Jeff Dean：把规模变成一种思想

截至 2026 年 8 月 6 日，Jeff Dean 的职业身份正在发生二十七年来最重大的改变。他与长期合作者 Sanjay Ghemawat，以及 Oriol Vinyals、Quoc V. Le 离开 Google，共同创办公益公司 Discovery Loop。本文从 MapReduce、Bigtable、Spanner 写到 TensorFlow、TPU、Pathways 与 Gemini，也讨论 Timnit Gebru 事件、AlphaChip 复现争议，以及规模化研究的制度代价。

执行摘要

8 月 5 日，Jeff Dean 与 Sanjay Ghemawat、Oriol Vinyals、Quoc V. Le 宣布离开 Google，共同创办 Discovery Loop。新公司的目标，是用前沿模型和大规模计算自动执行科学与工程中的“提出方案—实验—评估—改进”循环。Google 同时投资该公司，并通过 Google Cloud 提供计算资源。Dean 在接受《连线》采访时表示，他大概会担任首席执行官，不过正式治理结构尚未完整公布。

若把 Dean 的生涯压缩成一句话，可以说：他持续把计算机科学中昂贵、脆弱、需要专家手工处理的问题，改写成普通程序员能够调用的抽象。

MapReduce 隐藏并行化、分布、容错与任务调度；Bigtable 把成千上万台机器上的数据组织成统一存储接口；Spanner 把全球分布式数据库与强一致事务放进同一个系统；DistBelief、TensorFlow 和 Pathways 则把类似的思想带入机器学习训练。他的影响由软件接口延伸到数据中心、AI 加速芯片、模型架构，以及 Google 的研究组织。

Dean 也是一种罕见的产业研究者：他的论文常常源于已经运行的生产系统，论文发表之后又成为学术界和开源世界的基础设施。MapReduce 直接影响 Hadoop 与“大数据”产业；TensorFlow 帮助深度学习从少数研究实验室进入广泛的工程实践；TPU、Pathways 与 Gemini 则体现出他后期更完整的系统观——模型、算法、编译器、互连、芯片和数据中心应当共同设计。

这份声望也附带管理责任。2020 年，Google 伦理人工智能研究者 Timnit Gebru 的离职风波，使 Dean 从备受崇敬的工程领袖，变成公司研究权力、论文审查、种族与性别代表性争议的中心人物。此后，AlphaChip 芯片布局研究又遭遇复现与基准选择方面的质疑；Dean 及合作者坚决维护其技术有效性，批评者则持续要求在公开基准上进行独立验证。两起事件共同提醒人们：当一位科学家同时掌握计算资源、论文审批和组织升迁时，他的判断已经具有制度后果。

他的历史地位很可能不会主要取决于某一篇单独论文。更持久的遗产，是一种反复出现的设计姿态：承认单台机器会失败，承认规模会制造长尾，承认硬件和软件彼此制约，然后构造一个更简单的界面，让下一代工程师在其上工作。

在世界各地长大的程序员

Dean 于 1968 年 7 月出生在夏威夷。父亲 Andy Dean 从事热带疾病研究，母亲 Virginia Lee 是医学人类学家，会多种语言。由于父母的公共卫生工作，他的童年横跨檀香山、马尼拉、波士顿、乌干达西尼罗地区、小石城、摩加迪沙、亚特兰大、日内瓦等地。

在 Dean 的童年叙事里，计算机从一开始便没有脱离现实世界。父亲买来一台 IMSAI 8080 套件机，父子一起焊接扩展部件、编写程序。十三岁时，他随父母前往索马里西部的难民营，提前离开八年级最后几个月。高中与大学暑期，他参与编写流行病学数据收集软件 Epi Info；该工具后来被美国疾病控制与预防中心和世界卫生组织广泛用于现场公共卫生工作。

