Jeff Dean：把規模變成一種思想

截至 2026 年 8 月 6 日，Jeff Dean 的職業身份正在發生二十七年來最重大的改變。他與長期合作者 Sanjay Ghemawat，以及 Oriol Vinyals、Quoc V. Le 離開 Google，共同創辦公益公司 Discovery Loop。本文從 MapReduce、Bigtable、Spanner 寫到 TensorFlow、TPU、Pathways 與 Gemini，也討論 Timnit Gebru 事件、AlphaChip 復現爭議，以及規模化研究的制度代價。

執行摘要

8 月 5 日，Jeff Dean 與 Sanjay Ghemawat、Oriol Vinyals、Quoc V. Le 宣布離開 Google，共同創辦 Discovery Loop。新公司的目標，是用前沿模型和大規模計算自動執行科學與工程中的“提出方案—實驗—評估—改進”循環。Google 同時投資該公司，并通過 Google Cloud 提供計算資源。Dean 在接受《連線》采訪時表示，他大概會擔任首席執行官，不過正式治理結構尚未完整公布。

若把 Dean 的生涯壓縮成一句話，可以說：他持續把計算機科學中昂貴、脆弱、需要專家手工處理的問題，改寫成普通程序員能夠調用的抽象。

MapReduce 隱藏并行化、分布、容錯與任務調度；Bigtable 把成千上萬臺機器上的數據組織成統一存儲接口；Spanner 把全球分布式數據庫與強一致事務放進同一個系統；DistBelief、TensorFlow 和 Pathways 則把類似的思想帶入機器學習訓練。他的影響由軟件接口延伸到數據中心、AI 加速芯片、模型架構，以及 Google 的研究組織。

Dean 也是一種罕見的產業研究者：他的論文常常源于已經運行的生產系統，論文發表之后又成為學術界和開源世界的基礎設施。MapReduce 直接影響 Hadoop 與“大數據”產業；TensorFlow 幫助深度學習從少數研究實驗室進入廣泛的工程實踐；TPU、Pathways 與 Gemini 則體現出他后期更完整的系統觀——模型、算法、編譯器、互連、芯片和數據中心應當共同設計。

這份聲望也附帶管理責任。2020 年，Google 倫理人工智能研究者 Timnit Gebru 的離職風波，使 Dean 從備受崇敬的工程領袖，變成公司研究權力、論文審查、種族與性別代表性爭議的中心人物。此后，AlphaChip 芯片布局研究又遭遇復現與基準選擇方面的質疑；Dean 及合作者堅決維護其技術有效性，批評者則持續要求在公開基準上進行獨立驗證。兩起事件共同提醒人們：當一位科學家同時掌握計算資源、論文審批和組織升遷時，他的判斷已經具有制度后果。

他的歷史地位很可能不會主要取決于某一篇單獨論文。更持久的遺產，是一種反復出現的設計姿態：承認單臺機器會失敗，承認規模會制造長尾，承認硬件和軟件彼此制約，然后構造一個更簡單的界面，讓下一代工程師在其上工作。

在世界各地長大的程序員

Dean 于 1968 年 7 月出生在夏威夷。父親 Andy Dean 從事熱帶疾病研究，母親 Virginia Lee 是醫學人類學家，會多種語言。由于父母的公共衛生工作，他的童年橫跨檀香山、馬尼拉、波士頓、烏干達西尼羅地區、小石城、摩加迪沙、亞特蘭大、日內瓦等地。

在 Dean 的童年敘事里，計算機從一開始便沒有脫離現實世界。父親買來一臺 IMSAI 8080 套件機，父子一起焊接擴展部件、編寫程序。十三歲時，他隨父母前往索馬里西部的難民營，提前離開八年級最后幾個月。高中與大學暑期，他參與編寫流行病學數據收集軟件 Epi Info；該工具后來被美國疾病控制與預防中心和世界衛生組織廣泛用于現場公共衛生工作。

