一场备受瞩目的行业对话近日在美国斯坦福大学举行。此次活动由亚裔学者论坛主办，旨在表彰亚裔群体在科技创新领域的卓越贡献，并围绕人工智能、生命科学、能源等前沿议题展开深度交流。作为亚裔科技界年度盛会，该论坛的影响力持续扩大，吸引了全球科研工作者的广泛关注。
对话由加州大学伯克利分校教授宋晓冬主持，她长期深耕人工智能安全领域，研究成果享誉国际。特邀嘉宾是谷歌前首席科学家杰夫·迪恩，他主导开发了MapReduce、TensorFlow等关键技术，为现代人工智能基础设施奠定了重要基础。此次对话恰逢迪恩宣布结束长达27年的谷歌生涯、创立新公司Discovery Loop之际，成为其创业后的首次公开深度访谈。
迪恩回顾了Mixture of Experts（MoE）架构的诞生过程。他指出，传统模型在提升容量时面临计算效率瓶颈，而MoE通过模块化设计解决了这一难题。该架构借鉴人脑工作机制，仅激活与任务相关的专家模块，在保持模型容量的同时大幅降低计算成本。实验数据显示，MoE在训练效率上较传统模型提升近十倍，这项突破性成果现已成为前沿大模型的标配架构。
谈及深度学习的发展轨迹，迪恩认为其最大价值在于统一了计算机视觉、语音识别、自然语言处理等独立领域。他指出，2011至2012年间，神经网络规模的指数级增长带来了图像分类错误率显著下降等突破，这促使科研界意识到数据驱动方法的普适性。如今，深度学习框架已成为跨学科研究的基础工具，推动AI技术向医疗、科研等更多领域渗透。
作为TensorFlow的核心开发者，迪恩分享了该框架的设计哲学。他强调，抽象化计算图与硬件解耦的设计理念，使研究者能专注于模型构建而非底层实现。开源策略则解决了科研成果复现难题，加速了技术迭代。他也坦陈早期版本存在静态计算图不够直观、contrib模块管理混乱等缺陷，这些经验为后续框架开发提供了重要参考。
针对AI Agent快速发展带来的安全挑战，迪恩提出技术治理需双管齐下。他以网络安全领域为例，指出AI既能强化攻击手段也能提升防御能力，这种技术中立性要求社会建立更完善的监管体系。对于就业结构变化等深层影响，他援引与多位学者联合撰写的论文，强调需持续研究AI对劳动力市场的长期影响，并呼吁构建法律、伦理与技术协同的治理框架。
在解释创立Discovery Loop的动机时，迪恩描绘了科研自动化的未来图景。他表示，新公司将聚焦于构建能够自主设计实验、分析数据并优化流程的智能系统，通过加速科研迭代周期推动人类知识边界拓展。作为公共利益公司，Discovery Loop将在商业利益与科学公益间寻求平衡，确保技术成果惠及更广泛的研究群体。
当被问及创业与在大型科技公司工作的差异时，迪恩强调小团队的高度专注是其核心优势。他指出，云计算的普及使创业公司能以低成本获取顶级计算资源，这种技术平权效应正在重塑AI创新生态。对于谷歌的后续发展，他认为公司强大的工程能力与持续投入基础研究的传统，将继续支撑其在AI领域的领导地位。
