Jeff Dean 创业路演 PPT，惊现 34 位创始人，谷歌系人才占领半壁江山

杨植麟也是 Jeff Dean PPT 中列出的谷歌系创始人名单中的一位。

    作者丨高允毅 郑佳美

    编辑丨岑   峰

聚是一团火，散是满天星，这句话用在谷歌当年的核心实验室 Google Brain最合适不过。

今早，谷歌传奇人物，首席科学家兼 Google Brain 创始人之一 Jeff Dean官宣离职创业，作为谷歌老人，他已经加入谷歌工作 27 年。

据 Jeff 深情回忆，当初谷歌才 25 人，如今已经发展到 19 万多人，不仅成为全球技术创新的中心，还是全球 AI 人才的“黄埔军校”。

其中，Jeff 与吴恩达、Greg Corrado 当年着手创办 Google Brain，迅速扩张到 1001 人，走出的顶级人才在如今的 AI 创业大潮中已自成一派，不少人成为了AI领域不同公司创始人。

在 Jeff 的创业路演PPT中，这份名单得以曝光。不得不说，含金量高的惊人，比如Anthropic创始人Dario Amodei，SSI创始人Ilya Sutskever。

能孕育如此惊人的创造力，得益于 Jeff 在 2016 年亲自开创的 Brain Residency（谷歌大脑驻留计划）。他打破了科技界“非顶级名校 AI 博士不可”的隐形门槛，破格录取了大量毫无计算机、甚至毫无学术背景的“跨界异类”。雷峰网

因为随着 AI 爆发，Jeff Dean 意识到传统的学术培养速度太慢，于是，他重新划定了人才筛选标准：

1.极强的“量化思维与编程潜力”（Quantitative Aptitude）

• 你不一定学过 AI，但你必须在某个需要高度逻辑、数学或编程的领域证明过自己。

• 考核的不是你的 AI 论文数量，而是你解决复杂逻辑问题的底层思维。

2.对人工智能的“狂热与自驱力”（Passion for AI）

• 团队非常看重候选人是否在业余时间自己折腾过开源项目、写过小算法，或者在 GitHub 上有过活跃的贡献。

3.非凡的“跨界视角”（Diverse Perspectives）

• Google Brain 认为，当所有研究员都是清一色的计算机博士时，思维容易陷入死胡同。引入完全不同学科的顶级大脑，往往能用全新的视角解决 AI 算法的瓶颈。

正是在这样的筛选背景下，不少物理学、理论数学家，有生物学与医学背景的人，传统硬件或非计算机工程师，优秀的本科生与辍学者纷纷加入该计划。

他们加入后会获得谷歌全职员工的薪资和无限的算力支持，每个人都会被分配给 Jeff Dean、Geoffrey Hinton 或 Quoc Le 这样的泰斗级人物直接指导，还可以自由选择任何前沿的 AI 课题进行攻坚。

Jeff 这种不拘一格的包容心与对人才的极度信任，不仅为后来的 Google DeepMind 联合军团打造 Gemini 系列大模型奠定了底座，更在过去十几年间，为整个现代 AI 行业播下了最重要的火种。

顺着这份名单，我们做了一个整理。

01

四位联创，曾是 Google 的半壁江山

▎Jeffrey Adgate Dean

如今作为 Discovery Loop 联合创始人的 Jeff Dean，当初曾是 Google Brain 的精神图腾与领航者。

Jeff Dean 是当代计算机科学界与人工智能领域的殿堂级科学家与工程师。他被誉为谷歌的 “基础设施之神” 和 “AI 教父”，和一众搭档搭建起支撑现代互联网大数据以及大模型 AI 时代的底层架构。

Jeff Dean 本科就读于明尼苏达大学计算机科学与工程专业，后于华盛顿大学取得计算机科学博士学位，师从 Craig Chambers，博士阶段的研究方向聚焦编译器优化，长期深耕计算机底层技术理论，为后续大规模工程系统研发打下了扎实的学术根基。

1999 年， Jeff Dean 加入谷歌，是公司第 30 号员工。在谷歌，以 2010 年为界，他的职业生涯完美地分为了两大半场：大数据与分布式系统之神（1999‑2010）与现代深度学习与大模型奠基人。

在 AI 爆发前，Jeff Dean 主要深耕大数据与分布式系统领域，与他的 “黄金搭档” Sanjay Ghemawat，在 2003 年至 2006 年间发表的三篇划时代的技术论文，俗称“谷歌三驾马车”。这三项技术不仅拯救了当时处于数据崩溃边缘的谷歌，更直接开创了全球大数据与云计算时代。

其中，GFS 作为分布式文件系统，把成千上万台普通的计算机连接起来共同存储海量数据，解决了单台机器装不下、硬件易损坏的问题；

MapReduce 作为大规模分布式计算系统，确立了现代大数据的通用计算范式，也成为开源 Hadoop 生态的重要技术启发；BigTable 作为面向海量数据的分布式结构化存储系统，支撑了谷歌海量网页索引业务，也是现代 NoSQL 数据库的技术源头。

他还设计并重构了谷歌前五代搜索索引系统及广告系统（AdSense）的底层逻辑，夯实了 Google Ads & Search 的核心技术架构。并且，他主导研发了全球级分布式数据库 Spanner，依托自研的 TrueTime API 与原子钟技术，首次在全球范围内完美解决了分布式系统的强一致性难题。

2011 年开始，Jeff Dean 将目光全面转向人工智能。他与吴恩达、Greg Corrado 共同创立 Google Brain，搭建起谷歌核心的人工智能研发团队。

2012 年，他带领团队调用上万个 CPU 核心搭建神经网络，基于 YouTube 视频未经标注的画面帧，让计算机在没有人工干预的情况下自主学会了识别 “猫”。这一里程碑式的无监督学习实验轰动了科技界，成功证明了大规模算力堆砌神经网络的巨大潜力，拉开了深度学习工业化浪潮的序幕

