在斯坦福纪念礼堂的聚光灯下，前谷歌首席科学家杰夫·迪恩以创业者身份完成了离职后的首次公开亮相。这场由亚裔美国学者论坛与斯坦福亚裔研究中心联合主办的高规格对话，汇聚了李飞飞、陶哲轩及五位诺贝尔奖得主等顶尖学者，而迪恩与新任meta超级智能实验室AI研究副总裁宋晓冬的同台对谈，更成为观察全球AI人才流动趋势的绝佳窗口。
面对宋晓冬关于技术直觉的追问，迪恩以2017年混合专家模型（MoE）的研发经历破题。他描述当时团队追求的终极目标：构建既能容纳海量知识又能精准激活特定模块的神经网络。"就像人类大脑不会同时处理莎士比亚诗歌和垃圾车警报"，当内部测试显示MoE架构带来十倍训练效率提升时，团队意识到这项技术将重塑行业格局。这种"数量级改善"的判断标准，贯穿其整个技术生涯。
在复盘TensorFlow开发历程时，迪恩坦言最成功的决策在于通过计算图实现模型设计与硬件部署的解耦。"这相当于给厨师提供标准化厨房，而不必每次烹饪都重新搭建炉灶"，开源策略更将深度学习门槛降至全球研究者均可触及的高度。但他也反思早期未引入即时执行模式导致开发体验受挫，以及contrib目录引发的生态混乱："核心框架应该像瑞士军刀般简洁，附加功能应生长在外部生态中。"
谈及Gemini多模态大模型的诞生，迪恩透露项目源于一页整合谷歌三大AI实验室资源的备忘录。他特别强调原生多模态训练的重要性——从项目启动就同步处理文本、图像、视频甚至激光雷达数据。对于早期编程能力投入不足的遗憾，他揭示了一个意外发现：代码训练不仅提升模型逻辑能力，更显著增强了复杂问题拆解能力，"这解释了为何全球顶尖实验室都在强化代码生成方向"。
当被问及如何识别真正具有颠覆性的技术时，迪恩提出"5+2问题筛选法"：理想的研究课题应包含五个已有解决方案雏形的子问题，以及两个完全未知的挑战领域。他以自身经验说明，这种风险收益配比既能保证技术可行性，又留有突破性创新空间。配合"信封背面估算"的工程思维——在动手前快速评估数据规模与计算成本，形成独特的技术判断体系。
面对AI安全领域的尖锐提问，迪恩承认技术双刃剑效应：虽然医疗教育等领域的积极应用占绝大多数，但漏洞挖掘能力的同步增强确实带来风险。他强调解决方案需要超越技术范畴："通过立法明确模型使用边界，同时建立激励机制推动有益应用，这需要整个社会的协同努力。"
在压轴环节，迪恩首次系统阐述新公司Discovery Loop的愿景。这家由四位谷歌前高管创立的公益企业，旨在构建自动化科学发现循环系统。通过AI接管假设生成、实验设计、结果评估等环节，配合实验周期压缩与大规模并行计算技术，形成"科学发现引擎"。初期聚焦机器学习研发自动化，后续将拓展至硬件设计、药物研发等领域。"当实验数量与质量同步提升时，质变效应将超出想象"，迪恩特别强调公司公益属性："我们会做出许多违背商业利益但符合社会价值的决策。"
在观众提问环节，迪恩将创业动机归结为云计算带来的范式转变："当基础设施成为可租赁的商品，小团队也能调用大公司数十年建设的计算资源。"这种技术平权效应，使得十人团队专注单一使命的创业模式，成为可能突破技术边界的新路径。这场对话不仅展现了个体职业轨迹的转折，更揭示了AI领域正在发生的深层变革——当技术底座趋于标准化，创新前沿正从科技巨头向灵活创业团队迁移。