这段经历更有解释力的部分，在于他很早便看见了软件的另一种形态：程序可以服务于疾病监测、难民救助和跨国公共机构；它需要在硬件有限、网络不稳定、使用者背景复杂的环境里可靠运行。几十年后，他主持的 Google AI 非洲研究中心、洪水预报、医疗与科学应用，仍然带有这种公共卫生时代留下的全球视角。

1990 年，Dean 从明尼苏达大学毕业，取得计算机科学与经济学双专业学士学位，以最高荣誉毕业。他完成了两篇本科论文：一篇研究并行神经网络，一篇分析艾滋病在宏观经济和人口层面的影响。毕业后，他在 1990 至 1991 年间为世界卫生组织全球艾滋病项目工作。

1996 年，他在华盛顿大学取得计算机科学博士学位，导师是 Craig Chambers，研究对象是面向对象程序的全程序优化。编译器研究要求研究者同时理解高级语言语义、程序结构、机器指令和运行时成本。《纽约客》描述，Dean 习惯在写代码时在脑中模拟缓存、内存、磁盘与网络的性能。后来广为流传的“每个程序员都应知道的延迟数字”，正是这种思维的浓缩版本。

博士毕业后，他进入 Digital Equipment Corporation 的西部研究实验室。1999 年中期，Google 仍是一家服务器散乱堆放、索引系统随增长不断逼近极限的年轻公司，Dean 成为早期工程师之一。

Google 的骨架与时间线

Dean 进入 Google 后最早面对的，并非宏大的人工智能问题。2000 年前后，Google 的网页索引开始频繁损坏。一台机器的内存错误可能污染整个索引，工程师只能一遍遍手动排查。Dean 与 Ghemawat 诊断故障、重写系统，使服务能够在廉价硬件不断失效的情况下继续运行。两人随后优化编码、压缩与内存布局，并把常用数据放在硬盘速度更高的外圈区域。他们发现，软件层面的细节可以直接改变公司购买服务器和硬盘的成本结构。

Dean 与 Ghemawat 逐渐形成一种极少见的合作方式。他们会坐在同一台电脑前轮流写代码，也会在各自办公室里同时修改同一套系统。Dean 擅长迅速提出原型和跳跃性的设计，Ghemawat 擅长把设计收紧、简化并长期维护。Google 经理后来常常围绕两人组织团队。

技术贡献：抽象层的阶梯

MapReduce：让失败成为系统的日常

MapReduce 的革命性来自一个看似克制的接口。程序员只需定义 map 与 reduce 两类操作；系统负责切分输入、把任务分配到机器、搬运中间数据、重新执行失败任务并汇总结果。Google 的论文指出，这种模型曾用于索引构建、日志分析、图计算和机器学习等大量内部任务。

此前，大规模并行程序通常要求工程师直接处理网络通信、机器故障、负载均衡与数据位置。MapReduce 把这些困难压入运行时。它也形成一种管理上的效果：团队可以共享同一套计算范式，系统专家集中改进底层，产品工程师则在稳定接口上编写任务。

2004 年论文发表后，MapReduce 成为 Hadoop 的直接思想来源，并推动了随后十余年的“大数据”生态。MapReduce 本身后来也被更灵活的数据流系统补充和替代，不过它确立的核心观念长期保留：大规模计算平台应当把并行与容错作为默认能力。

Bigtable 与 Spanner：把分布式数据变成可依赖的事实

Bigtable 处理结构化数据，可扩展到数千台普通服务器和 PB 级规模。它以稀疏、分布式、多维有序映射组织数据，曾支撑 Google Search、Google Earth、Google Finance 等服务。它没有试图完整复制传统关系数据库，设计重点落在规模、吞吐和可控的数据模型。

Spanner 向前迈出更艰难的一步：在跨数据中心、跨地域运行的数据库里提供外部一致事务。系统使用 TrueTime API，把物理时钟的不确定区间显式放入事务协议，由此在全球复制与强一致语义之间建立可操作的联系。论文把它称作首个在全球尺度分布数据、同时支持外部一致分布式事务的系统。

