这场对谈发生在个颇具历史真理的时分节点抚顺钢绞线厂。

2026 年 8 月7日，Asian American Pioneer Medal Symposium（亚裔前卫者论坛） 在好意思国斯坦福大学举行。论坛由 Asian American Scholar Forum（AASF，亚裔学者论坛） 主理，旨在赏赐亚裔科学、工程师和企业对好意思国科技创新的紧迫孝顺，并围绕东说念主工智能、生命科学、能源、半体、科研计谋等前沿议题张开交流。比年来，Asian American Pioneer Medal 已逐渐成为好意思国亚裔科技界具影响力的年度行动之。

本场对谈由加州大学伯克利分校教学、著名东说念主工智能与筹备机安全 Dawn Song（宋晓冬） 主捏。Dawn Song 耐久从事东说念主工智能、安全、真实 AI 和筹备机系统研究，是全球 AI 安全域具影响力的学者之。

嘉宾 Jeff Dean 是 Google 科学（Chief Scientist），亦然当代东说念主工智能基础设施紧迫的奠基者之。在曩昔二十余年里，他先后参与或主了 MapReduce、Bigtable、TensorFlow、TPU、Mixture of Experts（MoE） 以及 Gemini 等系列具有里程碑真理的时刻，对当代大鸿沟筹备和东说念主工智能的发展产生了远影响。

这场访谈距离 Jeff Dean 通知离开 Google 仅曩昔十余小时。

在遣散长达 27 年的 Google 生活后，他刚刚通知与四位耐久作伙伴共同创办新公司 Discovery Loop，极力于诓骗 AI 自动化科学研究与工程创新，加速东说念主类科学发现。因此，这场对谈也成为 Jeff Dean 创业后的次公开度访谈。

Jeff Dean 追想了 MoE、TensorFlow、Gemini 等重要时刻出身背后的念念考，也分享了他对于 AI Agent、递归式自我立异（Recursive Self-Improvement）、科研自动化，以及畴昔十年东说念主工智能发展的新判断。

MoE的出身

Dawn Song：

在庄重运行之前，我想先分享段我与 Jeff 相识的资格，亦然我奇迹生活中铭刻的回忆之。

那照旧是快要十年前的事情了，概略是在 ICLR 2017。如今的 ICLR 照旧成长为全球紧迫的东说念主工智能会议之，但其时的鸿沟还很小，参会者唯有几百东说念主，而今天照旧发展到数万东说念主。

那年，咱们团队的篇对于神经门径成（Neural Program Synthesis）泛化身手的论文得到了 ICLR 佳论文。那如故 AI Coding 和代码生成尚未兴起的年代。Jeff，不知说念你是否还铭记。其时你特意走过来向我示意祝愿，还笑着说："这年共有三篇佳论文，篇来自你们，两篇来自 Google。"

直到今天，我依然铭记阿谁一霎。让我印象刻的是，祝愿之后，你马上快乐地向我先容了另项刚刚完成的研究——Mixture of Experts（MoE）。

那篇论文有个令东说念主过目铭刻的标题：«Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer»

其时听完你的先容，我只合计这个想法相称果敢，也相称真理。但坦率地说，我莫得意象——也不知说念其时的你是否照旧意象——它自后会对总共这个词东说念主工智能行业产生如斯远的影响。今天，险些总共前沿的大模子，王人照旧接纳了 MoE 架构，或者受它的影响。

Jeff Dean：

MoE 初的想法其实并不复杂。咱们直但愿模子能够领有大的容量，因为容量越大，模子能够学习和记着的信息就越多。但与此同期，咱们也但愿它保捏富裕的筹备率。于是，咱们运行念念考：是否简直有要让模子的总共参数，在每次理时沿途参与筹备？

谜底剖析是狡赖的。

于是，咱们提议了种模块化的架构：模子里面领有许多不同的"（Experts）"，每位各自擅长不同类型的问题。检会过程中，模子会逐渐学习每位的长；而在理时，它只需要激活符合前任务、现时 Token 的少数几个即可。

