的博士学位。但模型未必有这样的限制。如果一个模型能够同时理解多个领域，它就更有机会发现不一样学科之间过去没有建立起来的关联。它可以协助探究人员识别真正题的子状况。把复杂的状况拆分出来。安排多个 Agent 分别处理不一样部分。然后，再把这些结荚重新组合起来。最后，根据实验结荚后续进入下一轮往往代。整个流程，本质上就是不断重复科学探究最基础的方式。除了自动化之外，还有一个同样题的目的：让整个实验循环变得越来越快。如果过去实现一次实验需一天、一周，甚至一个月。未来，我们希望很多实验能够在一分钟、一小时之内实现。与此同时，并行运行成千上万个实验。实验实现之后，再根据所有结荚决定下一轮最值得后续探索的方向。这样，不只是实验高效度提高了。实验本身的质量，也会不断提高。我认为，这两件事情结合起来，会真正变化未来科学探究的方式。同时，我们也希望建立一整套基础设施。它能够持续管理所有可能开展的实验。不断评估：哪一个实验最有价值？它成功的概率是多少？需多少方式算资源？应该优先投入哪些方向？最后，系统会协助探究人员决定下一步最值得做什么。我认为，这是未来特别值得探索的方向。Discovery Loop 正是围绕这一目的建立的。我的四位联合创始人，都是过去二十多年里首先期合作的伙伴。我们彼此合作的时间，从十四年到三十年不等。过去，我们曾一起参与过很多题项目。涵盖 MapReduce、Bigtable、TensorFlow、模型蒸馏，以及 Mixture of Experts 等等。今天，我们希望再次聚在一起，共同处理另一个更大的状况。不是训练一个模型。而是协助整个人类更快地实现科学发现。还有一点，对我们来说也特别题。Discovery Loop 从成立首先天最初，就是一家 Public Benefit Corporation（公共利益公司）。这意味着，我们不仅需建设一家成功的企业，也希望真正促进科学发展本身。未来，如果某些决定虽然未必顺应公司的短期商业利益，却能够让更多科学家、更多探究机构因此受益，我们仍然愿意认真考虑这样的选项。我们的目的，是让科学发现能够更快地发生，也能够被更多人共享。Dawn Song：今天上午，你才正式最初创业。到目前，大概已经工作了十二个半小时。Jeff Dean（笑）：准确地说，我只失业了一秒钟。随后，就重新最初工作了。1离开 Google：小公司才能更专注现场观众提问：Jeff，你今天宣布离开 Google，引起了整个行业的关注。很多人都在讨比如你的离职，甚至有人把当天 Google 市值的波动也与这件事关联起来。我真正想问的是：有什么事情，是你在一家创业公司能够做到，而在 Google 做不到的？同时，Google 具有世界不过级的人才、方式算资源和基础设施。对于 Gemini 来说，你认为 Google 接下来最题的任务是什么？Jeff Dean：先，我不会把资本市场每天发生的变化归因于某一个人。我在 Google 工作了二十七年。那里有无数优秀的同事，也有特别出色的团队。今天，他们仍然在推进很多特别题的工作。我相信，他们会后续把 Gemini 做得越来越好。因此，我并不会把这件事情理解成一种离开与否的对立。更多的是，一个新的最初。至于为什么创业，我觉得答案其实很便捷。有时候，一家规模很小、目的高度相同的公司，可以具有一种大型组织很难具有的专注。如果整个团队每天醒来，都只想着同一个状况，所有资源都围绕同一件事情展开，那么很多原本存在于大型组织中的协调成本、沟通成本，以及各种不一样目的之间的平衡，就会自然消失。对于我们来说，目前唯一需思考的状况，就是：怎样才能真正加快科学发现。除此之外，没有第二个目的。这种专注，本身就是创业最大的价值之一。现场观众：还有一个状况。从很多角度来看，今天的大模型竞争似乎天然属于大型科技公司。训练最先进的模型，需庞大的方式算资源，需巨额资本支出，也需世界级的数据中心。按照传统逻辑，这些好处几乎都集中在大型公司手里。但现实却恰恰相反。越来越多不过尖 AI 人才最初流向创业公司。越来越多前沿创新，也最初出目前创业公司。