后续他陆续产出多项关键成果，主导并推出了当下全球影响力顶尖的开源深度学习框架 TensorFlow，为全球机器学习研发提供了通用工具底座。

为了解决 AI 算力不足，他又打造了谷歌自己的芯片 TPU，成为了谷歌对抗英伟达 GPU 的核心算力底牌。

2023 年 4 月，谷歌完成 Google Brain 与 DeepMind 的整合，成立统一的 Google DeepMind 团队。Jeff Dean 则出任谷歌首席科学家（Chief Scientist），全力投入并统筹 Gemini 大模型的架构迭代与预训练攻坚工作，Gemini 系列也随之成为全球顶尖大模型之一。

直至 2026 年 8 月 5 日，Jeff Dean 结束了他的谷歌生涯；此番高层人事震荡，连带引发了谷歌母公司 Alphabet 的股价大幅波动。

下一站，Jeff Dean 盯上了 AI for Science 赛道。他与 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 等谷歌核心成员，共同创立 AI 初创公司 Discovery Loop，希望能实现机器学习、科学发现和工程开发的全面自动化。

这也切合了当下的核心赛道—— “递归自我改进”，将这种 “自动化 AI 科学家” 封装为工具。未来，一个只有几个人的科学家团队，可以通过租用他们的服务，在研发效率上超越全球最庞大的科研机构。

▎Sanjay Ghemawat

Discovery Loop 另一名联创 Sanjay Ghemawat，曾是谷歌分布式系统之神与幕后基建泰斗。

Sanjay Ghemawat 与 Jeff Dean 是黄金搭档，他俩是首批加入谷歌的前 75 名核心员工中的两位。他与 Jeff Dean 联手搭建起撑起全球大数据、云计算时代的整套底层软件架构。

Sanjay Ghemawat 本科就读于康奈尔大学，之后于麻省理工学院（MIT）取得计算机科学博士学位，师从图灵奖得主、传奇计算机科学家 Barbara Liskov。博士阶段他主攻数据库存储管理，长年深耕操作系统、分布式存储底层理论，为后续超大规模集群系统研发筑牢了深厚的学术根基。

1999 年年末，Sanjay Ghemawat 紧随 Jeff Dean 加入谷歌。

在硅谷，他与 Jeff Dean 的“结对编程”是一段流传了二十年的极客神话。在两人的合作中，Sanjay 往往是那个坐在键盘前、将天才构想转化为一行行绝无 Bug 的工业级 C++ 代码的操盘手。

他坚信“硬件必会损坏”的基建哲学，硬是用软件算法将成千上万台最廉价的普通服务器，组装成了坚不可摧的超级集群，在早期为谷歌省下了数十亿美元的机房预算。

在深度学习浪潮到来以前，他一心扎根分布式系统与海量数据基建。他深度参与了谷歌前几代搜索索引底层架构迭代、集群资源调度系统 Borg 的研发，并完善了 AdSense 广告后端基础设施。

同时，作为核心设计者，他打造了全球级分布式数据库 Spanner，配合 TrueTime API 与原子钟授时方案，攻克了“跨洲际节点下分布式数据库强一致性”的行业难题。

2011 年之后，伴随谷歌 AI 板块崛起，他开始为 Google Brain 团队搭建深度学习分布式算力底层。

他深度参与了 TensorFlow 的底层架构开发，负责框架内部存储、内存调度与跨机器集群通信模块；后续又参与了 TPU 集群调度与大模型 Pathways 异步分布式数据流架构的研发，为 Gemini 系列大模型的大规模预训练提供了决定性的集群基础设施支撑。

不仅如此，他随手开源的 LevelDB 与高速内存分配器 TCMalloc，至今仍是全球互联网高并发架构的通用底座。

尽管斩获了美国国家工程院院士、ACM 计算奖等行业最高荣誉，但在性格上，Sanjay 却走向了与 Jeff Dean 截然相反的极致。

他一生极度抗拒行政管理，几十年来拒绝所有带团队的晋升机会，只愿以最高级研究员（Senior Fellow）的身份死守在代码一线。这位低调至极的“扫地僧”，正是硅谷纯粹极客精神的终极化身。

▎Quoc V. Le

Discovery Loop 另一名联创 Quoc V. Le，曾是 Google Brain 早期功臣与机器学习泰斗。雷峰网(公众号：雷峰网)

他是当代自动化 AI 研究领域的殿堂级科学家。博士期间他便师从吴恩达（Andrew Ng），并于 2011 年作为初代核心成员加入刚刚组建的 Google Brain，开启了长达 15 年的传奇生涯。

在全球深度学习爆发之初，Quoc V. Le 便是谷歌大脑标志性“猫识别实验”的第一作者与主要负责人。他调用上万颗 CPU 核心，让机器在没有人工干预的情况下自主学会了识别 YouTube 视频中的猫咪，向工业界证实了大算力深度学习的巨大潜力。

往后，他相继参与发明了 Seq2Seq、Doc2Vec 等划时代基础框架。由于该技术彻底重塑了全球语言模型的研发范式，在 2024 年底的 NeurIPS 顶会上，他十年前发明的 Seq2Seq 论文毫无悬念地斩获了象征行业最高跨度认可的“时间检验奖”。

他当初还是月之暗面创始人杨植麟在 Google Brain 期间的直属导师。

此外，他还是谷歌 AutoML（自动机器学习）全系列项目的牵头人，最早落地神经架构搜索技术，真正实现了“让机器自主设计神经网络”；后续更主导了思维链提示技术、AlphaGeometry 几何解题系统等多项重磅成果。

在 Google Brain 与 DeepMind 合并后，他全面负责大模型预训练后的算法优化与数学推理攻坚。

就在 2026 年 8 月官宣出走前夕，谷歌最新发布的 Gemini 3 "Deep Think" 推理模型在评测榜上大杀四方，而这背后的算法优化和多步推理功臣，正是 Quoc V. Le 带领的团队。他是带着在老东家的最高技术荣耀，选择在最高光时刻转身离开。

▎Oriol Vinyals

Discovery‑Loop 联合创始人之一 Oriol Vinyals，曾是 Google Brain 顶尖的深度学习、多模态方向核心研究者。他是当代多模态、强化学习领域殿堂级科研人员。

2013 年，他完成加州大学伯克利分校博士学业，经由 Jeff Dean 的邮件邀约加入 Google‑Brain，自此开启了长达 13 年的谷歌系科研生涯，并于 2026 年 8 月正式离职，与 Jeff Dean 等人共同创立了 Discovery Loop。