这样，模子既领有大的总体容量，又需承担沿途参数同期筹备所带来的成本。

这个念念路其实与东说念主脑相称相似。东说念主的大脑有不同区域负责不同。举例，当你念念考莎士比亚十四行诗时，大脑中的部分区域会被激活；而当你正在开车，辆垃圾车倏地倒车朝你驶来时，负责危境感知的另部分区域会立即接督劳动。它们并不会直同期劳动。

因此，让模子只调用真实需要的部分，不仅符筹备率，也符天然界省俭能量的式。

咱们其时之是以对 MoE 相称有信心，还有个紧迫原因。实验遣散表露，比较其时主流的 Dense Model，MoE 在检会筹备率（Training Compute Efficiency）上可以带来接近 10 倍 的进步。

在研究中，当你看到个想法能够带来个数目（Order of Magnitude）的立异时，你平时会融会到：这很可能不单是是次普通的化，而是个能够调动总共这个词向的紧迫冲破。

是以，其时咱们就认为，MoE 很可能会成为畴昔相称紧迫的条时刻门道。

Deep Learning 如何总共统这个词域

Dawn Song：

相称有真理。

让我诧异的是，今天再次听你讲解 MoE，我发现与你十年前告诉我的内容险些致。这也证明，个真实秀的想法，频频能够经得起时分的训练。

曩昔二十多年里，你险些参与塑造了当代东说念主工智能基础设施发展的每个重要节点。从 MapReduce、Bigtable、TensorFlow、TPU，再到今天的 MoE 与 Gemini，你的劳动险些诱惑了总共这个词期间。

因此，我非常想请你追想下曩昔十几年的 AI 发展历程。在你看来，让你感到未必的变化是什么？而今天，又有哪些事情，是总共这个词行业依然低估了的？

Jeff Dean：

曩昔十几年，较着的变化天然是，全宇宙对于东说念主工智能的关注进度发生了巨大的变化。

如若把时分拨且归，咱们概略是在 2011 到 2012 年驾驭，运行崇拜研究如何把神经集合作念得大。

阿谁时候，咱们照旧运行看到些令东说念主诧异的遣散。举例，咱们检会的神经集合，鸿沟可能比此前大的模子还要大几十倍，而图像分类的造作率会因此显耀下跌。语音识别亦然样。其时咱们发现，只是依靠扩大模子鸿沟，个相对浅易的度学习语音模子，就能够带来险些十分于总共这个词语音识别域曩昔二十年累计取得的能进步。

正因为如斯，咱们很早就融会到，这不会只是某个域里的局部冲破。它会影响筹备机视觉、天然言语处理、语音识别，以及多曩昔耐久被认为十分贫瘠的问题。

我认为，Deep Learning 紧迫的点，是它逐渐统了许多底本互相立的研究向。

曩昔，筹备机视觉有我方的法，语音识别有我方的法，天然言语处理也有我方的整套时刻体系。不同域的东说念主，很少会用同种式念念考问题。而度学习带来了个不同的视角。它让大运行信服，只消领有富裕的数据和筹备身手，就可以径直从原始数据中学习示意，而不是依赖东说念主为遐想的巨额章程和特征工程。

于是，你会运行用种加统的式来看待这些问题。论输入的是图像、文本、语音，如故其他形状的数据，它们践诺上王人可以被视为种学习问题。我认为，这是曩昔十五年紧迫的变化之。

跟着这种范式逐渐老成，越来越多的东说念主运行融会到，它不仅适用于传统真理上的 AI 研究。它同样可以应用到医学、科学研究、铺张居品，以及各式各种此前莫得东说念主意象的场景。今天，咱们照旧看到，全宇宙在 AI 基础设施和筹备资源上的参加鸿沟越来越大。我合计，这本人等于个相称较着的信号。

这意味着，东说念主们信服这项时刻畴昔能够带来的调动，还远远莫得遣散。至少在我看来，咱们仍然处在这个过程的半途，而不是尽头。

TensorFlow：大的得手，与大的缺憾

Dawn Song：

咱们接下来聊个许多诱惑者王人相称熟悉的话题——TensorFlow。

TensorFlow 让当代机器学习真实走向了全球诱惑者和研究者，也匡助许多东说念主次斗争到度学习。如若回到 TensorFlow 刚刚出身的时候，你们其时垂青哪些遐想原则？如若今天从头遐想次 TensorFlow，你又会作念哪些不同的采用？