这两项工作也显示 Dean 式系统设计的演变。Bigtable 接受了一部分传统数据库语义的缺失，以换取可扩展性。Spanner 借助时间基础设施、复制协议与工程投入，逐渐把部分强语义重新带回全球系统。云数据库产业后来广泛采用相似方向。

长尾延迟：平均值掩盖的机器世界

Dean 与 Luiz André Barroso 在《The Tail at Scale》中指出，大规模在线服务的用户体验常由最慢的少数请求决定。一次请求若同时依赖数百台服务器，只需一个组件短暂变慢，整体便可能超时。平均延迟在这里解释力有限。

论文讨论了冗余请求、备份任务、延迟感知调度和选择性增加资源等方法。其影响已经超越 Google：现代云服务的服务等级目标、分位数监控、hedged requests 以及尾延迟优化，都延续了这套认识。该文于 2025 年进入 ACM SIGOPS Hall of Fame。

DistBelief、TensorFlow 与 Pathways：把神经网络放进数据中心

2011 年，Dean 与 Andrew Ng、Greg Corrado 等人创建 Google Brain。早期团队面临的核心问题，是当时的深度学习算法无法方便地利用 Google 级别的机器集群。DistBelief 允许数千台机器训练拥有数十亿参数的神经网络，并提出 Downpour SGD 等分布式优化方式。

2012 年的大规模无监督学习实验使用约一千万帧 YouTube 视频和上万 CPU 核心。网络在没有人工“猫”标签的情况下形成了对猫脸、人脸和人体等概念的选择性响应。媒体后来把它简称为“Google 猫实验”。其科学意义在于证明，大模型、大数据和大规模计算能够共同产生此前难以观察到的表征能力。

DistBelief 仍是一套内部系统。Dean 随后参与设计和实现 TensorFlow，并推动其于 2015 年开源。TensorFlow 用数据流图表示计算，允许同一个程序在 CPU、GPU、TPU、移动设备和分布式集群上运行。它把自动微分、设备放置、并行执行、检查点与模型部署纳入统一生态，使深度学习工程获得了可复制的软件基础。

Pathways 进一步针对超大模型训练。其异步分布式数据流架构让一项计算可以跨数千个加速器执行，同时支持稀疏激活、流水线、数据并行和模型并行。Google 随后用 Pathways 训练 PaLM，并将相关基础设施延伸到 Gemini。

TPU、模型效率与全栈共同设计

Dean 长期主张机器学习进展取决于算法和硬件的共同演化。他参与 TPU 项目及其性能研究。2017 年的 TPU 论文显示，第一代推理芯片围绕大型矩阵乘法单元设计，在 Google 当时的生产神经网络负载上，性能与能效明显高于同期 CPU 和 GPU。精确倍数与工作负载、硬件世代紧密相关，不宜直接套用于今天的芯片比较。

他参与的 word2vec 工作，用较低计算成本学习词语的连续向量表示；模型蒸馏则让较小模型学习大型模型的“软输出”，降低推理成本。两者都体现出同一倾向：模型能力需要能够以可部署的形式进入产品。

主要论文与专利

下表选取具有代表性的工作。Dean 的 Google Research 页面列出数十篇论文，专利数据库还包含多个延续申请和同族专利，因此这是一份筛选目录，不能视为完整书目或法律意义上的专利组合清单。

从工程师到机构领导者

Dean 的影响有三个层次。

第一层是代码和系统。Google 的搜索、广告、索引、存储及机器学习平台，都曾包含他直接参与设计或实现的核心组件。他还参与 Protocol Buffers、LevelDB、代码搜索、性能分析工具和多代查询服务。

第二层是研究议程。他在 2011 年参与创建 Google Brain，推动“扩大数据、模型和计算规模”成为可持续的研究路线。Transformer 论文并非由 Dean 署名；该工作来自他后来领导的 Google Brain / Google Research 组织。Dean 的贡献更接近资源、基础设施与研究方向的塑造，以及把 Transformer、稀疏模型、TPU 和大规模训练整合进更大的技术计划。