這段經歷更有解釋力的部分，在于他很早便看見了軟件的另一種形態：程序可以服務于疾病監測、難民救助和跨國公共機構；它需要在硬件有限、網絡不穩定、使用者背景復雜的環境里可靠運行。幾十年后，他主持的 Google AI 非洲研究中心、洪水預報、醫療與科學應用，仍然帶有這種公共衛生時代留下的全球視角。

1990 年，Dean 從明尼蘇達大學畢業，取得計算機科學與經濟學雙專業學士學位，以最高榮譽畢業。他完成了兩篇本科論文：一篇研究并行神經網絡，一篇分析艾滋病在宏觀經濟和人口層面的影響。畢業后，他在 1990 至 1991 年間為世界衛生組織全球艾滋病項目工作。

1996 年，他在華盛頓大學取得計算機科學博士學位，導師是 Craig Chambers，研究對象是面向對象程序的全程序優化。編譯器研究要求研究者同時理解高級語言語義、程序結構、機器指令和運行時成本。《紐約客》描述，Dean 習慣在寫代碼時在腦中模擬緩存、內存、磁盤與網絡的性能。后來廣為流傳的“每個程序員都應知道的延遲數字”，正是這種思維的濃縮版本。

博士畢業后，他進入 Digital Equipment Corporation 的西部研究實驗室。1999 年中期，Google 仍是一家服務器散亂堆放、索引系統隨增長不斷逼近極限的年輕公司，Dean 成為早期工程師之一。

Google 的骨架與時間線

Dean 進入 Google 后最早面對的，并非宏大的人工智能問題。2000 年前后，Google 的網頁索引開始頻繁損壞。一臺機器的內存錯誤可能污染整個索引，工程師只能一遍遍手動排查。Dean 與 Ghemawat 診斷故障、重寫系統，使服務能夠在廉價硬件不斷失效的情況下繼續運行。兩人隨后優化編碼、壓縮與內存布局，并把常用數據放在硬盤速度更高的外圈區域。他們發現，軟件層面的細節可以直接改變公司購買服務器和硬盤的成本結構。

Dean 與 Ghemawat 逐漸形成一種極少見的合作方式。他們會坐在同一臺電腦前輪流寫代碼，也會在各自辦公室里同時修改同一套系統。Dean 擅長迅速提出原型和跳躍性的設計，Ghemawat 擅長把設計收緊、簡化并長期維護。Google 經理后來常常圍繞兩人組織團隊。

技術貢獻：抽象層的階梯

MapReduce：讓失敗成為系統的日常

MapReduce 的革命性來自一個看似克制的接口。程序員只需定義 map 與 reduce 兩類操作；系統負責切分輸入、把任務分配到機器、搬運中間數據、重新執行失敗任務并匯總結果。Google 的論文指出，這種模型曾用于索引構建、日志分析、圖計算和機器學習等大量內部任務。

此前，大規模并行程序通常要求工程師直接處理網絡通信、機器故障、負載均衡與數據位置。MapReduce 把這些困難壓入運行時。它也形成一種管理上的效果：團隊可以共享同一套計算范式，系統專家集中改進底層，產品工程師則在穩定接口上編寫任務。

2004 年論文發表后，MapReduce 成為 Hadoop 的直接思想來源，并推動了隨后十余年的“大數據”生態。MapReduce 本身后來也被更靈活的數據流系統補充和替代，不過它確立的核心觀念長期保留：大規模計算平臺應當把并行與容錯作為默認能力。

Bigtable 與 Spanner：把分布式數據變成可依賴的事實

Bigtable 處理結構化數據，可擴展到數千臺普通服務器和 PB 級規模。它以稀疏、分布式、多維有序映射組織數據，曾支撐 Google Search、Google Earth、Google Finance 等服務。它沒有試圖完整復制傳統關系數據庫，設計重點落在規模、吞吐和可控的數據模型。

Spanner 向前邁出更艱難的一步：在跨數據中心、跨地域運行的數據庫里提供外部一致事務。系統使用 TrueTime API，把物理時鐘的不確定區間顯式放入事務協議，由此在全球復制與強一致語義之間建立可操作的聯系。論文把它稱作首個在全球尺度分布數據、同時支持外部一致分布式事務的系統。