Jeff Dean：

在 TensorFlow 之前，咱们在 Google 里面照旧有套度学习系统，叫 DistBelief。它并莫得开源，但照旧能够因循 Google 里面许多机器学习劳动的开展。DistBelief 紧迫的点，是它能够把研究者表情的神经集合筹备自动映射到不同的硬件平台上。论是 CPU、GPU，如故由许多机器组成的大鸿沟集群，对使用者来说王人应该是件相对透明的事情。

举个例子。

动作名机器学习研究者，你真实眷注的是：我但愿检会这个模子。至于这个模子终运行在百台服务器上，如故五百块 GPU 上，底层究竟如何进行任务切分、通讯和调换，其实并不是研究者真实但愿花时分念念考的问题。

咱们直但愿能够建立这样种抽象。研究者只需要表情模子本人，而框架负责把它地映射到底层硬件。这是 TensorFlow 紧迫的遐想理念之。

咱们但愿，东说念主们可以注于我方脑海里的机器学习模子，而不是不断处理底层基础设施。

另个紧迫筹算，是建立种加通用的筹备抽象。

咱们终接纳了 Computation Graph（筹备图） 的式。模子被示意成张由各式运算组成的图，其中包括矩阵乘法、向量运算以偏执他机器学习中常见的操作。其时，咱们认为这种抽象富裕通用抚顺钢绞线厂，也富裕雅。今天回头来看，我仍然认为这个向基本是正确的。

除此除外，咱们还有个相称明确的筹算：把 TensorFlow 开源。

咱们但愿，全宇宙任何研究者，只消遭遇机器学习问题，王人能够使用同套框架来抒发我方的想法。这不单是意味着大领有雷同的器具。紧迫的是，它让研究恶果能够真实复现。

曩昔，许多论文唯有笔墨表情。读者需要凭证论文从头竣事算法，而论文永远不成能把总共竣事细节王人写明晰。遣散频频是，同篇论文，不同的东说念主竣事出来，能却不同。如若论文能够径直提供 TensorFlow 竣事，那么其他研究者不仅能够考证遣散，也能够在此基础上不时开展研究。

我认为，这是开源大的价值之。

天然，如若今天从头回头看，咱们也确乎犯过些造作。

其中个，等于 莫得运行就接纳 Eager Execution（即时实施）。

早期 TensorFlow 使用的是静态筹备图。这种式在能和部署面有许多势，但对于研究者来说，并不是天然的编程式。自后，论是 PyTorch，如故 JAX，王人动了 Eager Execution 的普及。TensorFlow 我方自后也加入了这身手。如若从头运行，我会早接纳这种加天然的实施式。我认为，它让总共这个词抽象又上前迈进了步。

还有个决定，当今看来并不得手。

在 TensorFlow 开源时，咱们创建了个叫 contrib 的目次。其时咱们的想法很浅易：但愿多外部诱惑者参与进来，把各式有效的孝顺给 TensorFlow 社区。

遣散却恰恰相背。跟着越来越多的东说念主孝顺代码，contrib 很快变得越来越交加。同样件事情，可能出现五种、十种不同的竣事式。社区运行不断扣问：到底应该使用哪个版块？哪个才是官荐？后，许多诱惑者反而因此感到困惑。

如若今天从头遐想，我不会再这样作念。

TensorFlow 的中枢应该永久保捏尽可能简略、褂讪。至于各式实验、层的器具库，它们可以建立在 TensorFlow Core 之上，而不是沿途放进官仓库。

这是咱们自后才真实融会到的课。

不外，总体来说，我依然认为 TensorFlow 完成了它初的职责。它让全宇宙巨额研究者次真实斗争机器学习，也让越来越多东说念主能够把机器学习应用到我方真实眷注的问题上。