第三层是机构设计。2018 年前后，他成为 Google AI 的主要负责人，统筹数千名研究者与工程师。2023 年，Google Brain 和 DeepMind 合并为 Google DeepMind，Dean 升任 Google 首席科学家，向 Sundar Pichai 汇报，与 Demis Hassabis 共同确定研究方向。他的首项战略任务是多模态模型系列，后来成为 Gemini。

Gemini 的名称也由 Dean 提出。Google Brain 与 DeepMind 两支团队刚刚合并，“双子座”既象征两支组织，也呼应 NASA 在水星计划与阿波罗计划之间的 Gemini 工程。Dean 与 Vinyals 共同担任技术负责人，随后又与 Noam Shazeer 等人共同领导模型开发。

这种领导方式具有鲜明的工程师气质。Dean 的公开演讲经常从计算趋势、模型规模和硬件效率讲起，再把医疗、气候、教育或科学发现作为应用方向。他较少使用哲学式的人工通用智能语言，更习惯讨论一项能力需要多少数据、多少算力、何种并行方式，以及怎样将其稳定地提供给用户。

他的主要荣誉包括美国国家工程院院士、ACM Prize in Computing、美国科学促进会 Fellow、美国艺术与科学院院士、IEEE John von Neumann Medal、ACM SIGMOD Systems Award，以及多项 SIGOPS Hall of Fame 长期影响认可。需要说明的是，他没有获得 ACM 图灵奖；截至 2026 年 8 月，ACM 官方获奖名单并不支持网络上偶尔出现的这一误称。

对 AI 与系统研究的深层影响

他把“规模”从结果变量变成了研究变量。 在早期机器学习论文中，计算资源常被视作固定条件。Google Brain 的路线把问题改写为：当训练能够扩展到一万、十万乃至更多处理器时，模型会呈现什么能力；硬件、网络和优化算法需要怎样改变。DistBelief、TPU、Pathways 和 Gemini 都沿着这条路线展开。

他强化了产业研究的“系统论文”传统。 MapReduce、Bigtable、Spanner 和 TensorFlow 论文描述的系统已经经历真实工作负载。论文中的工程选择能够被实践检验，学术界则获得此前只有超大规模公司才能观察到的数据。其局限也很清楚：部分关键数据、硬件和生产环境无法完全公开，独立研究者难以复现实验。AlphaChip 争议后来把这一结构性张力推到台前。

他帮助形成了 AI 的全栈竞争。 现代前沿模型的差异不只来自神经网络结构，也来自训练框架、编译器、集群调度、网络拓扑、芯片、数据治理和服务成本。Dean 的职业跨度恰好覆盖这些层次。他在同一份履历中同时出现 MapReduce、Spanner、TensorFlow、TPU、Pathways 与 Gemini，本身便说明 AI 研究已经与系统工程深度交织。

他的影响高度协作化。 MapReduce 与 Ghemawat 共同完成；Bigtable、Spanner、TensorFlow 和 TPU 都有大型作者团队；word2vec 的核心算法来自 Tomas Mikolov 等人；Google Brain、Gemini 与 AlphaChip 也依赖众多研究者。Dean 的历史地位适合描述为设计者、实现者、召集者与资源组织者的叠加。将所有成果归于个人，会遮蔽 Google 研究文化中庞大的集体劳动。

争议、批评与管理代价

Timnit Gebru 事件

2020 年，Google Ethical AI 团队联合负责人 Timnit Gebru 准备发表一篇讨论大型语言模型环境成本、训练数据偏见和社会风险的论文。Google 要求撤回论文或删除 Google 作者姓名。Gebru 表示自己被解雇；Google 称她提出了附带条件的辞职要求，公司接受了辞职。Dean 在内部邮件中表示，论文没有充分考虑近期研究和减轻相关风险的方法。