這兩項工作也顯示 Dean 式系統設計的演變。Bigtable 接受了一部分傳統數據庫語義的缺失，以換取可擴展性。Spanner 借助時間基礎設施、復制協議與工程投入，逐漸把部分強語義重新帶回全球系統。云數據庫產業后來廣泛采用相似方向。

長尾延遲：平均值掩蓋的機器世界

Dean 與 Luiz André Barroso 在《The Tail at Scale》中指出，大規模在線服務的用戶體驗常由最慢的少數請求決定。一次請求若同時依賴數百臺服務器，只需一個組件短暫變慢，整體便可能超時。平均延遲在這里解釋力有限。

論文討論了冗余請求、備份任務、延遲感知調度和選擇性增加資源等方法。其影響已經超越 Google：現代云服務的服務等級目標、分位數監控、hedged requests 以及尾延遲優化，都延續了這套認識。該文于 2025 年進入 ACM SIGOPS Hall of Fame。

DistBelief、TensorFlow 與 Pathways：把神經網絡放進數據中心

2011 年，Dean 與 Andrew Ng、Greg Corrado 等人創建 Google Brain。早期團隊面臨的核心問題，是當時的深度學習算法無法方便地利用 Google 級別的機器集群。DistBelief 允許數千臺機器訓練擁有數十億參數的神經網絡，并提出 Downpour SGD 等分布式優化方式。

2012 年的大規模無監督學習實驗使用約一千萬幀 YouTube 視頻和上萬 CPU 核心。網絡在沒有人工“貓”標簽的情況下形成了對貓臉、人臉和人體等概念的選擇性響應。媒體后來把它簡稱為“Google 貓實驗”。其科學意義在于證明，大模型、大數據和大規模計算能夠共同產生此前難以觀察到的表征能力。

DistBelief 仍是一套內部系統。Dean 隨后參與設計和實現 TensorFlow，并推動其于 2015 年開源。TensorFlow 用數據流圖表示計算，允許同一個程序在 CPU、GPU、TPU、移動設備和分布式集群上運行。它把自動微分、設備放置、并行執行、檢查點與模型部署納入統一生態，使深度學習工程獲得了可復制的軟件基礎。

Pathways 進一步針對超大模型訓練。其異步分布式數據流架構讓一項計算可以跨數千個加速器執行，同時支持稀疏激活、流水線、數據并行和模型并行。Google 隨后用 Pathways 訓練 PaLM，并將相關基礎設施延伸到 Gemini。

TPU、模型效率與全棧共同設計

Dean 長期主張機器學習進展取決于算法和硬件的共同演化。他參與 TPU 項目及其性能研究。2017 年的 TPU 論文顯示，第一代推理芯片圍繞大型矩陣乘法單元設計，在 Google 當時的生產神經網絡負載上，性能與能效明顯高于同期 CPU 和 GPU。精確倍數與工作負載、硬件世代緊密相關，不宜直接套用于今天的芯片比較。

他參與的 word2vec 工作，用較低計算成本學習詞語的連續向量表示；模型蒸餾則讓較小模型學習大型模型的“軟輸出”，降低推理成本。兩者都體現出同一傾向：模型能力需要能夠以可部署的形式進入產品。

主要論文與專利

下表選取具有代表性的工作。Dean 的 Google Research 頁面列出數十篇論文，專利數據庫還包含多個延續申請和同族專利，因此這是一份篩選目錄，不能視為完整書目或法律意義上的專利組合清單。

從工程師到機構領導者

Dean 的影響有三個層次。

第一層是代碼和系統。Google 的搜索、廣告、索引、存儲及機器學習平臺，都曾包含他直接參與設計或實現的核心組件。他還參與 Protocol Buffers、LevelDB、代碼搜索、性能分析工具和多代查詢服務。