Dawn Song：

我相称认可这点。

当今许多学生可能照旧很难遐想，在 TensorFlow 出现之前，只是是搭建个能够进行散播式检会的系统，本人等于项相称复杂的工程。

许多研究者致使还莫得运行考证我方的想法，就照旧花了巨额时分在基础设施上。

Jeff Dean：

没错。

如若每个研究团队王人须先我方竣事套散播式系统，总共这个词域的发展速率定会慢得多。个好的框架，践诺上等于提供种共同的抽象。它让多东说念主能够把时分花在真实紧迫的问题上，而不是重叠搞定照旧搞定过的基础设施问题。

Dawn Song：

动作名作念编译器和系统研究的东说念主，我直王人很可爱 TensorFlow 当年的 Functional Graph 遐想。

Jeff Dean（笑）：

听到这句话，我很兴。

不外，每个系统终王人会教化它的遐想者些新的东西。TensorFlow 亦然如斯。

真实紧迫的问题，平时需要五年时分

Dawn Song：

追想你的奇迹生活，有件事情让我印象非常。

论是 MapReduce、Bigtable、TensorFlow，如故自后的 MoE，这些劳动王人有个共同特质：它们真实的紧迫，频频是在许多年之后才被总共这个词行业融会到。今天回头看，它们王人成为了基础设施；但在它们刚刚出现的时候，许多东说念主并莫得融会到这点。

因此，我信服现场许多东说念主王人想知说念，你究竟是如何判断，个向是真实具有耐久价值的基础创新，而另个向可能只是短期热门？

这样多年下来，有哪些工程原则永久莫得调动？

另外，随东说念主工智能正在从单纯的模子发展到越来越自主的 Agent，你合计畴昔几年值得关注的新抽象（abstraction）会是什么？

Jeff Dean：

这是个很好的问题。

如若定要说，我可能确乎有点气运。

但除此除外，我直有个民风：尽可能捏续关注许多不同向的发展，而不是只盯着我梗直在作念的阿谁域。

我频繁跟学生说句话：与其花许多时分精读篇论文，不如快速浏览十篇论文；致使，不如浏览百篇论文的节录。

许多东说念主次听到王人会合计有些奇怪。因为大平时认为，真实作念研究，就应该把每篇论文王人读得相称入。但我真实想建立的，其实不是对某篇论文的诱惑，而是对总共这个词域的感知。我但愿脑子里能够不断积贮许多"正在发生的事情"。这里有种新的检会法。那里有东说念主提议种新的模子结构。另个向，也许种新的硬件运行变得可行。

许多劳动可能王人还不老成，但它们共同组成了张不断变化的舆图。真实紧迫的事情，是让这些点逐渐连成线。

当你靠近个真实贫瘠的问题时，这张舆图会运行发扬作用。许多问题，刚运行看上去像是七个解的问题。

如若你只是盯着这个问题本人，很容易合计：这根底作念不了。但如若你脑子里永久装着总共这个词域近几年发生的变化，你会运行发现些不同的东西。也许，这七个问题里面，其实照旧有五个向运行出现详细了。它们还莫得搞定，但照旧有东说念主提议了些有但愿的法。剩下的，也许唯有两个问题，是真实莫得谜底的。

而那两个问题，等于你需要我方去创造新法的地。对我来说，这是种相称联想的研究气象。

许多东说念主会问我，什么样的问题值得参加五年，致使永劫分？

我的谜底其实很浅易。不要去作念阿谁你不知说念从那处运行的问题。那种问题，也许二十年以后才能搞定。你致使不知说念步应该往那处走。另面，也不要去作念阿谁总共东说念主王人照旧知说念下步是什么的问题。那平时意味着，它像是项两年的工程形势。它天然紧迫。工程上的捏续立异永久紧迫。然而，它未能够真实调动总共这个词域。真实好得耐久参加的问题，频频介于这两者之间。你照旧能够看见部分说念路。但重要的那段，还莫得东说念主走过。