事件很快超出单篇论文的范围。研究人员质疑 Google 是否允许内部学者公开批评公司的核心 AI 技术，也质疑审批流程为何在投稿后期介入。Gebru 是少数在大型科技公司担任高级 AI 研究职位的黑人女性之一，她的离开引发关于代表性、权力与职场待遇的广泛抗议。随后，Ethical AI 团队另一位联合负责人 Margaret Mitchell 也被解雇。

作为 Google AI 的负责人，Dean 成为主要批评对象。他长期积累的技术信誉无法替代对程序公正和管理责任的说明。2021 年，他承认公司针对“敏感主题”的论文审查流程令人困惑，并要求研究领导层澄清规则。Google 也承诺调整研究监督机制。

这起事件在 Dean 传记中的分量很重。它揭示了产业实验室内难以消除的冲突：公司希望鼓励开放研究，同时拥有产品、法律和声誉利益；研究负责人既是学术共同体成员，也是企业管理者。Dean 对事件的处理被许多研究者视为程序失败，并削弱了 Google 在负责任 AI 领域的可信度。现有公开材料无法完整重建所有内部讨论，双方对离职性质及论文审批过程仍有分歧。

AlphaChip 的复现之争

2021 年的 Nature 论文提出使用深度强化学习完成芯片宏单元布局。Google 称该方法后来用于多代 TPU、Axion CPU 及其他 Alphabet 芯片，并被 MediaTek 等外部机构扩展。2024 年，论文通过增补材料采用“AlphaChip”名称，并补充部分方法细节。

批评者提出的问题集中在基准、计算资源、预训练、代理目标和可复现性。一些研究团队在公开电路上未能观察到论文所宣称的相对优势；《Communications of the ACM》的评论文章也质疑比较是否使用了足够强的传统布局基线，以及公开材料能否支持独立重复实验。

Dean、Anna Goldie 与 Azalia Mirhoseini 的回应称，部分复现实验没有按论文方式进行预训练，使用的经验收集器和 GPU 数量较少，训练时间不足，测试电路也缺乏现代芯片的代表性。他们援引 Google 内部部署和外部扩展作为方法有效的证据。

双方的证据类型并不对称。Google 掌握生产 TPU 设计和专有物理设计流程；外部研究者依赖公开基准和开源实现。生产使用能够证明方法具有工程价值，却无法单独回答它在公平公开基准上是否优于最佳传统方法。外部负面复现能够提出警告，也可能由于缺少预训练数据、计算规模或内部工具而无法重现原始条件。

截至 2026 年 8 月，公开文献仍未形成足以终结争议的独立共识。较可靠的表述是：AlphaChip 已在 Google 的实际芯片流程中使用，并催生了 AI 芯片设计研究；其公开可复现的性能优势继续受到质疑。关键训练电路、商业 EDA 工具设置和完整生产指标没有全部公开。

离开 Google 之后：Discovery Loop

2025 年至 2026 年上半年，Dean 仍活跃在 Google 的核心 AI 项目和公共演讲中。2026 年 5 月，他以 Google 首席科学家身份参与发布 Gemini 3.5。Google 把这一代模型描述为面向复杂智能体工作流，强调编码、长期任务、多代理协同与低延迟。

他的公开发言越来越频繁地聚焦“AI 自己改进 AI”以及自动化科学发现。2026 年 8 月成立的 Discovery Loop，正是这一方向的组织化结果。公司计划首先把自己当作客户，自动开展机器学习研究和工程实验；长期目标包括材料、芯片、药物、生物学及其他工程领域。系统将提出多个候选方案，利用大规模算力并行执行成千上万次实验，评估结果后继续迭代。

这像是 Dean 早年方法的一次回归。MapReduce 自动处理分布式任务循环；TensorFlow 自动处理计算图与梯度；Pathways 自动调度跨加速器工作负载；Discovery Loop 试图自动处理研究本身的循环。

其技术难度远高于传统系统调度：实验目标可能含糊，评估指标可能被模型利用，物理实验的成本和时间无法像软件任务那样轻易复制，科学发现也要求因果解释、可验证性和负面结果记录。