前期在谷歌大脑，他和 Ilya Sutskever、Quoc V.Le 共同推出 Seq2Seq 序列‑序列架构，彻底重塑了机器翻译的技术范式。除此之外，他研发出经典的 Show‑and‑Tell 看图说话框架，较早打通视觉与语言的跨模态任务，成为现代图文多模态研究里程碑。

2016 年，他前往 DeepMind 任职，出任 Google DeepMind 研究副总裁（Research Vice President）兼深度学习负责人。他牵头研发星际争霸 2 智能体 AlphaStar，AI 达到游戏宗师水准、战胜顶尖职业选手，成果登上《自然》封面；同时作为核心成员参与 AlphaFold 蛋白质结构预测、AlphaCode 竞赛级代码生成等前沿 AI 科研项目。

2023 年 Google‑Brain 与 DeepMind 完成机构合并之后，Oriol Vinyals 出任谷歌旗舰大模型 Gemini 联合负责人（Co-lead）。他坚持原生多模态架构路线，主导跨模态对齐、复杂推理方向的技术攻坚，是 Gemini 项目最核心的搭建者。

02

四人背后，是一整代 AI 创始人

▎Dario Amodei

Dario Amodei，Anthropic 创始人，如今已成为谷歌与 OpenAI 的头号竞争对手。

这位普林斯顿生物物理学博士，曾先后任职于百度与 Google Brain，是现代 Scaling Law（规模法则） 的最早洞察与布道者。

Dario Amodei 于 2014 年 11 月至 2015 年 7 月在百度硅谷人工智能实验室（SVAIL）任职，参与研发了著名的 Deep Speech 2 模型，这也是他最早察觉到“模型性能随数据和算力增加而提升”这一规模规律的时期。

随后，他于 2015 年 7 月至 2016 年 7 月在 Google Brain 担任资深研究科学家（Senior Research Scientist），期间，他深入参与神经网络表征学习，积累了在数万颗处理器上维持大规模神经网络稳定训练的工程经验，进一步验证并洞察了规模法则。

2016 年 7 月，Dario Amodei 正式加入 OpenAI，出任研发副总裁。他亲手主导了 GPT-2 与 GPT-3 两代里程碑模型的研发，并带领团队将 RLHF（人类反馈强化学习） 技术成功应用于大语言模型，确立了后世所有大模型对齐训练的标准范式。

2021 年，因与 OpenAI 在 AI 发展安全理念上产生根本分歧，他带领包括其妹妹 Daniela 在内的 7 位核心成员集体出走，创办了主打安全与可控的 Anthropic。

在他的掌舵下，旗舰大模型 Claude 3.5 系列凭借在代码、复杂推理上的卓越表现，在全行业开发者圈中逆袭封神。同时，他在“机械可解释性”领域斩获了里程碑突破，首次给 AI 大脑做“核磁共振”，揪出了控制偏见与欺骗的特定神经元。

▎Ilya Sutskever

Ilya Sutskever，SSI（Safe Superintelligence Inc.）创始人。作为当代深度学习与神经网络架构领域的殿堂级科学家、深度学习三巨头之一，他深刻奠定了现代生成式大模型的技术根基。

Ilya Sutskever 师从深度学习泰斗 Geoffrey Hinton，长年专注循环神经网络与无监督表征学习，执着于钻研神经网络的底层运行原理。

2012 年，他与 Alex Krizhevsky 等人共同完成 AlexNet，在 ImageNet 竞赛中碾压传统算法，正式引爆了卷积神经网络浪潮。

加入 Google Brain 后，他与 Oriol Vinyals、Quoc V. Le 共同推出了 Seq2Seq（序列到序列）框架，不仅成为机器翻译与序列生成技术的基石，也为后来 Transformer 架构的诞生埋下了伏笔。

随后，他参与创立了 OpenAI 并担任首任首席科学家，主导了 GPT-1 到 GPT-4 的整体技术路线。然而，随着 GPT-4 的发布，他越来越担忧 AI 的可控性问题。最终在 2024 年 5 月，因在 AI 发展方向与安全理念上与 OpenAI 管理层产生根本分歧，他选择决然出走，开启了全新的创业项目。

2024 年，他创立了 SSI 实验室。与传统 AI 公司不同，SSI 拒绝商业化干扰，不做 API 或聊天机器人，其唯一的目标和产品就是研发“安全的超级智能（Safe Superintelligence）”，专注于模型对齐与通用推理的底层技术。

随着行业规模法则逐渐触及天花板，Ilya 敏锐地指出，仅靠扩大现有规模难以实现真正突破，行业必须寻找“新的山峰”，回归真正的研究时代。SSI 正是他探索这一新范式的核心阵地。

目前，SSI 团队规模仅维持在 50 人左右，但凭借对“超级智能”的技术直觉，已获得了顶级风投及芯片巨头的极限支持。

据悉，就在 2026 年 8 月本月，在隐密处闭关两年的 SSI 被爆出将首次面向全球揭晓其初代颠覆性研究大模型。

▎Chris Olah

Chris Olah，当代大模型机制解析领域的绝对教父、Anthropic 创始团队成员。

这位没有完成常规大学教育的天才，在 18 岁时因觉得“留在教室会阻碍研究速度”而果断从多伦多大学数学系辍学。他凭借将冰冷数学公式化为绝美视觉彩绘的个人博客 colah.github.io 轰动硅谷，成为无数巨头的入行教案，并因此被 Jeff Dean 破格招入 Google Brain，拓荒神经网络可视化。

2018 年加入 OpenAI 后，他组建并执掌 Clarity 研究团队，领导了开创性的“Transformer Circuits”系列研究，成为了整个 AI 领域机制可解释性（Mechanistic Interpretability）的开山始祖。

2021 年，为了坚守 AI 安全的底线，他跟随 Dario Amodei 共同出走，作为创始团队成员联合创立了 Anthropic。

在 Anthropic，他带领团队利用稀疏自编码器（SAEs），首次实现了对大模型内部机制的“可视化解析”，精准解析出 Claude 内部数千万个控制喜悦、内省乃至欺骗的概念特征。