第二層是研究議程。他在 2011 年參與創建 Google Brain，推動“擴大數據、模型和計算規模”成為可持續的研究路線。Transformer 論文并非由 Dean 署名；該工作來自他后來領導的 Google Brain / Google Research 組織。Dean 的貢獻更接近資源、基礎設施與研究方向的塑造，以及把 Transformer、稀疏模型、TPU 和大規模訓練整合進更大的技術計劃。

第三層是機構設計。2018 年前后，他成為 Google AI 的主要負責人，統籌數千名研究者與工程師。2023 年，Google Brain 和 DeepMind 合并為 Google DeepMind，Dean 升任 Google 首席科學家，向 Sundar Pichai 匯報，與 Demis Hassabis 共同確定研究方向。他的首項戰略任務是多模態模型系列，后來成為 Gemini。

Gemini 的名稱也由 Dean 提出。Google Brain 與 DeepMind 兩支團隊剛剛合并，“雙子座”既象征兩支組織，也呼應 NASA 在水星計劃與阿波羅計劃之間的 Gemini 工程。Dean 與 Vinyals 共同擔任技術負責人，隨后又與 Noam Shazeer 等人共同領導模型開發。

這種領導方式具有鮮明的工程師氣質。Dean 的公開演講經常從計算趨勢、模型規模和硬件效率講起，再把醫療、氣候、教育或科學發現作為應用方向。他較少使用哲學式的人工通用智能語言，更習慣討論一項能力需要多少數據、多少算力、何種并行方式，以及怎樣將其穩定地提供給用戶。

他的主要榮譽包括美國國家工程院院士、ACM Prize in Computing、美國科學促進會 Fellow、美國藝術與科學院院士、IEEE John von Neumann Medal、ACM SIGMOD Systems Award，以及多項 SIGOPS Hall of Fame 長期影響認可。需要說明的是，他沒有獲得 ACM 圖靈獎；截至 2026 年 8 月，ACM 官方獲獎名單并不支持網絡上偶爾出現的這一誤稱。

對 AI 與系統研究的深層影響

他把“規模”從結果變量變成了研究變量。 在早期機器學習論文中，計算資源常被視作固定條件。Google Brain 的路線把問題改寫為：當訓練能夠擴展到一萬、十萬乃至更多處理器時，模型會呈現什么能力；硬件、網絡和優化算法需要怎樣改變。DistBelief、TPU、Pathways 和 Gemini 都沿著這條路線展開。

他強化了產業研究的“系統論文”傳統。 MapReduce、Bigtable、Spanner 和 TensorFlow 論文描述的系統已經經歷真實工作負載。論文中的工程選擇能夠被實踐檢驗，學術界則獲得此前只有超大規模公司才能觀察到的數據。其局限也很清楚：部分關鍵數據、硬件和生產環境無法完全公開，獨立研究者難以復現實驗。AlphaChip 爭議后來把這一結構性張力推到臺前。

他幫助形成了 AI 的全棧競爭。 現代前沿模型的差異不只來自神經網絡結構，也來自訓練框架、編譯器、集群調度、網絡拓撲、芯片、數據治理和服務成本。Dean 的職業跨度恰好覆蓋這些層次。他在同一份履歷中同時出現 MapReduce、Spanner、TensorFlow、TPU、Pathways 與 Gemini，本身便說明 AI 研究已經與系統工程深度交織。

他的影響高度協作化。 MapReduce 與 Ghemawat 共同完成；Bigtable、Spanner、TensorFlow 和 TPU 都有大型作者團隊；word2vec 的核心算法來自 Tomas Mikolov 等人；Google Brain、Gemini 與 AlphaChip 也依賴眾多研究者。Dean 的歷史地位適合描述為設計者、實現者、召集者與資源組織者的疊加。將所有成果歸于個人，會遮蔽 Google 研究文化中龐大的集體勞動。