公司的四位创办人构成了罕见的技术组合。Dean 与 Ghemawat 拥有分布式系统、存储和计算基础设施经验；Quoc V. Le 参与 Google Brain、神经架构搜索和大型模型研究；Vinyals 参与序列到序列学习、AlphaStar、Gemini 和推理模型。Google 既是投资者，又是云计算合作伙伴。这种关系给予创业公司早期算力，也可能使其在商业与研究方向上继续与原雇主保持紧密联系。

遗产评估

Dean 最具历史意义的能力，或许是看见规模改变问题性质的时刻。

在十台机器上，失败像异常；在十万台机器上，失败成为常态。

>

在一个模型上，慢请求只是偶发延迟；在依赖数百个服务的系统里，它决定用户体验。

>

在单块 GPU 上，神经网络是一套算法；在数千块 TPU 上，它同时成为调度、通信、编译和供电问题。

>

在一家拥有巨大算力的公司里，研究判断也会成为资源与职业机会的分配机制。

Dean 处理前三类问题的记录极为出色。他为不可靠机器构造可靠整体，为复杂硬件构造简单接口，为庞大模型构造可扩展训练环境。他在第四类问题上的记录更复杂。Gebru 事件和 AlphaChip 争议说明，工程系统中的容错原则不会自动转化为组织中的开放、申诉和科学复核机制。

他的未来轨迹取决于 Discovery Loop 能否把“规模化实验”转化为可验证的发现。初期最可能取得成果的领域，是评估周期短、反馈可自动测量的机器学习算法、编译器、系统参数和芯片设计。药物、材料和生物科学需要实验室设备、安全审查、因果验证及长期重复试验，进展速度会受到物理世界约束。Discovery Loop 的愿景目前仍处于宣言和招聘阶段，尚无产品、同行评议结果、客户名单、融资规模或经过验证的科学发现公开。

无论创业结果如何，Dean 已经进入计算机史。他与 Ghemawat 共同留下的系统，塑造了互联网公司处理数据的方式；他在 Google Brain 与 TensorFlow 上的工作，帮助建立了现代 AI 的工程地基；TPU、Pathways 和 Gemini 则把模型竞赛推向从芯片到产品的全栈协作。Discovery Loop 让他的生涯形成一个近乎文学性的回环：那个曾经为流行病学家编写数据工具的少年，如今试图让机器参与科学发现本身。

资料边界

本文资料截至 2026 年 8 月 6 日。由于 Discovery Loop 公布仅约一天，Dean 的正式职称、公司总部、融资规模、Google 持股或投资条款、首批员工、客户及产品路线仍可能迅速变化。《连线》报道中的“CEO”来自 Dean 较为随意的自我描述，公司官网只列“创办团队”，因此本文将其称为联合创办人，并把首席执行官身份列为尚待正式确认。

Google Research、X、KDD 等页面仍可能保留旧职务。它们可用于还原截至 2026 年 8 月初之前的职业记录，无法单独证明其当前仍担任 Google 首席科学家。Reuters、《连线》、Discovery Loop 官网以及 Dean 本人公告提供了更及时的信息。

Dean 没有公开的、经过持续维护的完整专利目录。Google Patents 会把延续申请、分案申请和同族专利分别列出；仅凭数量容易重复计算。本文只列出与其代表性技术直接相关的专利家族。

主要资料

• Discovery Loop — Continuous Exploration
• Reuters：Google shakes up AI leadership as DeepMind chief shifts role
• WIRED：Google’s Top AI Brains Are Leaving to Launch Discovery Loop
• Google Research：Jeff Dean
• The New Yorker：The Friendship That Made Google Huge
• USENIX：MapReduce
• USENIX：Bigtable
• USENIX：Spanner
• Google Research：Large Scale Distributed Deep Networks
• USENIX：TensorFlow: A System for Large-Scale Machine Learning
• Google Research：The Tail at Scale
• Google DeepMind：How AlphaChip transformed computer chip design
• ACM：Jeffrey A. Dean Award Profile
• Reuters：Timnit Gebru 离职事件