▎Tom Brown

Tom Brown，Anthropic 首席算力官、七位创始成员之一，全权执掌 Claude 全系列的算力集群与训练底层架构建设。

这位 MIT 计算机系毕业生有着极具反差的传奇色彩，他早年的线性代数成绩仅有 B-，在经历创业失败的低谷后，全靠买显卡自学机器学习杀入 AI 赛道。

2012年，他开创了社交等领域创业公司 Grouper，担任联合创始人兼 CTO。

他后来成为 OpenAI 的前 20 名员工，发表了论文 《Deep reinforcement learning from human preferences》，成为RLHF 技术的奠基者之一。

随后，他短暂加入 Google DeepMind 担任 Technical Staff，专注于对抗性机器学习方向的研究工作。

2016 年他再次回归 OpenAI 后，并展现出了惊人的硬件直觉。 2018 年，他出任 GPT-3 项目工程主管，亲手搭建起 1750 亿参数模型的专属算力集群，攻克了超大规模分布式调度的工程死穴。作为第一作者，他发布了划时代的 GPT-3 开山论文，正式掀开了千亿参数大模型的全球巨浪。

2021 年，为了坚守安全优先的理念，他与 Dario Amodei 等人选择决裂出走，联合创立了 Anthropic。在 Anthropic，他构筑起对标国家级工程规模的训练集群，全面推进 AWS 定制算力项目，为 Claude 的多轮进化锁死了算力底牌。

▎Wojciech Zaremba

Wojciech Zaremba，OpenAI 早期核心联合创始人。

2014 年，他在 Google Brain 担任研究员期间，与 Ilya Sutskever 等人共同发表了轰动行业的《神经网络的对抗特性》论文。作为 AI 鲁棒性与安全防御研究领域的开创性奠基人之一，他率先揭示了神经网络在面对对抗样本时的脆弱性。

2015 年底，他选择加入 OpenAI 初创团队。Zaremba 全面负责大型模型的工程落地与稳定性调试，并作为主要负责人主导了初代代码大模型 Codex 的整体研发工作。该成果直接催生了如今风靡全球的 GitHub Copilot，以一己之力开辟出了 AI 代码助手这条繁荣的万亿赛道。

2026 年 3 月，他正式出任 OpenAI Foundation 的“AI 韧性负责人”。全力驱使 AI 深入儿童安全、生物防御以及黑盒安全独立评估等前沿领域。

▎Sergey Levine

Sergey Levine，Physical Intelligence（π）联合创始人。作为当代深度强化学习与具身智能领域的绝对教父，他只手打通了强化学习算法、视觉动作模型与实体机械体之间的通用技术链路。

在谷歌兼职期间，他主导了大规模机器人协同与端到端深度学习的研究，推动了手眼协调抓取技术的落地。

作为离线强化学习的开山学者，他在硅谷还留下了一段关于“失败数据”的著名趣事。当所有人都在炫耀机器人成功的完美视频时，他通过提出 CQL 等离线强化学习算法，硬是证明了利用历史数据（包括失败案例）进行训练，才是具身智能跨越物理鸿沟的最佳养分。

在学术界，他凭借 SAC、CQL 等奠基性算法在全球斩获了超过 18 万次的学术引用量，主导的 Open-X-Embodiment 跨国数据集及 Pi-Zero 系列视觉-语言-动作（VLA）模型更是成为了全球通用机器人模型的思想源头。

2026 年，Sergey Levine 掌舵的机器人 AI 创业公司 Physical Intelligence（π）迎来了大规模的资本爆发。截至 2026 年年中，π 公司在一轮大基金抢夺中累计融资金额破 11 亿美元，将估值推至 56 亿美元，并在 2026 年以约 110 亿美元的估值洽谈新一轮融资。

▎Chelsea Finn

Chelsea Finn，和 Sergey Levine 携手创办了机器人 AI 初创公司 Physical Intelligence（π）。作为当代元学习与具身智能领域的殿堂级女科学家，她一手打造了让机器“学会去学习”的元学习底层范式。

在 Google Brain 担任研究科学家期间，她将元学习理论与实体硬件结合，深度参与了早期端到端视觉控制机器人的算法演进，打通了“视觉感知-机器手操作-自主数据采集”的整套闭环。

作为元学习领域的拓荒者，她与多年的科研搭档 Sergey Levine 共同推动了大规模真实世界机器人数据集的建设（如 RT-X 项目）。

在学术界，她于加州大学伯克利分校博士毕业后执掌斯坦福 IRIS 实验室，其共同发明的 MAML（模型无关元学习）算法，打破了神经网络需要海量数据训练的死穴，让机器依靠极少样本就能自适应新任务。

▎Anna Goldie

Anna Goldie，Ricursive Intelligence 联合创始人兼 CEO。作为当代强化学习芯片布局与硬件自适应领域的顶尖女科学家，她一手开启了“用 AI 自动设计专用半导体芯片”的万亿新赛道。

在 Google Brain 期间，她与终身黄金搭档 Azalia Mirhoseini 组成了名震硅谷的“A&A 组合”。她们将强化学习与芯片布局设计巧妙结合，研发出了后来大名鼎鼎的 AlphaChip 系统。该成果成功落地于多代谷歌 TPU 芯片并登上了《Nature》正刊。

在短暂就职 Anthropic 期间，她作为早期核心科研人员，在 LLM 对齐与工具使用（Tool Use）方向做出了重要贡献。重回 DeepMind 后，她看透了大厂内部的业务桎梏，与搭档离职，创立了 Ricursive Intelligence。

2026 年 1 月，公司高调官宣由 Lightspeed 领投、红杉资本等跟投的 3 亿美元 Series A 融资，将估值强行推至 40 亿美元的天价。

▎Azalia Mirhoseini

Azalia Mirhoseini，Anna Goldie 的黄金搭档，同时也是 Ricursive Intelligence 联合创始人兼 CTO。她在软硬件协同优化与强化学习硬件设计领域做出了开创性贡献，致力于打通软硬件递归进化的完整技术链路。

在 Google Brain 期间，她与黄金搭档 Anna Goldie 组成了名震硅谷的“A&A 组合”。两人将强化学习与芯片布局设计巧妙结合，研发出了后来大名鼎鼎的 AlphaChip 系统。

不仅如此，她关于模型效率与计算优化的前沿研究，也为后世大模型的架构演进提供了重要启发。

后来，她受聘为斯坦福大学计算机科学助理教授，同时与 Anna Goldie 共同创立了 Ricursive Intelligence，致力于通过“递归自我改进循环”彻底革新半导体行业的设计流程。

