#426.谷歌传奇 Jeff Dean 深度访谈：Gemini 的演进、硬件协同与 AI 编程的未来

episode

跨国串门儿计划 not yet transcribed

▲ 0

Transcript

This episode hasn't been transcribed yet Upvotes decide what gets transcribed next — 0 so far. Sign in to upvote

More from 跨国串门儿计划

#365.风险共担与非对称性：塔勒布对话纳瓦尔，拆解真实世界的运行逻辑 1h 9m · 20 Dec 2025

All episodes from 跨国串门儿计划 →

Report any issue

Source

Recorded19 Feb 2026

Publisherfeed.xyzfm.space ↗

Handlerec:16005054

Show notes

📝 本期播客简介本期我们克隆了：硅谷前沿 AI 播客《Latent Space》The AI Frontier: from Gemini 3 Deep Think distilling to Flash — Jeff Dean本期嘉宾是谷歌（Google）的首席 AI 科学家、分布式系统与深度学习领域的泰斗级人物 Jeff Dean。在这场深度对话中，Jeff Dean 揭秘了 Gemini 系列模型背后的设计哲学。你将听到他如何解释“为了得到强的小模型，必须先做出大的”这一蒸馏逻辑，以及他如何从能量消耗的底层视角重新定义批处理（Batching）的必要性。Jeff 还回顾了 Google Brain 的诞生往事，分享了他在 1990 年本科论文中就展现出的对神经网络规模化的预见性。此外，他详细探讨了硬件与算法协同设计的复杂周期，并对未来 AI 编程中“人机交互”与“需求描述”的范式转移给出了深刻见解。这不仅是一场技术盛宴，更是顶级科学家对 AI 工业化未来的终极推演。👨‍⚕️ 本期嘉宾Jeff Dean，谷歌首席 AI 科学家，谷歌大脑（Google Brain）的联合创始人。他是分布式系统（如 MapReduce, BigTable, Spanner）和深度学习框架（TensorFlow）的核心贡献者。作为 AI 领域的传奇人物，他目前领导谷歌在 Gemini 模型、TPU 硬件研发以及前沿 AI 应用方面的探索。⏱️ 时间戳00:00 开场 & 播客简介模型演进与蒸馏策略02:24 帕累托前沿：为何必须先做大模型才能得到强的小模型04:13 蒸馏技术的起源：从 2014 年的图像识别到如今的 Gemini06:23 Gemini Flash 的经济学：低延迟如何改变用户习惯08:48 需求与能力的博弈：为什么模型变强后用户要求会更高硬件与算法的协同设计14:35 程序员必知的延迟数字：从能量消耗视角看批处理（Batching）的本质18:58 TPU 的设计哲学：如何预测未来两到六年的计算需求21:00 低精度与投机采样：提升能效比的关键技术22:56 强化学习的下一站：如何解决不可验证领域的评估难题规模化与通用能力的突破25:05 从专用模型到通用模型：为何符号系统不再是数学竞赛的标配28:04 1990 年的本科论文：Jeff Dean 对神经网络规模化的早期坚持30:56 茶歇间的灵感：Google Brain 的诞生与“规模化”信条33:12 Gemini 的诞生：整合 Google Brain 与 DeepMind 的幕后故事AI 编程与未来预测35:14 “管理五十个实习生”：AI 时代的编程范式转移37:14 需求描述的艺术：为什么写清楚技术规范变得前所未有的重要40:47 延迟降低 50 倍的可能性：未来系统的实时互动体验41:43 终极预测：个性化模型与每秒万级 Token 的推理时代🌟 精彩内容💡 蒸馏的“母体”逻辑Jeff Dean 强调了前沿大模型在生态中的核心地位。他认为，为了获得一个高性价比、低延迟的小模型（如 Gemini Flash），你必须先拥有一个能力溢出的前沿模型作为“老师”。通过蒸馏技术，大模型的逻辑和行为被压缩进小模型中，使其在特定尺寸下展现出超越前代的性能。🔋 能量视角下的计算效率Jeff 提供了一个极其硬核的视角：计算的本质是能量损耗。他指出，在芯片内移动数据的成本（约 1000 皮焦耳）远高于一次乘法运算（约 1 皮焦耳）。这一物理事实决定了“批处理”在 AI 推理中的不可替代性——你必须通过增加 Batch Size 来摊薄数据移动的能量成本。🛠️ 硬件与算法的“双向奔赴”TPU 的研发是一个跨越 2-6 年的预测游戏。Jeff 揭秘了谷歌如何通过“协同设计”让硬件团队与模型专家对话。这种机制允许他们在芯片架构中加入实验性特性，以适配未来可能流行的算法（如稀疏模型或低精度计算），从而在技术浪潮中保持领先。📝 需求描述：AI 时代的硬技能在谈到 AI 编程时，Jeff 提出了一个有趣的观点：以前没人看的“技术规范文档”现在成了驱动 Agent 的核心。因为 Agent 的输出质量直接取决于描述的精确度。未来优秀的工程师将不再是“写代码的人”，而是能清晰定义边缘案例、性能目标和系统架构的“需求大师”。🚀 每秒万级 Token 的未来Jeff 预测，当推理延迟降低 20-50 倍，且每秒能生成一万个 Token 时，AI 的运作方式将发生质变。这一万个 Token 中，可能只有一千个是最终代码，剩下九千个都是背后的“思维链”推理。这种高强度的自我检查将使 AI 生成的内容比人类手写的更加稳健可靠。🌐 播客信息补充本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的使用 AI 进行翻译，因此可能会有一些地方不通顺；如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight

Ask this episode

“What did the council decide on item 42?” — answered with the speaker and the moment.