8月7日，前 Google 首席科学家 Jeff Dean 在斯坦福纪念礼堂出席 AASF 2026 前沿与先锋峰会，与 UC Berkeley 教授 Dawn Song 展开对谈。这是他宣布离职后的首次公开亮相，也是他首次完整阐述新公司 Discovery Loop 的构想。
对谈从一段回忆开始。2017 年 ICLR 会场，Jeff Dean 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。彼时很少有人预见到，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，和开车时听到垃圾车倒车警报的脑区，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。
注：MoE（混合专家模型）通过稀疏激活机制，在保持模型容量的同时大幅降低计算成本。10x 提升指在同等算力下获得的质量增益。
Jeff 罕见地公开复盘了 TensorFlow 的得与失。做对的核心只有一件事：解耦——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。
TensorFlow 用"计算图"这层统一抽象把两件事隔开，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。
但做错的有两件，也很具体。
没有 eager execution——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。
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。
"应该保持核心的干净，让生态长在外面，而不是长在里面。"
—— Jeff Dean 对 TensorFlow 生态的总结对做平台和开发者工具的团队，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。
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。
"我写了一页 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。
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"一时的风尚"？
Jeff 给出了三条可操作的原则：
注：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、寻找风险收益比恰当的命题、用数量级而非叙事校验可行性。
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：
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。
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。公司注册为公益公司（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。"
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西。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：从第一性原理来看，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。"
—— Jeff Dean 谈 AI 人才流向创业公司的底层逻辑一个诚实的注脚：Jeff 也强调，并非所有问题都能在创业公司解决——前沿 AI 仍然需要大公司的资源与基础设施。但"可租用的算力"正在让这个天平发生倾斜。
当基础设施成为可租用的商品，顶尖科学家的价值从"管理资源"转向"定义问题"。Jeff Dean 用"5+2"框架证明，找到正确的问题比拥有海量算力更重要。而 Discovery Loop 的真正赌注是：科学发现本身可以成为一个可规模化、可自动化的工程过程。AI for Science 的下一个十年，属于那些能提出"恰好超前"问题的人。
Jeff Dean 的新公司 Discovery Loop 已正式启动，首阶段聚焦 ML 研发自动化。
更多 AI 前沿深度报道，敬请持续关注。