除了不断关注总共这个词域除外，我还有另套直相称依赖的工程民风。那等于旨趣（First Principles）。

准确点说，是不断熟悉各式 back-of-the-envelope calculation。

也等于，许多事情，不需要完好竣事，你先在脑子里算遍：如若我要处理这样多数据，会需要多久？如若我要把这些数据通过某种集合传输，会发生什么？这样的通讯成本到底是十秒钟，如故百年？

许多时候，只是这样估算下，你就照旧知说念某条门道是不是值得不时走下去。

真实秀的工程师，平时王人会不断作念这样的念念考。如若接纳案 A，会若何？如若接纳案 B，又会若何？为什么其中个较着比另个理？

这些身手，并莫得什么神奇的法。它们来自不断熟悉。来自次又次搞定问题。也来自不断不雅察别东说念主是如何搞定问题的。

是以，我并不合计我方有什么非常微妙的法。我只是直重叠作念这些事情。天然，钢绞线我也作念过许多终失败抚顺钢绞线厂的形势。（笑）

失败，本来等于总共这个词过程的部分。

Dawn Song：

我想，如若把刚才这些内容总结下，概略可以归纳成几个重要词。

，是永久保捏对总共这个词域富裕庸俗的不雅察，而不是局限于我方的研究向。

二，是采用个应时分模范的问题——既不是一衣带水、总共东说念主王人知说念如何作念的事情，也不是远到不知说念如何运行的问题。

三，是坚捏旨趣，坚捏工程上的基本判断，而不是依赖告戒或者惯。

也许，这几件事情共同组成了你曩昔二十多年不断动基础创新的法。

Jeff Dean：

我合计这是个可以的总结。

AI Agent、AI 安全与社会理

Dawn Song：

让咱们把眼神转向畴昔。

曩昔几年，Agentic AI 的发展速率令东说念主咋舌。就在上周末，咱们举办了 Agent AI Summit，现场有近五千东说念主参加，线上也有过十万东说念主不雅看。总共这个词行业王人在庆祝 Agent 身手取得的巨大非常。

但与此同期，越来越多东说念主也运行扣问它所带来的风险。

以我我方的研究为例，咱们直在研究 AI 在集合安全域的身手，包括构建用于评估 AI 集合攻身手的基准测试。近的些实验中，咱们发现，AI Agent 照旧能够自主霸术系列报复才略。举例，在次测试中，Agent 为了获取完成任务所需的信息，自主决定诓骗多个安全轻佻，冲破底本的防碍环境，建立中间跳板，并终看望到筹算基础设施。

侥幸的是，这只是次受控实验，Agent 的筹算只是获取与测试任务相关的数据，并莫得形成非常的破裂。但如若畴昔肖似的身手出当今真实宇宙，风险剖析会大。与此同期，咱们也看到越来越多对于 AI 理的扣问。包括 Jensen Huang 提议的灵通生态系统倡议、越来越多对于灵通模子和 AI 理的扣问，以及近包括我在内的千多位研究者共同发起的相关前沿 AI 安全的公开倡议。

是以我很兴趣，你如何看待 Agent 身手快速进步所带来的这些挑战？

Jeff Dean：

任何种富裕刚劲的时刻，王人可以被用于不同的宗旨。AI 亦然如斯。

总体来说，我认为大多数应用王人会给宇宙带来积的影响。举例，医疗、训诲、科学研究，以及匡助多东说念主搞定他们底本法立完成的问题。这些王人是我认为相称令东说念主快乐的向。

天然，同样的模子也能够匡助东说念主们发现软件中的安全轻佻。这本人等于把双刃剑。

如若你是名安全工程师，你可以诓骗这些身手寻找系统中的轻佻，并在真实遭到报复之前训诲它们。现实宇宙里，本来就存在巨额尚未发现的问题。但另面，如若你是名坏心报复者，也可能诓骗同样的身手去寻找这些轻佻，并加以诓骗。

因此，咱们看到的是同项身手，同期增强了报复和御。我并不认为，这是 AI 有的问题。曩昔，告戒丰富的安全同样能够完成许多复杂的报复。今天，模子运行具备肖似的身手。与此同期，它们也运行具备匡助御者发现轻佻的身手。是以，畴昔集合安全域的发展，很猛进度上会变成双王人领有越来越强器具之后的种捏续竞争。