▎David Silver：

David Silver，Ineffable Intelligence 创始人。作为当代深度强化学习领域的大佬与 AlphaGo 项目总负责人，他是现代自我博弈智能体（Self-Play）的开山鼻祖。

这位剑桥本科、师从强化学习先驱 Richard Sutton 的阿尔伯塔大学博士，有着纯粹的工程理智。

在研发 AlphaGo Zero 时，他曾断然拒绝给 AI 喂任何人类棋谱，硬是让机器从“完全随机乱下”开始，在服务器里闭关自我对弈了 2100 万局。

在谷歌 DeepMind 深耕 13 年、斩获 30 万次引用量后，他与其导师 Richard Sutton 等人共同提出了名震天下的《奖励即足够》（Reward is Enough）假说，被奉为强化学习学派的精神图腾。

看透了当前大模型野蛮堆砌人类网页数据的天花板，David Silver 毅然选择换道破局。

2026 年 1 月，他高调告别谷歌 DeepMind；短短 3 个月后，其新创办的伦敦实验室 Ineffable Intelligence 于 2026 年 4 月 27 日宣布完成 11 亿美元超级融资，一举斩获欧洲历史最高种子轮纪录，将估值强行锁死在 51 亿美元的天价独角兽之巅。

▎Igor Babuschkin

Igor Babuschkin，xAI 联合创始人。也是一名横跨粒子物理、强化学习与大规模 AI 基础设施的研究者和创业者。

他早年参与 CERN 的 LHCb 实验，随后加入 DeepMind，参与 WaveNet 和 AlphaStar 项目；之后在 OpenAI 从事大模型训练与系统研究，并参与 GPT-4 相关工作。

2023 年，他联合创办 xAI，负责模型训练基础设施与工程体系建设，是 Colossus 超算集群的重要推动者之一。2025 年离开 xAI 后，他成立 Babuschkin Ventures，转向 AI 安全与前沿技术投资。

▎Zihang Dai

戴子航（Zihang Dai），xAI 初代联合创始人。

作为当代长文本建模与 Transformer 架构优化领域的顶级华人科学家，他深刻打通了超长上下文理解与大规模模型稳定训练的技术链路。

这位清华大学计算机系高材生、卡内基梅隆大学（CMU）博士有着极其硬核的技术直觉。在 Google Brain 担任研究科学家期间，他作为核心成员参与了轰动全行业的长文本开山之作 Transformer-XL 的研发，彻底解决了长序列上下文的碎片化难题。

随后，他作为并列第一作者推出了里程碑大模型 XLNet，一度在数十项 NLP 权威评测榜单上全面碾压 BERT，确立了其在全球预训练大模型演进史上的殿堂级地位。

2023 年他接受马斯克的组队召唤。作为仅有的 12 位初代联创中核心的华人骨干，他主导了 Grok 1 到 Grok-3 全系列大模型的位置编码优化与上下文能力升级。

2026 年 3 月中旬，戴子航正式官宣离开 xAI。他的出走让马斯克在社交媒体上直言“xAI 必须迎来重建”，足见其在核心架构设计上不可替代的分量。

告别马斯克后，戴子航将目光投向了 AI for Science 的前沿风口。他致力于将毕生深耕的长上下文与双向预训练技术注入自动化科研工具中，探索打造能够自主吞噬海量文献并递归迭代的“全知 AI 科学家”。

▎Guodong Zhang：

张国栋（Guodong Zhang）是机器学习研究者，也是 xAI 的初始创始团队成员之一。

他本科毕业于浙江大学信息工程专业，随后在多伦多大学取得计算机科学硕士和博士学位，师从 Roger Grosse 与 David Duvenaud，研究重点包括深度学习训练动力学、随机梯度优化、极小极大博弈、贝叶斯深度学习和高效机器学习。

他曾在微软亚洲研究院、Google Brain 和 DeepMind 从事研究，参与过可变形卷积、自然梯度、权重衰减机理及大批量训练优化等工作。

2023 年，张国栋加入 xAI 创始团队，参与 Grok 系列模型及相关训练、调优和对齐工作。公开报道显示，他后期直接向 Elon Musk 汇报，并负责 Grok Code 与图像视频生成项目 Grok Imagine。

2026 年 3 月，他宣布离开 xAI，并表示将开启职业生涯的下一阶段

▎Arthur Mensch

Arthur Mensch，Mistral AI 联合创始人兼 CEO。

在 DeepMind 巴黎研究院任职期间，他作为主要作者之一发表了轰动行业的 Chinchilla 算力最优缩放定律论文，完整论证了“小模型配海量数据可碾压大参数模型”的理论，改写了全球大模型的超参设计思路，成为后世轻量化基座模型的理论源头。

2023 年，他因看透了大厂的桎梏，携手昔日同窗决然回国，在巴黎创办了 Mistral AI。团队凭借高效的稀疏混合专家（MoE）架构，陆续推出 Mistral-7B、Mixtral-8x7B 以及最新的旗舰级 Mistral-Large，以极低的算力成本公然对标美国顶尖闭源模型。

▎Ioannis Antonoglou

Ioannis Antonoglou，Reflection AI 联合创始人兼 CTO。

作为当代深度强化学习与大模型人类对齐领域的殿堂级元老，他一手打通了游戏博弈智能体、规划算法与长链反思对齐的完整技术链路。

他是 DeepMind 第 25 号员工。在 DRL 尚未兴起的冷门早期，他作为核心成员参与了轰动世界的 DQN（深度 Q 网络） 及优先经验回放等开创性研究，首次向工业界证明了神经网络仅凭像素画面就能精通数十款雅达利游戏。

在 2016 年 AlphaGo 决战李世石的世纪大战中，他主导了强化学习与训练后系统的核心攻坚，为这台战胜人类冠军的机器重器奠定了底层技术基础，更直接开启了后世 AlphaZero 与 MuZero 自我博弈算法登上《自然》《科学》正刊的基建演进。

在 Google Brain 与 DeepMind 大合并之后，他将这种高维博弈规划能力全面带入大模型赛道，全权负责 Gemini 旗舰模型的训练后系统与强化学习偏好对齐，彻底打通了谷歌核心AI的多模态对齐框架。

