8 月 7 日，斯坦福大学的舞台上，Jeff Dean 成为"创业者"大约只有 12 个半小时。
就在此前一天午夜，他正式结束了在 Google 长达 27 年的职业生涯——这家公司他 1999 年以第 30 号员工的身份加入，亲眼看着它从 25 人长到 19 万人。
紧接着，他的新公司 Discovery Loop 开始运转。
这不是一次普通的离职。消息一出，Alphabet 市值一天蒸发超过 1800 亿美元。而就在同一周，DeepMind 创始人 Demis Hassabis 也卸任日常管理，转任董事长兼 Alphabet 首席科学家。一个属于谷歌"AI 元老时代"的章节，正在被亲手合上。
但比起"谁走了"，更值得关注的，是离开谷歌的 Jeff Dean 第一次公开亮相，回答了那个所有人都想知道的问题——
AI 的下一个十年，到底是什么？
一、他的答案，可能和你以为的不一样
过去两年，整个行业都在卷一件事：谁的模型更大、参数更多、榜单更高。
但 Jeff Dean 在斯坦福 AASF Summit 的对谈里，反复讲的不是"更大的模型"，而是另一件事：
"下一个阶段的 AI，不只是把模型训练得更聪明，而是把模型放进一个能长期工作、不断试错、自动验证、持续积累能力的系统里。"
换句话说，竞争的焦点，正在从"谁拥有更大的模型"，悄悄转向"谁能更好地组织智能"。
他给了一个判断：2025 年他说"AI 的能力已经接近初级工程师"，一年后回看，这个判断"相当准确"，而且 Agent 化、长程编码的进展比他预期的还快。
但真正让他兴奋的，不是 AI 替你写一段代码，而是——当几十上百个"初级工程师"能并行工作几周，生产的组织方式本身会被改写。
二、Discovery Loop：他要"自动化"的是科学发现本身
对谈的压轴，是他第一次完整地讲清楚新公司在做什么。
核心洞察很朴素：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。
而今天，这个循环的每一个环节，都已经能被 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：
- 速度
：通过合适的工具，把单次实验从一天、一周，压缩到一分钟、一小时；
- 并行度
：同时跑成千上万个实验，用统一基础设施评估每个实验的"期望价值"和算力成本，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。"
路径也很清晰：先从 ML 研发自动化切入——这是反馈回路最短、最容易闭环的地方——再逐步扩展到硬件设计、药物发现、清洁能源。
一句话总结他的赌注：不光 Scaling 模型，更要 Scaling 科学实验和发现本身。
三、为什么是"现在"离开？一个被忽略的真相
很多人问：你在小公司，能做到 Google 做不到的事？
Jeff Dean 的回答很清醒：云计算把基础设施变成了商品。
过去，只有巨头能自建数据中心和完整的机器学习基础设施；今天，一支十人左右的小团队，不用拥有自己的机房，也能直接获得曾经只有大公司才有的算力。
Discovery Loop 就是这样：团队小、目标极度聚焦，而 Google 既是投资方，也是云计算伙伴，早期直接提供算力。
小公司提供"专注"，大公司提供"基础设施"。这不矛盾。
其实回看他 20 多年的工作，这条技术取向一直没变：找那些"已经显露潜力、但还没被充分放大"的方向，再用新系统把它 Scale 上去。
- MoE（混合专家）
是这样——2017 年那篇论文，让模型容量和单次计算成本部分解耦，训练算力和效果之间出现了接近数量级的改善，他立刻判断"这值得推进"；
- TensorFlow
是这样——让研究者感觉不到底层机器，把复杂性留给系统；
- Gemini
也是这样——从一开始就做原生多模态，而不是先训语言模型再"接"视觉。
他判断"真趋势"的方法也很反直觉：与其精读一篇，不如略读十篇；找那种"七个关键环节里五个已经可行、两个还不确定"的中间地带。Discovery Loop，正落在这个地带。
四、风险与社会解法：技术之外的事
对谈中，Dawn Song（UC Berkeley 教授、"计算机安全教母"）抛出一个尖锐问题：评测里已经有 AI Agent 自行突破沙箱的真实案例。
Jeff Dean 的回应务实而清醒：绝大多数用途是积极的——医疗、教育、让普通人完成过去做不到的事；但漏洞挖掘确实是双刃剑，攻防双方都拿到了更强的工具。
他强调，很多答案在技术之外：
"我们需要通过立法和监管，让社会明确表达——不希望这些模型做什么，并大力促进我们希望它们做的事。"
而 Discovery Loop 注册为公益公司（PBC），也是这个逻辑的延伸：公司可以做"不符合短期财务利益、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。
27 年，一个人从谷歌第 30 号员工，走到离开时让市值震动 1800 亿。
他用职业生涯换来的，是一个关于"下一个十年"的判断：
AI 的竞赛，要从"比谁的模型大"，走向"比谁能把智能组织成一个自我运转、自我验证、自我积累的循环"。
当 AI 开始自己做科学，当实验可以压缩到一小时、并行成千上万次——我们这些普通人，最该担心的不是"被取代"，而是"还停在上一个十年的叙事里"。
一个时代落幕了。下一个十年，才刚刚开场。
你觉得，AI 的下一个十年，最大的变量会是什么？欢迎在评论区聊聊。
热门跟贴