我不是集合安全域的，因此不想对具体时刻问题作念太多辩驳。但我认为，这确乎值得崇拜关注。

另外，我合计，并不是总共咱们但愿适度的行径，王人须依靠时刻来搞定。许多时候，社会轨制本人亦然搞定案的部分。举例，未经授权入侵筹备机系统，本来等于不法行径。畴昔跟着 AI 身手不断增强，咱们天然还需要不时扣问法律、监管以及职守鸿沟应该如何演进。这些未王人是时刻问题。许多时候，它们像是总共这个词社会共同靠近的问题。

Dawn Song：

是以，面，咱们但愿总共这个词社会能够尽可能享受到 AI 带来的巨大价值；另面，也须同步建立时刻和轨制两面的理身手。

Jeff Dean：

我快活。

几年前，我和 John Hennessy、James Manyika 等共事起写过篇对于 AI 耐久影响的论文。

咱们尝试扣问畴昔几十年，AI 有可能刻调动哪些域。其中许多向王人相称积，举例医疗、训诲，以及匡助多东说念主得到学问和身手。

天然，也有些问题加复杂。举例地缘政、食粮安全，以及服务结构变化。

服务直王人是个相称值得崇拜研究的话题。跟着 AI 身手不断进步，它会对劳能源商场产生若何的影响，经济体系又会如何恰当这些变化，这些王人需要耐久研究。我知说念，包括斯坦福在内，许多研究者当今王人在关注这些问题。

那篇论文自后致使还有了我方的网站。（笑）

这是我写过唯篇领有立网站的论文。其中位共同作家非常积，门为它建了个网站，叫 ShapingAI。是以，如若大感兴味，也可以去望望咱们其时的些念念考。

为何创业：想自动化的是科学研究与工程创新本人

Dawn Song：

另个正在激发庸俗扣问的话题，是递归式自我立异（Recursive Self-Improvement）。

越来越多的东说念主运行信服，畴昔 AI 不仅能够匡助东说念主类完成劳动，还能够参与立异下代 AI 本人。如若这过程真实形成闭环，东说念主工智能的发展速率可能还会非常加速。

我知说念，这个向也与你刚刚创办的新公司密切相关。你如何看待递归式自我立异？它距离真实老成还有多远？又会如何调动畴昔的 AI 研发式？

Jeff Dean：

其实，用机器学习来匡助机器学习，本人并不是个新的想法。许多年前，咱们就在尝试这件事情。

举例，我的共事、亦然当今 Discovery Loop 的联首创东说念主 Quoc Le，其时就在动 Neural Architecture Search（NAS）。它的中枢念念想其实很浅易。与其由研究东说念主员不断遐想新的模子结构，不如让个模子去生成新的模子，再由另个过程评估这些模子的果。

系统不断得到响应：哪些遐想有？哪些遐想莫得价值？然后不时生成下轮候选模子。总共这个词过程践诺上等于种自动化的搜索与化。经过不断迭代，模子会越来越擅长遐想新的模子。

自后，咱们又作念了许多肖似的劳动。举例 Evolved Transformer。它不是从头发明 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式。后，咱们得到了种比圭表 Transformer 的结构，约莫进步了百分之三十驾驭的率。

这些劳动，其实王人属于同种念念路。

所谓 Recursive Self-Improvement，在我看来，并不单是意味着让模子我方遐想模子。真实紧迫的是：能否让总共这个词模子研发经由，王人进入自动化的轮回。

今天，个大型模子的研发触及许多不同要津。有东说念主负责寻找好的检会数据。有东说念主负责遐想新的模子结构。有东说念主负责构建评测体系。有东说念主不断分析实验遣散，再决定下轮实验应该如何疗养。

如若仔细不雅察，你会发现，这些劳动其实王人有相似的结构。每个要津，王人可以形成我方的响应轮回。如若这些响应轮回王人能够逐渐自动化，那么总共这个词模子研发过程，就会越来越。