2024 年底他离开谷歌体系，携手老搭档 Misha Laskin 成立了硅谷前沿实验室 Reflection AI。

▎David Ha

David Ha 是人工智能研究者、Sakana AI 联合创始人兼 CEO，研究方向集中于生成模型、强化学习、世界模型、神经进化和自组织系统。

他本科毕业于多伦多大学工程科学专业，后在东京大学取得博士学位；转入人工智能研究前，他曾在高盛日本从事衍生品交易，并担任利率交易负责人。

加入 Google Brain 后，他在东京领导日本研究团队，参与提出 HyperNetworks，并与 Jürgen Schmidhuber 合作完成 World Models，探索让智能体在学习到的内部环境模型中训练策略；他还参与提出 Weight Agnostic Neural Networks，研究神经网络架构在缺少常规权重训练时能否具备基本能力。

2023 年，David Ha 与 Transformer 论文作者 Llion Jones、Ren Ito 在东京共同创办 Sakana AI，尝试借鉴生物进化、鱼群协作和集体智能，以模型合并、多智能体协作及自动算法搜索探索传统参数扩张之外的 AI 研发路线。

截至最新一轮官方披露，Sakana AI 的 Series B 融资额为 2 亿美元，投后估值约 27 亿美元，累计融资约 4.12 亿美元，并与 Google 建立了战略合作及投资关系。

▎Andrew Dai

Andrew‑Dai，Elorian‑AI 联合创始人兼 CEO，是早期大模型预训练方向十分关键的研究者之一。

早在 2015 年，行业对语言模型预训练路线尚处在探索阶段，他便在 Google Brain 和 Quoc V. Le 共同完成《半监督序列学习》，该成果登上 NeurIPS。论文验证了语言模型预训练‑微调的技术思路，为后续 OpenAI‑GPT 系列的研发提供了重要的思路参考。

Google‑Brain 与 DeepMind 完成整合之后，他出任 Gemini 数据集以及合成数据项目的联合负责人。 

在文本数据红利逐步见顶的阶段，他牵头搭建千亿级原生多模态数据集、搭建整套数据清洗算法体系，是谷歌多模态模型数据链路的核心负责人。

2026 年，Andrew‑Dai 离开自己深耕 14 年的谷歌体系；联合前苹果资深多模态科研科学家 Yinfei‑Yang、哈佛前助理教授 Seth Neel，共同创立主打原生视觉推理方向的初创公司 Elorian AI。

▎Liam Fedus

Liam Fedus，Periodic Labs 联合创始人兼 CEO。

作为当代稀疏混合专家（MoE）架构与大模型后训练（Post-Training）对齐领域的顶尖科学家，他亲手打通了从虚拟万亿参数大模型到物理世界材料科学自动化的完整技术链路。

在 Google Brain 期间，他作为第一作者推出了轰动全球的里程碑成果 Switch Transformer，设计出极简的单专家路由机制，首次将稀疏模型的算力开销拉到平民级别，一举搭建起万亿参数稀疏模型的标准方案。

作为核心成员，他深度参与了 ChatGPT 的 RLHF 对齐工作，为这一现象级产品的诞生奠定了关键基础。

此后，他一路飙升至 OpenAI 后训练研究副总裁，主导了包括 GPT-4o、o1-mini、o1-preview 等重要模型的后训练研发工作，是 OpenAI 最核心的后训练技术流水线掌门人。

2025 年 5 月，Liam Fedus 正式跨界创办了实体科研自动化巨头 Periodic Labs。由于其在现象级产品 ChatGPT 沉淀下的高维对齐威望，公司很快便砍下高达 3 亿美元（约合 21 亿元人民币）的史诗级种子轮融资。

▎Ekin Dogus Cubuk

Ekin Dogus Cubuk，Periodic Labs 联合创始人兼首席科学家。 他是全球真正打通“计算机视觉、晶体预测、实体机械臂合拢”整套闭环链路的第一人。

2017 年加入 Google Brain 早期，由于整个计算机视觉（CV）界深陷数据匮乏的泥潭，这位跨界的物理学家偏偏不信邪。他是用“玩魔方”的逻辑拯救全球计算机视觉的奇才。

在研发 AutoAugment 期间，面对动辄需要训练几个月的巨型视觉网络，他直接抛弃了传统的微调思路，转而用固体物理里的“晶格空间对称性”去类比魔方转动。他通过强化学习让算法自己去探索图片裁剪、旋转、变色的最佳概率组合。

随后，他全面执掌 DeepMind 材料科学小组，主导了轰动全球的里程碑项目 GNoME，一口气为人类预测出 220 万种稳定晶体。

随后，他亲手打造了登上《Nature》正刊的 A-Lab 自主机器人实验室。通过让大模型在后台设计配方、控制机械臂在实体空间内抓取并合成，仅用 17 天就凭空制备出 41 种人类未知的新型无机化合物。

2025 年 3 月，他与前 OpenAI 后训练研究副总裁 Liam Fedus跨界创办了全自动机器人实验室巨头 Periodic Labs。

▎Noam Shazeer：

Noam Shazeer，Character.AI创始人，OpenAI 下一代模型架构研究负责人。他是 Transformer 架构的核心缔造者与稀疏混合专家（MoE）技术的开山鼻祖。

在杜克大学期间，他曾在全美最负盛名的本科数学竞赛普特南（Putnam）考试中排名全国第六，并带领数学队夺得冠军。

2000 年作为第 200 号早期员工入职谷歌后，他开启了长达二十多年的架构统治。

在全硅谷还在残存的循环神经网络（RNN）里打转的 2017 年，他偏要反其道而行，率先发表论文提出了稀疏门控混合专家（MoE）神经网络架构，首次通过专家路由机制解决了算力成本的死穴，直接成了如今 GPT-4、Gemini 和 Claude 稳定运行的底层架构。

一年后，作为划时代论文《Attention Is All You Need》的核心作者之一，他深度参与了多头注意力、缩放点积注意力与残差连接的底层原创设计，并亲手敲下了人类历史上第一个真正跑通、超越当时所有指标的 Transformer 工程版本。