爭議、批評與管理代價

Timnit Gebru 事件

2020 年，Google Ethical AI 團隊聯合負責人 Timnit Gebru 準備發表一篇討論大型語言模型環境成本、訓練數據偏見和社會風險的論文。Google 要求撤回論文或刪除 Google 作者姓名。Gebru 表示自己被解雇；Google 稱她提出了附帶條件的辭職要求，公司接受了辭職。Dean 在內部郵件中表示，論文沒有充分考慮近期研究和減輕相關風險的方法。

事件很快超出單篇論文的范圍。研究人員質疑 Google 是否允許內部學者公開批評公司的核心 AI 技術，也質疑審批流程為何在投稿后期介入。Gebru 是少數在大型科技公司擔任高級 AI 研究職位的黑人女性之一，她的離開引發關于代表性、權力與職場待遇的廣泛抗議。隨后，Ethical AI 團隊另一位聯合負責人 Margaret Mitchell 也被解雇。

作為 Google AI 的負責人，Dean 成為主要批評對象。他長期積累的技術信譽無法替代對程序公正和管理責任的說明。2021 年，他承認公司針對“敏感主題”的論文審查流程令人困惑，并要求研究領導層澄清規則。Google 也承諾調整研究監督機制。

這起事件在 Dean 傳記中的分量很重。它揭示了產業實驗室內難以消除的沖突：公司希望鼓勵開放研究，同時擁有產品、法律和聲譽利益；研究負責人既是學術共同體成員，也是企業管理者。Dean 對事件的處理被許多研究者視為程序失敗，并削弱了 Google 在負責任 AI 領域的可信度。現有公開材料無法完整重建所有內部討論，雙方對離職性質及論文審批過程仍有分歧。

AlphaChip 的復現之爭

2021 年的 Nature 論文提出使用深度強化學習完成芯片宏單元布局。Google 稱該方法后來用于多代 TPU、Axion CPU 及其他 Alphabet 芯片，并被 MediaTek 等外部機構擴展。2024 年，論文通過增補材料采用“AlphaChip”名稱，并補充部分方法細節。

批評者提出的問題集中在基準、計算資源、預訓練、代理目標和可復現性。一些研究團隊在公開電路上未能觀察到論文所宣稱的相對優勢；《Communications of the ACM》的評論文章也質疑比較是否使用了足夠強的傳統布局基線，以及公開材料能否支持獨立重復實驗。

Dean、Anna Goldie 與 Azalia Mirhoseini 的回應稱，部分復現實驗沒有按論文方式進行預訓練，使用的經驗收集器和 GPU 數量較少，訓練時間不足，測試電路也缺乏現代芯片的代表性。他們援引 Google 內部部署和外部擴展作為方法有效的證據。

雙方的證據類型并不對稱。Google 掌握生產 TPU 設計和專有物理設計流程；外部研究者依賴公開基準和開源實現。生產使用能夠證明方法具有工程價值，卻無法單獨回答它在公平公開基準上是否優于最佳傳統方法。外部負面復現能夠提出警告，也可能由于缺少預訓練數據、計算規模或內部工具而無法重現原始條件。

截至 2026 年 8 月，公開文獻仍未形成足以終結爭議的獨立共識。較可靠的表述是：AlphaChip 已在 Google 的實際芯片流程中使用，并催生了 AI 芯片設計研究；其公開可復現的性能優勢繼續受到質疑。關鍵訓練電路、商業 EDA 工具設置和完整生產指標沒有全部公開。

離開 Google 之后：Discovery Loop

2025 年至 2026 年上半年，Dean 仍活躍在 Google 的核心 AI 項目和公共演講中。2026 年 5 月，他以 Google 首席科學家身份參與發布 Gemini 3.5。Google 把這一代模型描述為面向復雜智能體工作流，強調編碼、長期任務、多代理協同與低延遲。

他的公開發言越來越頻繁地聚焦“AI 自己改進 AI”以及自動化科學發現。2026 年 8 月成立的 Discovery Loop，正是這一方向的組織化結果。公司計劃首先把自己當作客戶，自動開展機器學習研究和工程實驗；長期目標包括材料、芯片、藥物、生物學及其他工程領域。系統將提出多個候選方案，利用大規模算力并行執行成千上萬次實驗，評估結果后繼續迭代。