事实上，不单是机器学习。如若你凋残看，会发现今天巨额科学研究和工程研发，践诺上王人死守同种模式。

先，你靠近个很大的问题。于是，你把它拆分红许多小的子问题。然后，为每个子问题提议种可能的搞定案。竣事它。运行实验。评估遣散。凭证明验遣散疗养下轮案。不时实验。总共这个词科学研究，其实直王人是这样劳动的。工程遐想亦然样。区别只在于，曩昔，这些轮回主要依赖东说念主来完成。畴昔，其中越来越多要津，王人会由 AI 协助完成。

这亦然咱们创办 Discovery Loop 的原因。咱们的筹算，并不是浅易检会个大的模子。咱们真实想自动化的是科学研究与工程创新本人。

天然，运行咱们集聚焦于少数几个域。任何创业公司王人需要保捏富裕的注。但从耐久来看，咱们认为，不同科学域之间其实存在巨额可以分享的法和基础设施。许多研究经由，践诺上是相似的。如若模子能够诱惑多个不同域，它就能够匡助研究东说念主员快地发现真实好得探索的问题。

举个例子。现实中，个东说念主不成能同期领有二十个不同学科的博士学位。但模子未有这样的适度。如若个模子能够同期诱惑多个域，它就有契机发现不同学科之间曩昔莫得建立起来的磋议。它可以匡助研究东说念主员识别真实紧迫的子问题。把复杂的问题拆分出来。安排多个 Agent 隔离搞定不同部分。然后，再把这些遣散从头组起来。后，凭证明验遣散不时进入下轮迭代。

总共这个词过程，践诺上等于不断重叠科学研究基本的法。

除了自动化除外，还有个同样紧迫的筹算：让总共这个词实验轮回变得越来越快。如若曩昔完成次实验需要天、周，致使个月。畴昔，咱们但愿许多实验能够在分钟、小时之内完成。与此同期，并走运行千千万万个实验。实验完成之后，再凭证总共遣散断定下轮值得不时探索的向。

这样，不单是实验速率提了。实验本人的质料，也会不断提。我认为，这两件事情结起来，会真实调动畴昔科学研究的式。

另外，咱们也但愿建立整套基础设施。它能够捏续督察总共可能进行的实验。不断评估：哪个实验有价值？它得手的概率是些许？需要些许筹备资源？应该先参加哪些向？终，系统会匡助研究东说念主员决定下步值得作念什么。我认为，这是畴昔相称值得探索的向。

Discovery Loop 恰是围绕这筹算建立的。

我的四位联首创东说念主，王人是曩昔二十多年里耐久作的伙伴。咱们互相作的时分，从十四年到三十年不等。曩昔，咱们曾起参与过许多紧迫形势。包括 MapReduce、Bigtable、TensorFlow、模子蒸馏，以及 Mixture of Experts 等等。今天，咱们但愿再次聚在起，共同搞定另个大的问题。不是检会个模子。而是匡助总共这个词东说念主类快地完成科学发现。

还有点，对咱们来说也相称紧迫。Discovery Loop 从建立天运行，等于 Public Benefit Corporation（民众利益公司）。这意味着，咱们不仅需要建设得手的企业，也但愿真实动科学非常本人。畴昔，如若某些决定天然未符公司的短期营业利益，却能够让多科学、多研究机构因此受益，咱们仍然自得崇拜磋议这样的采用。咱们的筹算，是让科学发现能够快地发生，也能够被多东说念主分享。

Dawn Song：

今天上昼，你才庄重运行创业。到当今，概略照旧劳动了十二个半小时。

Jeff Dean（笑）：

准确地说，我只休闲了秒钟。随后，就从头运行劳动了。

离开 Google：小公司才能注

现场不雅众发问：

Jeff，你今天通知离开 Google，引起了总共这个词行业的关注。

许多东说念主王人在扣问你的辞职，致使有东说念主把本日 Google 市值的波动也与这件事磋议起来。

我真实想问的是：有什么事情，是你在创业公司能够作念到，而在 Google 作念不到的？

另外，Google 领有宇宙顶的东说念主才、筹备资源和基础设施。对于 Gemini 来说，你认为 Google 接下来紧迫的任务是什么？

Jeff Dean：

先，我不会把成本商场每天发生的变化归因于某个东说念主。

我在 Google 劳动了二十七年。那里脱落秀的共事，也有相称出的团队。今天，他们仍然在进许多相称紧迫的劳动。我信服，他们会不时把 Gemini 作念得越来越好。是以，我并不会把这件事情诱惑成种离开与否的对立。