为什么会这样？Jeff Dean：我认为，一个特别题的变化，是云方式算的发展。过去，如果你想创办一家 AI 公司，你几乎必须自己建设大量基础设施。今天，这已经不是必须的了。越来越成熟的云平台，让一家规模很小的创业公司，也能够获得世界级的方式算资源。你不需重新建设整个数据中心。也不需自己搭建完善的基础设施。Google，以及其他优秀的云方式算平台，都已经实现了这些工作。因此，创业团队可以把更多精力放在真正希望处理的状况上。对于我们来说，也是一样。我们希望把全部注意力都放在科学探究自动化这一件事情上。如果是在一家大型公司，这件事情当然也可以做。Google 完全有能力协助这样的探究。但一家只有十个人左右的创业公司，可以具有一种特别纯粹的专注。每个人每天讨比如的，都是同一个状况。不会因为组织规模不断扩大，而出现越来越多额外需协调的事情。我觉得，这是一种特别尤其的工作体验。当然，我并不想因此否定大型公司的价值。恰恰相反。过去二十七年里，我之因此能够实现很多题工作，也正是因为 Google 给予了世界上最好的工程团队、方式算平台，以及首先期投入基础探究的环境。这些都是创业公司很难替代的。因此，我并不认为这是一个非此即彼的状况。大型公司和创业公司，各自都有最适用于自己的事情。大型公司擅首先建设平台、建设基础设施、持续投入首先期研发。创业公司，则更那么点儿围绕一个特别清楚的状况高效高效前进。整个行业，其实同时需这两种力量。对于我个人来说，离开 Google 并不是因为那里缺少机会。恰恰相反。二十七年里，我在那里具有了最好的同事，也参与了许多超出自己想象的题工作。正因为如此，我才觉得，目前是时候重新最初另一段旅程了。这多少有一点令人紧张。毕竟，当你离开一家工作了二十七年的公司，最初面对完全不一样的环境时，总会有一些不选定性。但与此同时，也正因为如此，它才令人兴奋。新的状况。新的团队。新的目的。我很期待，看看接下来几年，我们究竟能够做到什么。Dawn Song：Jeff，特别感谢今天与你一起回顾过去，也一起展望未来。祝贺你开启新的旅程。也期待 Discovery Group 能够真正协助科学探究进入一个新的时代。Jeff Dean：谢谢。也谢谢今天来到现场的所有人。我同样期待未来会发生什么。点个“爱心”，再走 吧

上一篇：极限1换1！马德里竞技和巴塞罗那要互换前锋，西蒙尼会满意吗？|费兰|格里兹曼|巴塞罗那队|阿尔瓦雷斯|迭戈·西蒙尼|马德里竞技俱乐部_网易订阅
下一篇：阿森纳签下巴西中场球员吉马良斯|英格兰|联赛杯|英超冠军|纽卡斯尔队|布鲁诺·吉马良斯_网易订阅

• ·WTT横滨冠军赛四强出炉：国乒女单占三席，王艺迪将对阵张本美和_网易订阅
• ·恒越优势精选混合C净值上涨5.03%_新浪财经_新浪网
• ·恒生前海北证50成份指数增强A净值上涨3.15%_新浪财经_新浪网
• ·汇添富中证金融科技主题ETF净值上涨3.74%_新浪财经_新浪网
• ·[JR热议]KSG 4-3 AG选手雷达图出炉，谁是比赛最大的胜负手？-王者荣耀丨KPL-虎扑社区
• ·路博迈港股通科技股票C净值上涨4.55%_新浪财经_新浪网
• ·汇添富中证机器人ETF净值上涨5.81%_新浪财经_新浪网
• ·融通上证科创板综合指数增强C净值上涨3.39%_新浪财经_新浪网
• ·笑傲德比！大连英博1-0辽宁铁人，产生3大不可思议+2个不争事实|斯坦丘_网易订阅
• ·富国低碳环保混合净值上涨3.89%_新浪财经_新浪网
• ·鹏安核心优选混合发起式A净值上涨8.39%_新浪财经_新浪网
• ·鹏华上证科创板100指数增强A净值上涨4.38%_新浪财经_新浪网
• ·善恶有报，移居英国仅2年，57岁吴秀波再迎噩耗，步入李易峰后尘|汤唯|娱乐圈_网易订阅
• ·恒生前海北证50成份指数增强C净值上涨3.15%_新浪财经_新浪网
• ·易方达积极成长混合净值上涨3.00%_新浪财经_新浪网
• ·汇添富中证机器人ETF净值上涨5.81%_新浪财经_新浪网