這像是 Dean 早年方法的一次回歸。MapReduce 自動處理分布式任務循環；TensorFlow 自動處理計算圖與梯度；Pathways 自動調度跨加速器工作負載；Discovery Loop 試圖自動處理研究本身的循環。

其技術難度遠高于傳統系統調度：實驗目標可能含糊，評估指標可能被模型利用，物理實驗的成本和時間無法像軟件任務那樣輕易復制，科學發現也要求因果解釋、可驗證性和負面結果記錄。

公司的四位創辦人構成了罕見的技術組合。Dean 與 Ghemawat 擁有分布式系統、存儲和計算基礎設施經驗；Quoc V. Le 參與 Google Brain、神經架構搜索和大型模型研究；Vinyals 參與序列到序列學習、AlphaStar、Gemini 和推理模型。Google 既是投資者，又是云計算合作伙伴。這種關系給予創業公司早期算力，也可能使其在商業與研究方向上繼續與原雇主保持緊密聯系。

遺產評估

Dean 最具歷史意義的能力，或許是看見規模改變問題性質的時刻。

在十臺機器上，失敗像異常；在十萬臺機器上，失敗成為常態。

>

在一個模型上，慢請求只是偶發延遲；在依賴數百個服務的系統里，它決定用戶體驗。

>

在單塊 GPU 上，神經網絡是一套算法；在數千塊 TPU 上，它同時成為調度、通信、編譯和供電問題。

>

在一家擁有巨大算力的公司里，研究判斷也會成為資源與職業機會的分配機制。

Dean 處理前三類問題的記錄極為出色。他為不可靠機器構造可靠整體，為復雜硬件構造簡單接口，為龐大模型構造可擴展訓練環境。他在第四類問題上的記錄更復雜。Gebru 事件和 AlphaChip 爭議說明，工程系統中的容錯原則不會自動轉化為組織中的開放、申訴和科學復核機制。

他的未來軌跡取決于 Discovery Loop 能否把“規模化實驗”轉化為可驗證的發現。初期最可能取得成果的領域，是評估周期短、反饋可自動測量的機器學習算法、編譯器、系統參數和芯片設計。藥物、材料和生物科學需要實驗室設備、安全審查、因果驗證及長期重復試驗，進展速度會受到物理世界約束。Discovery Loop 的愿景目前仍處于宣言和招聘階段，尚無產品、同行評議結果、客戶名單、融資規模或經過驗證的科學發現公開。

無論創業結果如何，Dean 已經進入計算機史。他與 Ghemawat 共同留下的系統，塑造了互聯網公司處理數據的方式；他在 Google Brain 與 TensorFlow 上的工作，幫助建立了現代 AI 的工程地基；TPU、Pathways 和 Gemini 則把模型競賽推向從芯片到產品的全棧協作。Discovery Loop 讓他的生涯形成一個近乎文學性的回環：那個曾經為流行病學家編寫數據工具的少年，如今試圖讓機器參與科學發現本身。

資料邊界

本文資料截至 2026 年 8 月 6 日。由于 Discovery Loop 公布僅約一天，Dean 的正式職稱、公司總部、融資規模、Google 持股或投資條款、首批員工、客戶及產品路線仍可能迅速變化。《連線》報道中的“CEO”來自 Dean 較為隨意的自我描述，公司官網只列“創辦團隊”，因此本文將其稱為聯合創辦人，并把首席執行官身份列為尚待正式確認。

Google Research、X、KDD 等頁面仍可能保留舊職務。它們可用于還原截至 2026 年 8 月初之前的職業記錄，無法單獨證明其當前仍擔任 Google 首席科學家。Reuters、《連線》、Discovery Loop 官網以及 Dean 本人公告提供了更及時的信息。

Dean 沒有公開的、經過持續維護的完整專利目錄。Google Patents 會把延續申請、分案申請和同族專利分別列出；僅憑數量容易重復計算。本文只列出與其代表性技術直接相關的專利家族。

主要資料

• 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 離職事件