多的是，个新的运行。

至于为什么创业，我合计谜底其实很浅易。有时候，鸿沟很小、筹算度致的公司，可以领有种大型组织很难具备的注。如若总共这个词团队每天醒来，王人只想着同个问题，总共资源王人围绕同件事情张开，那么许多底本存在于大型组织中的合作成本、疏通成本，以及各式不同筹算之间的均衡，就会天然隐藏。

对于咱们来说，当今唯需要念念考的问题，等于：若何才能真实加速科学发现。

除此除外，莫得二个筹算。这种注，本人等于创业大的价值之。

现场不雅众：

还有个问题。

从许多角度来看，今天的大模子竞争似乎属于大型科技公司。检会的模子，需要庞大的筹备资源，需要广宽成本开销，也需要宇宙的数据中心。按照传统逻辑，这些势险些王人集合在大型公司手里。

但现实却恰恰相背。越来越多顶 AI 东说念主才运行流向创业公司。越来越多前沿创新，也运行出当今创业公司。

为什么会这样？

我认为，个相称紧迫的变化，是云筹备的发展。

曩昔，如若你想创办 AI 公司，你险些须我方建设巨额基础设施。今天，这照旧不是须的了。

越来越老成的云平台，让鸿沟很小的创业公司，也能够得到宇宙的筹备资源。你不需要从头建设总共这个词数据中心。也不需要我方搭建完好的基础设施。Google，以偏执他秀的云筹备平台，王人照旧完成了这些劳动。

因此，创业团队可以把多元气心灵放在真实但愿搞定的问题上。

对于咱们来说，亦然样。咱们但愿把沿途留意力王人放在科学研究自动化这件事情上。

如若是在大型公司，这件事情天然也可以作念。Google 有身手因循这样的研究。但唯有十个东说念主驾驭的创业公司，可以领有种相称隧说念的注。每个东说念主每天扣问的，王人是同个问题。不会因为组织鸿沟不断扩大，而出现越来越多颠倒需要合作的事情。

我合计，这是种相称非常的劳动体验。

天然，我并不想因此狡赖大型公司的价值。恰恰相背。曩昔二十七年里，我之是以能够完成许多紧迫劳动，也恰是因为 Google 提供了宇宙上好的工程团队、筹备平台，以及耐久参加基础研究的环境。这些王人是创业公司很难替代的。

是以，我并不认为这是个非此即彼的问题。

大型公司和创业公司，各自王人有适我方的事情。大型公司擅长建设平台、建设基础设施、捏续参加耐久研发。创业公司，则容易围绕个相称明确的问题快速前进。总共这个词行业，其实同期需要这两种力量。

对于我个东说念主来说，离开 Google 并不是因为那里远程契机。恰恰相背。二十七年里，我在那里领有了好的共事，也参与了许多出我方遐想的紧迫劳动。

正因为如斯，我才合计，当今是时候从头运行另段旅程了。

这些许有点令东说念主垂危。毕竟，当你离开劳动了二十七年的公司，运行靠近不同的环境时，总会有些省略情。但与此同期，也正因为如斯，它才令东说念主快乐。

新的问题。新的团队。新的筹算。

我很期待，望望接下来几年，咱们究竟能够作念到什么。

Dawn Song：

Jeff，相称感谢今天与你起追想曩昔，也起瞻望畴昔。

祝愿你开启新的旅程。

也期待 Discovery Group 能够真实匡助科学研究进入个新的期间。

谢谢。

也谢谢今天来到现场的总共东说念主。

我同样期待畴昔会发生什么。手机号码：15222026333相关词条:罐体保温     塑料挤出设备     钢绞线    超细玻璃棉板    万能胶

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定抚顺钢绞线厂，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。