Jeff Dean: The 1% Rule for Building in AI

摘要

Jeff Dean 回顧 MapReduce 與 TPU 的歷史，預測 2027 年將見更多自動最佳化機器學習系統的趨勢。他強調低延遲硬體與專精模型的重要性，並建議創業者尋找通用模型弱項的領域，專注於自己熱愛的問題。

Jeff Dean discusses the future of AI automation, hardware efficiency, and how founders should choose problems to solve.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 2027 年將出現更多自動最佳化機器學習系統的趨勢。
• 低延遲與高能效的專精硬體是關鍵。
• 創業者應尋找通用模型無法解決的弱項領域。

章節

依話題轉折切分，標題由 AI 產生

1. 00:00AI 現狀：模型已達初級工程師水準
2. 06:19TPU 起源：突破語音識別效能瓶頸
3. 09:12基礎原則：從第一性原理重構系統
4. 12:21效能關鍵：資料搬移遠勝運算速度
5. 16:35系統架構：結合工具呼叫與情境工程
6. 19:29實戰案例：微基準測試最佳化程式碼
7. 24:47創業策略：尋找通用模型無法勝任之題
8. 31:55明確指定目標能大幅提升虛擬代理成效
9. 36:00透過回顧預測與瘋狂思想實驗累積品味
10. 40:17從 MapReduce 起源看專項硬體思維的重要性
11. 43:23自動化架構將加速科學與工程領域突破
12. 47:19回顧論文被拒經歷並強調個人品味選擇
13. 50:09年輕版傑夫會專注於能創造正向世界影響
14. 54:49擴展工具箱並期待未來解決高效能硬體問題

適合誰看

對 AI 系統架構、創業或機器學習感興趣的開發者與創業者。

摘要依據

依據

語音轉文字

為什麼排在這裡

人氣

0.89

新鮮

0.79

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• The End of GPU Scaling? Compute & The Agent Era — Tim Dettmers (Ai2) & Dan Fu (Together AI)Podcast ・ The MAD Podcast ・ 1 小時 4 分（在新分頁開啟原站）
• 达摩院首席科学家：CPU不行，龙虾再好也跑不快！ #科技 #芯片 #AI影片 ・ 老石谈芯 Shilicon Talk ・ 2 分鐘（在新分頁開啟原站）
• The Professor of Outputmaxxing — Anjney Midha, AMPPodcast ・ Latent Space ・ 59 分鐘
• The Biggest Chip Ever Built — Why OpenAI Runs On It | Cerebras CEO Andrew FeldmanPodcast ・ The MAD Podcast ・ 1 小時 13 分
• Why Hardware-Software Co-Design Is AI's Real 100x: Dylan Patel of SemiAnalysis影片 ・ Sequoia Capital ・ 1 小時 10 分
• Ep 74: Chief Scientist of Together.AI Tri Dao On The End of Nvidia's Dominance, Why Inference Costs Fell & The Next 10X in SpeedPodcast ・ Unsupervised Learning ・ 59 分鐘（在新分頁開啟原站）