2026 年 6 月，Noam Shazeer 正式官宣脱离谷歌体系，高调空降 OpenAI 出任模型架构研究负责人。

▎Daniel De Freitas：

Daniel De Freitas 是巴西人工智能研究者，也是 Character.AI 联合创始人。

他在 Google Brain 工作期间主导开放域对话模型 Meena 的研发，随后作为核心作者参与 LaMDA，将大语言模型进一步用于开放式、多轮对话和安全可控的聊天场景。

2021 年，他与 Noam Shazeer 离开 Google，共同创办 Character.AI，探索具有人格设定、长期互动和个性化体验的对话智能体，并将大模型对话技术推向大规模消费级应用。

2024 年 8 月，两人通过 Google 与 Character.AI 的技术授权及人才合作重新加入 Google DeepMind，而 Character.AI 继续保持独立运营。

▎Barret Zoph

Barret Zoph，前 Thinking Machines Lab 联合创始人、还是Open AI 基座模型落地研究副总裁，是神经架构搜索方向里程碑式研究者。

早在 2016 年，业界研究者还依靠人工经验反复调试神经网络结构时，年纪尚轻的 Barret Zoph 以第一作者发表神经架构搜索（NAS）相关论文。

他借助强化学习搭建控制器 AI，自动完成海量神经网络架构的搜索、组装与测试；由系统自主搜索得到的 NASNet 图像模型，性能超越人工专家长年调试出的网络结构。

在长达六年的 Google‑Brain 任职期间，他作为合著者参与稀疏混合专家开山之作 Switch Transformer、超大基座模型 GLaM 的研发，为大规模稀疏大模型分布式训练打下工程基础。

2022 年 9 月他跳槽入职 OpenAI，与 John Schulman 从零搭建后训练科研团队；出任后训练方向研究副总裁，全权负责 ChatGPT、GPT‑4、GPT‑4o 整套 RLHF 人类反馈对齐、工具调用、模型安全管线，是让模型听懂人类指令、抑制幻觉、调用外部工具的核心负责人。

2024 年 9 月 25 日 Barret Zoph 从 OpenAI 离职，与前 OpenAI‑CTO Mira Murati，以及多名前 OpenAI 骨干正式成立明星实验室 Thinking Machines‑Lab，他担任联合创始人兼 CTO。

2026 年 1 月 Barret Zoph 重新回到 OpenAI 任职。

▎Luke Metz

Luke Metz，OpenAI 后训练与推理研发方向的核心科研骨干。

任职 Google‑Brain 期间，他深耕神经网络底层优化算法；彼时大规模模型需要研究者手动调试学习率、各类超参数，Luke‑Metz 以第一作者完成里程碑项目 VeLO。

该方案借助元训练小型神经网络作为自适应优化器，能够为海量任务自动调试超参，大幅降低大模型人工调参门槛，推动 AI 自主完成梯度优化方向的研究。

除此之外，他与 Alec Radford、Soumith Chintala 共同发表里程碑成果 DCGAN，该论文后续斩获 ICLR 时间检验奖。

2022 年 Luke‑Metz 加入 OpenAI，成为初代 ChatGPT 强化学习团队核心成员，在后训练负责人 Barret‑Zoph 麾下，参与搭建 RLHF 人类反馈对齐技术链路，深度参与 ChatGPT、GPT‑4、GPT‑4o 以及 o1 推理模型的后训练研发工作。

2024 年 9 月他从 OpenAI 离职，随后加入明星实验室 Thinking‑Machines‑Lab。 2026 年 1 月，Luke Metz重新回到 OpenAI 任职。

▎Aravind Srinivas：

Aravind Srinivas，Perplexity‑AI 联合创始人兼 CEO。作为强化学习与自监督学习领域的资深研究者，他是实时检索增强 AI 搜索赛道的头部创业者。

他毕业于印度理工学院马德拉斯分校，后续取得加州大学伯克利分校计算机博士学位。在读博和职业生涯早期，他先后以实习生身份在 DeepMind、Google Brain 开展科研，之后全职加入 OpenAI 担任科研人员，拥有三家顶尖人工智能实验室的从业经历。

2022 年 8 月，他联合另外三名创始人创立 Perplexity‑AI，发布产品 Perplexity。该产品凭借实时联网回答、可溯源引文的特性快速收获海量用户，成为谷歌搜索最主要的竞争对手之一。

2026 年，AI 行业竞争进入软硬件协同、实时信息推理的阶段，Perplexity‑AI 顺利完成新一轮融资。投资方包含杰夫·贝索斯个人投资、英伟达、Menlo Ventures、软银、Accel 等多家知名机构，最新投后估值约 200 亿美元。

▎Gabriel Pereyra

Gabriel Pereyra，法律垂直大模型初创企业 Harvey AI 联合创始人兼总裁。

他深耕神经网络正则化、大规模模型训练稳定性方向，是大型模型优化领域的资深科研从业者。

他本科就读于南加州大学计算机专业，之后进入由 DeepMind 全额资助的牛津大学神经科学博士项目。在攻读博士期间，他便深度参与工业界 AI 研发，并在之后正式投入该领域。

职业生涯早期，他先后任职于 DeepMind、Google Brain 研究科学家以及 Meta FAIR 机器学习工程师，在多家头部 AI 实验室积累了丰富的关于大规模神经网络与模型稳定性的工程经验。

2022 年 11 月，他正式离开 Meta，与前证券和反垄断诉讼律师 Winston Weinberg 共同创立了面向法律行业的 AI 公司 Harvey AI。

▎Sara Hooker

Sara Hooker，AI 初创企业 Adaptation Labs 的联合创始人兼 CEO。作为模型轻量化压缩、算力约束研究方向的知名研究者，她长期深耕高效率大模型与自适应迭代 AI 赛道。

在行业集体迷信缩放定律、疯狂堆砌超大参数量基座模型的时候，Sara Hooker 长期提倡轻量化、高效率的 AI 研究路线。

早期任职 Google Brain 期间，她专注稀疏神经网络、模型量化、网络剪枝等模型压缩方向的科研工作。

后续她入职 Cohere，出任科研副总裁，管理非营利科研实验室 Cohere for AI，并牵头发起了知名的 Aya 百语种开源大模型项目，联合全球三千余名研究者打造多语种开源基座，大力推进低资源语种与普惠开源 AI 生态的建设。

