效力Google 27年的Jeff Dean离职了，临走前他说的这段话，每个程序员都该读

效力Google 27年的Jeff Dean离职了，临走前他说的这段话，每个程序员都该读

 一个人在一家公司待 27 年，是什么概念？

比你大学毕业到现在的工作年限还长，比大多数互联网公司的成立时间还长。27 年，Jeff Dean 几乎就是 Google 的活化石：搜索引擎是他做的，MapReduce 是他写的，TensorFlow 是他带出来的，连 TPU 都是他在餐巾纸上算出来的。

今年他离职了。走之前，他跟 YC 聊了很久，把自己对 AI 的判断全倒了出来。

说实话，我读完第一反应是：这些话不是讲给 AI 圈听的，是讲给每一个还在写代码、还在焦虑『自己会不会被 AI 取代』的人听的。

27年工程师告别背影

1 你还在用『1 小时』衡量 Agent？它已经能连续工作几周了

先聊一个让人后背发凉的事实。

两年前，几乎所有大厂都在预测：什么时候 AI 能顶上一个初级程序员？大多数人觉得这还早。Jeff Dean 在 2025 年就说过『2026 年会看到能力接近初级软件工程师的 AI 系统』——现在你回头看，这个预测不但准了，还保守了。

真正让他自己都意外的，是 Agent 能干的事，比模型变强更夸张。

你身边一定有人觉得：Agent 嘛，就是个临时助手，让它干 1-2 小时的活差不多了，时间一长肯定跑偏。

错。Jeff Dean 的原话是：配合足够强的底层模型，Agent 可以连续运行数天甚至数周，干完『把一套软件用另一种语言全部重写』这种级别的活。

想想这意味着什么。你以为的对手是『AI 聊天机器人』，实际的对手是『一个可以连续加班几周的同事』，它不睡觉、不抱怨、不离职。

这不是危言耸听。2027 年，深度学习系统会把『拆解问题→跑实验→整合结果』整条链路自动化。到那时候，AI 自己拆问题、自己跑实验、自己整合结果，你在旁边负责『看方向』。

2 程序员真正稀缺的能力，是『品味』

看到这里你可能会慌：那我是不是没用了？

Jeff Dean 的回答恰恰相反：当 Agent 能写大部分代码，『知道该让 Agent 解决什么问题』 反而成了最值钱的能力。他管这个叫「品味」。

怎么判断你选的方向有没有戏？他给了一个特别扎心的标准：

拿现在最强的通用模型去测你的目标领域。如果成功率只有 0%-1%——恭喜，这是好信号，说明通用模型还够不着，你有时间窗。 如果已经到 20%——危险，下一代模型很快就把它变成标配。

听懂了吗？你天天在做的『熟练工』工作，可能正在 20% 的区间里，被下一代模型悄悄覆盖。 而真正值得你 All in 的，是那些通用模型 3 年内都摸不到门槛的领域——专用模型（比如 AlphaFold 之于蛋白质），或者它根本无权访问的场景（比如帮你整理你自己的数据）。

品味不是天生的。Jeff Dean 给了三条路：积累跨领域解决问题的经验；定期预判未来 12 个月的重要技术方向并复盘；做打破常规的思想实验——比如『如果晶体管每天出错 20 次，系统该怎么设计』。

0%-1%还是20%：岔路口的选择

3 数据搬动一次，比计算贵 1000 倍

如果说上面还是『认知』，那这一条是硬核物理。

Jeff Dean 反复强调一个数字：AI 系统里，数据移动消耗的能耗是计算本身的 1000 倍。也就是说，瓶颈从来不在『算』，在『搬』。

这解释了为什么训练要用超大 batch——一次多搬点，摊薄成本；也解释了为什么推理是比训练更难啃的骨头——它要低延迟，不能慢慢搬。

怎么破？答案是硬件。2001 年，Google 把搜索索引整个塞进内存，性能直接起飞；Jeff Dean 说，AI 的下一个拐点就是这种时刻：专用推理硬件，50 倍延迟优化、30-80 倍能效提升。

他讲了个特别有画面感的故事：2013 年，他在餐巾纸上算了一笔账——按当时 CPU 的能效，语音识别根本撑不起来。于是 Google 造了 TPU，专为低精度稠密线性代数设计，能效比同期 CPU/GPU 高 30-80 倍，后来还完美接住了 Transformer。

顶尖工程师从不追着现有方案打补丁，而是把账从头算一遍。 这句话放在你自己的系统设计上，同样成立。

数据搬运与计算的失衡天平

4 30 万倍的震撼：AI 正在自己加速自己

最后一个，我觉得是最煽情的。

Jeff Dean 的新公司叫 Discovery Loop，使命是：把『提出假设→跑实验→评估→迭代』这套科学方法，全自动掉。

什么概念？在量子化学领域，用神经网络近似那个贵到离谱的密度泛函理论模拟器，验证速度直接提升 30 万倍。研究人员吃个午饭的功夫，就能筛完上千万个候选分子。

30 万倍。你手头任何一次性能优化，敢想这个数量级吗？

而且这不是未来时。芯片布局（AlphaChip）、算法优化（AlphaEvolve），AI 已经在自我改进了。Jeff Dean 还补了一刀：现在模型的训练数据是人类学习的千倍，但一个 18 岁的人类，表现已经能比肩前沿模型。

千倍的数据，打不过一个成年累月积累经验的少年。人类学习的效率，才是 AI 真正要抄的作业。

午餐时间筛选千万分子的全息投影

5 最后的话

Jeff Dean 在 Google 干了 27 年，功成名就，本来可以躺着。他选择离职创业，理由只有一句：优先做你真正感兴趣、能和志同道合的人一起、且能让世界变得更好的事。

对普通程序员来说，这段话的价值不在『AI 预测』，在于三件事：

1. 别再用旧尺子量 AI——它的能力增长速度，远超你想象。
2. 开始练品味——判断『做什么』，比『怎么做』值钱。
3. 去干通用模型 3 年内碰不到的事——你的护城河，是它够不着的领域。

AI 不会淘汰你，只会淘汰那些还在用旧思路衡量它的人。

如果你觉得有启发，点个在看，让更多程序员看到 Jeff Dean 这段话。