TL;DR： 作为Google的核心大脑，Jeff Dean正在将关注点从单纯的模型规模转向系统级的“上下文工程”。他认为AI的下一阶段是构建能自主试错、验证并不断积累技能的长期运行Agent系统。
2026 年的 YC Startup School 上，Jeff Dean 的声音有些沙哑。访谈伊始，他便解释自己失声了，听起来和平时不太一样。但这并没有影响台下听众的注意力。坐在他面前的 YC 合伙人 Diana Hu，列出了一串足以写进计算机史的名字：MapReduce、BigTable、TensorFlow、TPU、Gemini。
对于任何一名工程师而言，其中任何一个项目都足以作为职业生涯的巅峰。它们却集中出现在 Jeff Dean 和他身边那群 Google 工程师的履历里。然而，这位被视为“Google 灵魂工程师”的领袖，并没有把这次访谈变成一次功绩回顾。相反，他表现出了一种罕见的、近乎严苛的冷静。当生成式 AI 已经席卷软件行业时，Jeff Dean 这种最擅长从底层重构系统的人，究竟在看什么？
重新定义“初级工程师”的边界
2025 年 5 月，Jeff Dean 曾抛出一个引发广泛讨论的判断：AI 的能力已经接近一名初级工程师。一年后，当再次被问及这一预言时，他依然坚持这一看法，甚至认为模型在 Agent 化、长流程任务上的进步速度超出了他的预期。
但他很快修正了关注点：“把 AI 类比成初级工程师，容易让人把注意力放在人力替代上。但更重要的变化是，当一个‘初级工程师’可以复制成几十个、几百个，并行工作几天甚至几周时，组织生产的方式会发生什么变化？”
Jeff Dean 认为，AI 时代的真正单位不再是一次问答，而是一次完整的闭环：提出方案、执行方案、测量结果、修正方向。他预言，机器学习系统会越来越多地参与改进机器学习系统本身。
算力与数据的“常识”重构
Jeff Dean 的传奇往往始于一道朴素的算术题。2001 年，他通过推算发现 Google 的索引可以完全装入内存，从而彻底重构了搜索系统。到了 TPU 的诞生，他再次展现了这种能力：因为预见到语音识别性能提升后带来的巨大算力需求，他主导了专用硬件的设计。
“数据搬运比计算贵 1000 倍。”这是他给 2026 年工程师的核心忠告。他强调，现代 AI 系统中，昂贵的动作往往不是“算”，而是搬运数据。因此，批处理、低精度计算以及为了推理优化而设计的专用硬件，才是解决 AI 成本瓶颈的关键。
上下文工程：AI 的新“工具腰带”
在 Jeff Dean 眼中，模型仅仅是一个零件。一个真正有用的 AI 系统，需要检索、工具、记忆、执行环境和反馈机制。这正是“上下文工程”走到舞台中央的原因。
他将工程师的职业生涯比作一条“工具腰带”：你永远不知道未来会遇到什么问题，所以必须不断添加新工具。对他而言，一个好的 Agent 系统不仅能写代码，更重要的是拥有“技能”文件——将团队多年的隐性经验、排障流程和验证标准封装其中。
寻找那些“成功率只有 1%”的问题
对于创业者，Jeff Dean 的建议并不浪漫。他认为小团队不要去做那些通用模型已经能做到 20% 的事情，因为那极易被平台覆盖。相反，应该寻找那些通用模型当前成功率接近 0% 或 1% 的深水区。
“如果模型完全失败，这可能是一个好迹象。如果它已经能做一部分，那反而未必是好迹象。”他解释道，真正的机会位于领域专有数据、专业验证器以及窄深模型（如 AlphaFold 式的突破）的交界处。
审稿人与未来视角
谈及 2014 年那篇被 NeurIPS 拒绝的知识蒸馏论文，Jeff Dean 没有流露出愤怒。他将此视为评价体系的常态化盲区。一个方案的真正价值，往往只有那些深陷系统瓶颈的人才能理解。
在访谈的最后，他谈到了对未来年轻人的建议。他认为，与其在“加入大厂还是创业”之间纠结，不如问自己一个最根本的问题：如果我解决了这个问题，并且最好的结果真的发生了，世界会因此明显变好吗？
这种老派工程师的质朴，贯穿了他从 MapReduce 到 Gemini 的职业生涯。无论时代如何更迭，他依然在坚持那套不变的法则：先算清数量级，质疑默认假设，建立简洁抽象，然后尽力让世界变得更好。