察觉到传统预训练模型权重固化、无法在部署之后动态学习的短板，她离开大厂开启创业。2025 年，Sara Hooker 搭档前 Cohere 推理计算负责人 Sudip Roy，共同创立了 Adaptation Labs。

▎Sudip Roy

Sudip Roy，Adaptation Labs 联合创始人兼 CTO。作为大规模机器学习分布式基建与模型推理部署架构方向的资深工程师，他深耕无梯度自适应 AI 全栈技术。

在加入 Cohere 之前，他曾长期在 Google Brain 担任高级科研工程师，积累了深厚的工业级机器学习流水线与分布式基建经验。

他不仅为谷歌工业级机器学习流水线 TFX 的数据校验模块提供了核心技术贡献，还参与了 Gemini 底层分布式训练框架 Pathways 的基建研发，在稀疏混合专家模型集群调度与算力负载均衡等工程工作上有着极深的造诣。

离开谷歌之后，他于 2021 年底加入加拿大 AI 企业 Cohere，一路升任推理计算高级总监，全权搭建整套商业化线上推理基础设施，成功支撑了 Command-R 系列企业级大模型的落地商用。

察觉到传统基座模型预训练完成后权重固化、更新成本高昂的行业短板，他和前 Cohere 科研负责人 Sara Hooker 达成创业共识。二人正式联合创立 Adaptation Labs，主攻在不修改核心权重的前提下，通过推理阶段动态调整行为的无梯度自适应架构。

▎Alex Wiltschko

Alex Wiltschko 是美国神经科学家、人工智能研究者与创业者，也是数字嗅觉公司 Osmo 的创始人兼 CEO。

进入 Google 后，他将嗅觉神经科学、分子化学与深度学习结合，组建并领导机器嗅觉研究团队，探索仅依据分子结构预测人类气味感知的方法。

2022 年，他将 Google Brain 的嗅觉研究项目独立出来创办 Osmo，致力于构建能够读取、描述、搜索和设计气味的“嗅觉智能”技术体系，目前重点应用于香水与日化产品设计、新型气味分子发现、驱蚊材料筛选及数字气味重建。 截至 2026 年，Osmo 已累计融资 1.3 亿美元。

Wiltschko 最重要的贡献，是推动机器学习从视觉和语言进一步进入嗅觉领域，使分子结构与人类气味感知之间长期依赖人工经验的关系，开始成为可以用数据和模型研究的问题。

▎Aidan Gomez

Aidan Gomez 是加拿大计算机科学家、企业级人工智能公司 Cohere 的联合创始人兼首席执行官，也是 Transformer 架构的共同提出者之一。

他本科就读于多伦多大学，学习计算机科学与数学，并在 Roger Grosse 指导下开展机器学习研究；此后多次进入 Google Brain，从事学生研究和实习工作，先后与 Łukasz Kaiser、Geoffrey Hinton、Jakob Uszkoreit、Jeff Dean 等研究者合作。

2017 年，Gomez 作为八位作者之一参与发表《Attention Is All You Need》，共同提出完全基于注意力机制、摆脱循环与卷积结构的 Transformer。

2019 年，Gomez 与 Nick Frosst、Ivan Zhang 共同创办 Cohere，并担任首席执行官，将事业重心转向企业级基础模型和人工智能平台。

Cohere 主要开发 Command 生成模型、Embed 嵌入模型、Rerank 重排模型及 North 企业智能平台，强调数据安全、检索增强生成、多语言能力，以及公有云、私有云和本地环境中的灵活部署。

▎Nick Frosst

Nick Frosst 是加拿大深度学习研究者、人工智能创业者，也是企业级 AI 公司 Cohere 的联合创始人。

他毕业于多伦多大学计算机科学与认知科学专业，本科期间进入 Geoffrey Hinton 的研究团队，随后成为 Hinton 在 Google Brain 多伦多实验室招聘的首位研究人员。

在 Google Brain 工作期间，他主要研究胶囊网络、对抗样本和神经网络可解释性，参与提出胶囊网络的动态路由机制，探索如何让神经网络更好地表示物体的空间结构与局部关系；他还研究过将神经网络知识蒸馏到软决策树中，使模型的判断过程更容易被人理解。

2019 年，他与 Aidan Gomez、Ivan Zhang 共同创办 Cohere，将研究重心转向企业级语言模型和 AI 产品，推动大模型在企业知识检索、文本生成、语义搜索、重排和智能代理等场景中的应用。

▎Ian Goodfellow

Ian Goodfellow 是生成对抗网络（GAN）的核心提出者，也是对抗样本与模型鲁棒性研究的重要奠基者。

2014 年，他提出 GAN，通过生成器与判别器的对抗训练推动了图像生成和生成式建模的发展；同年参与提出快速梯度符号法（FGSM），开辟了对抗攻击与对抗训练的重要研究路线。他还与 Yoshua Bengio、Aaron Courville 合著经典教材《深度学习》。

曾任职于 Google Brain、OpenAI、Apple 和 Google DeepMind。其最重要的学术贡献，集中在生成模型、对抗机器学习和神经网络安全三个方向。

03

彩蛋

在名单中，我们还看到了一个熟悉的中国名字：杨植麟。

他与 Google 的联系主要来自博士阶段的研究经历，曾在 Google Brain 与 Quoc V. Le 团队合作，从事语言模型与自然语言处理研究，并共同完成 Transformer-XL、XLNet 和 Mixtape 等工作。

杨植麟本科毕业于清华大学，随后进入卡内基梅隆大学计算机学院攻读博士，师从 Ruslan Salakhutdinov 和 William W. Cohen，研究方向涵盖语言模型、知识表示、迁移学习、少样本学习和自然语言理解。

除 Google Brain 外，他还曾在 Meta AI 与 Jason Weston 团队开展研究，并参与 HotpotQA、GLoMo、GLM 和 P-Tuning v2 等项目，在长文本建模、预训练方法、多跳问答和参数高效适配方面积累了较为系统的研究经验。

2023 年，杨植麟创办月之暗面并担任首席执行官，将研究重点转向通用大模型及其实际应用。

参考链接：

https://x.com/JeffDean/status/2085036253263921218

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

扫描上方二维码

或点击「阅读原文」关注专区。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。