Jeff Dean离职谷歌，联合创立AI研究公司Discovery Loop

在YC访谈中，Jeff Dean承认低估了AI的进展速度，特别是模型处理复杂任务能力的增长比他预想的快得多。他去年预测到2026年会出现能力接近初级工程师的AI系统，现在他认为这个预测相当准确。

对于2027年，他预测深度学习系统将实现全自动的问题分解和自动化实验循环，不仅适用于机器学习，也适用于任何有可衡量目标的科学和工程领域。

Jeff Dean认为，高性能、低能耗的专用推理硬件是当前的关键转折点。专用硬件能带来50倍延迟改善和30-80倍能效提升，这是让Agent系统触达更多人的核心。

他对比了2001年将搜索索引装进内存的决策，指出今天省掉的是通用计算的多余步骤，但赌注更高，因为Agent需要成千上万次连续推理，每次延迟都在累积。

Jeff Dean指出，人们低估了Agent系统能运行的时间潜力。配合足够强的底层模型，Agent可以连续运行几天甚至几周，解决复杂长期问题，这是质变而非简单的等待。

然而，Agent在长时间运行中可能偏离训练分布导致失败。他建议通过提供skill和提示、采用多Agent系统来提升可靠性，这本质上是利用推理时计算搜索解决方案空间。

Jeff Dean强调，模型只是系统的一部分，上下文工程（检索、工具调用、记忆等）正变得至关重要。上下文信息对模型极其清晰，远优于模糊的训练数据。

他举例说明，他和Sanjay编写了一个skill，教模型进行性能优化，并发布了《Performance Hints》文档，模型在推理代码性能问题上的能力因此增强。

Jeff Dean建议创业者用当前最强的通用模型测试想做的领域：如果成功率在0%或1%，是好信号；如果在20%，则是危险信号，因为下一代模型很快会覆盖。

他认为，两三个人的小团队可以在特定领域打造高精度、高质量的产品，因为通用模型无法在特定领域投入太多注意力。