Owning the AI Pareto Frontier — Jeff Dean

Owning the AI Pareto Frontier — Jeff Dean

Владея фронтом Парето в AI — Джефф Дин

From rewriting Google’s search stack in the early 2000s to reviving sparse trillion-parameter models and co-designing TPUs with frontier ML research, Jeff Dean has quietly shaped nearly every layer of the modern AI stack. As Chief AI Scientist at Google and a driving force behind Gemini, Jeff has lived through multiple scaling revolutions from CPUs and sharded indices to multimodal models that reason across text, video, and code.

От переписывания поискового стека Google в начале 2000-х до возрождения разреженных моделей с триллионами параметров и совместного проектирования TPU вместе с фронтирными ML-исследованиями — Джефф Дин незаметно сформировал почти каждый слой современного AI-стека. Как главный AI-учёный Google и одна из движущих сил Gemini, Джефф пережил несколько революций масштабирования — от CPU и шардированных индексов до мультимодальных моделей, которые рассуждают сразу о тексте, видео и коде.

Jeff joins us to unpack what it really means to “own the Pareto frontier,” why distillation is the engine behind every Flash model breakthrough, how energy (in picojoules) not FLOPs is becoming the true bottleneck, what it was like leading the charge to unify all of Google’s AI teams, and why the next leap won’t come from bigger context windows alone, but from systems that give the illusion of attending to trillions of tokens.

Джефф присоединяется к нам, чтобы разобрать, что на самом деле значит «владеть фронтом Парето», почему дистилляция — это движок каждого прорыва в моделях Flash, как именно энергия (в пикоджоулях), а не FLOPs становится настоящим узким местом, каково это — возглавить объединение всех AI-команд Google, и почему следующий скачок придёт не от одних лишь более крупных контекстных окон, а от систем, создающих иллюзию внимания к триллионам токенов.

We discuss:

Мы обсуждаем:

Ранняя дипломная работа Джеффа по нейросетям 1990 года: параллельное обучение ещё до того, как это стало модным, почему он за десятилетия вперёд верил, что масштабирование победит, и мантра «больше модель, больше данных, лучше результат», которая держалась 15 летЭволюция поиска Google: шардирование, перенос всего индекса в память в 2001 году, смягчение семантики запроса ещё до LLM и почему пайплайны поиска уже напоминают современные LLM-системыСтратегия фронта Парето: почему нужны и фронтирные модели «Pro», и низколатентные «Flash», и как дистилляция позволяет меньшим моделям превосходить предыдущие поколенияJeff Dean@JeffDeanМы снова раздвинули фронт Парето эффективности против интеллекта. С Gemini 3 Flash ⚡️ мы видим способности к рассуждению, прежде доступные лишь нашим крупнейшим моделям, теперь работающие на латентности уровня Flash. Это открывает совершенно новые категории почти реального времени 16:06 · 17 дек. 2025 · 157K просмотров52 ответа · 196 репостов · 1,78K лайковГлубокое погружение в дистилляцию: ансамбли → сжатие → логиты как мягкое обучающее сопровождение, и почему нужна самая большая модель, чтобы сделать самую маленькую хорошейЛатентность как первоклассная цель: почему латентность в 10–50 раз ниже полностью меняет UX, и как будущие нагрузки на рассуждение потребуют 10 000 токенов/секМышление в категориях энергии: пикоджоули на бит, почему перемещение данных стоит в 1000 раз дороже умножения, батчинг сквозь призму энергии и спекулятивное декодирование как амортизацияКо-дизайн TPU: прогноз ML-нагрузок на 2–6 лет вперёд, спекулятивные аппаратные функции, снижение точности, разреженность и постоянная обратная связь между архитектурой модели и кремниемРазреженные модели и «возмутительно большие» сети: триллионы параметров при 1–5% активации, и почему разреженность всегда была правильной абстракциейЕдиные против специализированных моделей: отказ от символьных систем, почему общие мультимодальные модели обычно доминируют над вертикальными «силосами», и когда вертикальный файн-тюнинг всё же имеет смыслДлинный контекст и иллюзия масштаба: за пределами бенчмарков «иголка в стоге сена» — к системам, сужающим триллионы токенов до 117 релевантных документовПерсонализированный AI: внимание к вашим письмам, фото и документам (с разрешения), и почему поиск + рассуждение откроют глубоко личных ассистентовКодовые агенты: 50 AI-стажёров, чёткие спецификации как новый ключевой навык, и как сверхнизкая латентность изменит сотрудничество человека и агентаПочему идеи всё ещё важны: трансформеры, разреженность, RL, железо, системы — масштабирование не было слепым; части должны были перемножиться вместе

Show Notes:

Заметки к выпуску:

