Джефф Дин о том, что команды по ИИ делают не так: диагноз от того, кто платит по всем счетам

Главный научный сотрудник Google присоединяется к консенсусу против ажиотажа. Контент не нов — источник нов. Когда человек, который руководит TPU + Gemini + Vertex, говорит это, совет директоров прислушивается.

Простыми словами. Главный научный сотрудник Google Джефф Дин дал Tech in Asia публичное объяснение того, что действительно движет развитие ИИ. По его словам, как сообщает Tech in Asia, автоматизированные эксперименты, эффективное оборудование и чёткие рекомендации значат больше, чем просто размер модели.

Факт

Tech in Asia от 3 августа 2026 года сообщает о публичных комментариях Джеффа Дина о том, что важнее всего в разработке ИИ. Три ключевых фактора выделены как приоритетные вместо гонки за размером модели: (1) автоматизированные эксперименты — систематический конвейер тестирования вместо ручной работы; (2) эффективное оборудование — микрочипы формируют экономику модели гораздо больше, чем количество параметров; (3) чёткие рекомендации — методологическое управление командами вместо грубого масштабирования. Основной посыл: размер больше не является доминирующей переменной.

Наше понимание

Три оси, о которых говорит Дин, отражают более широкий тренд в индустрии. Нейтан Ламберт, Андрей Карпаты, geohot, а также недавняя презентация Аруна Джозефа (LMOS/Deutsche Telekom, InfoQ 3 августа) на протяжении полугода фиксируют ту же мысль с разных сторон: лёгкие выгоды от предобучения исчерпаны, реальные изменения происходят в harness, материальной эффективности и методах. То, что делает слова Дина интересными, — не новизна тезиса, а позиция, с которой он говорит. Google DeepMind — единственная компания в мире, которая контролирует одновременно микрочипы (TPU), модели (Gemini) и продуктовую платформу (Vertex, AI Studio) — три ключевых фактора, которые он упоминает, это то, что она контролирует из первых рук.

Почему это важно сейчас

Хайповая усталость (публикации #1591, #1717, #1759) становится мейнстримом. Финансовые директора вовлекаются в ИИ-дискуссии — Адам Моссери из Meta говорит о лимитах токенов на инженера (тред token-budget-caps). Возвращение к точным измерениям стоимости продукта переориентирует индустрию. Выступление главного научного сотрудника Google идёт в том же русле и влияет на советы директоров, куда независимые голоса не всегда доходят.

Под капотом

Перевод трёх осей Дина в практику: (1) «автоматизированные эксперименты» = воспроизводимый конвейер абляций и переборов, а не кустарная работа PhD; (2) «эффективное оборудование» = расчёт совокупной стоимости владения (TCO) инференса с самого начала архитектуры (батчинг, KV-кэш, сниженная точность), а не только TPU-часы обучения; (3) «чёткие рекомендации» = спецификация продукта и тестированная функция вознаграждения до подключения инструментов к агенту, именно это документирует тред harness-ops в постмортемах продакшена. Команда, которая моделирует только цену API, упускает порядок величины.

Что делать

CTO, которые питчат свои ИИ-дорожные карты внутри компании: перестаньте цитировать баллы LMArena. Приводите таблицу TCO — даже неполную или приблизительную. Финансовые директора, которые начинают пересматривать ИИ-бюджеты, ждут именно таких расчётов, чтобы перекрыть вам финансирование. Предвосхищайте дебаты, а не реагируйте на них.

На что обратить внимание

Возможная публикация данных Vertex по эффективности инференса Gemini в сравнении с конкурентами; появление языка «TCO агентов» в отчётах аналитиков (Gartner, Forrester); распространение в Buyers Guide для корпоративных клиентов.