Статья о Gemma 3Gemma 3Отчёт о Gemini 2.5Презентация Джеффа Дина «Software Engineering Advice fromBuilding Large-Scale Distributed Systems» (с прикидками «на обороте конверта»)Latency Numbers Every Programmer Should Know от Джеффа ДинаThe Jeff Dean FactsБиография Джеффа Дина на GoogleДжефф Дин о «Важных трендах в AI» @Stanford AI ClubДжефф Дин и Ноам Шазир — 25 лет в Google (Dwarkesh)

Jeff Dean

Джефф Дин

LinkedIn: https://www.linkedin.com/in/jeff-dean-8b212555X: https://x.com/jeffdean

Google

Google

https://google.comhttps://deepmind.google

Full Video Episode

Полный видеовыпуск

Timestamps

Тайм-коды

00:00:04 — Introduction: Alessio & Swyx welcome Jeff Dean, chief AI scientist at Google, to the Latent Space podcast
00:00:30 — Owning the Pareto Frontier & balancing frontier vs low-latency models
00:01:31 — Frontier models vs Flash models + role of distillation
00:03:52 — History of distillation and its original motivation
00:05:09 — Distillation’s role in modern model scaling
00:07:02 — Model hierarchy (Flash, Pro, Ultra) and distillation sources
00:07:46 — Flash model economics & wide deployment
00:08:10 — Latency importance for complex tasks
00:09:19 — Saturation of some tasks and future frontier tasks
00:11:26 — On benchmarks, public vs internal
00:12:53 — Example long-context benchmarks & limitations
00:15:01 — Long-context goals: attending to trillions of tokens
00:16:26 — Realistic use cases beyond pure language
00:18:04 — Multimodal reasoning and non-text modalities
00:19:05 — Importance of vision & motion modalities
00:20:11 — Video understanding example (extracting structured info)
00:20:47 — Search ranking analogy for LLM retrieval
00:23:08 — LLM representations vs keyword search
00:24:06 — Early Google search evolution & in-memory index
00:26:47 — Design principles for scalable systems
00:28:55 — Real-time index updates & recrawl strategies
00:30:06 — Classic “Latency numbers every programmer should know”
00:32:09 — Cost of memory vs compute and energy emphasis
00:34:33 — TPUs & hardware trade-offs for serving models
00:35:57 — TPU design decisions & co-design with ML
00:38:06 — Adapting model architecture to hardware
00:39:50 — Alternatives: energy-based models, speculative decoding
00:42:21 — Open research directions: complex workflows, RL
00:44:56 — Non-verifiable RL domains & model evaluation
00:46:13 — Transition away from symbolic systems toward unified LLMs
00:47:59 — Unified models vs specialized ones
00:50:38 — Knowledge vs reasoning & retrieval + reasoning
00:52:24 — Vertical model specialization & modules
00:55:21 — Token count considerations for vertical domains
00:56:09 — Low resource languages & contextual learning
00:59:22 — Origins: Dean’s early neural network work
01:10:07 — AI for coding & human–model interaction styles
01:15:52 — Importance of crisp specification for coding agents
01:19:23 — Prediction: personalized models & state retrieval
01:22:36 — Token-per-second targets (10k+) and reasoning throughput
01:23:20 — Episode conclusion and thanks

00:00:04 — Вступление: Алессио и Swyx приветствуют Джеффа Дина, главного AI-учёного Google, в подкасте Latent Space00:00:30 — Владение фронтом Парето и баланс между фронтирными и низколатентными моделями00:01:31 — Фронтирные модели против Flash + роль дистилляции00:03:52 — История дистилляции и её первоначальная мотивация00:05:09 — Роль дистилляции в современном масштабировании моделей00:07:02 — Иерархия моделей (Flash, Pro, Ultra) и источники дистилляции00:07:46 — Экономика модели Flash и широкое развёртывание00:08:10 — Важность латентности для сложных задач00:09:19 — Насыщение некоторых задач и будущие фронтирные задачи00:11:26 — О бенчмарках, публичных против внутренних00:12:53 — Пример бенчмарков длинного контекста и их ограничения00:15:01 — Цели длинного контекста: внимание к триллионам токенов00:16:26 — Реалистичные сценарии за пределами чистого языка00:18:04 — Мультимодальное рассуждение и нетекстовые модальности00:19:05 — Важность модальностей зрения и движения00:20:11 — Пример понимания видео (извлечение структурированной информации)00:20:47 — Аналогия ранжирования в поиске для извлечения в LLM00:23:08 — Представления LLM против поиска по ключевым словам00:24:06 — Ранняя эволюция поиска Google и индекс в памяти00:26:47 — Принципы проектирования масштабируемых систем00:28:55 — Обновления индекса в реальном времени и стратегии переобхода00:30:06 — Классические «Latency numbers every programmer should know»00:32:09 — Стоимость памяти против вычислений и акцент на энергии00:34:33 — TPU и аппаратные компромиссы при обслуживании моделей00:35:57 — Решения по дизайну TPU и ко-дизайн с ML00:38:06 — Адаптация архитектуры модели под железо00:39:50 — Альтернативы: энергетические модели, спекулятивное декодирование00:42:21 — Открытые направления исследований: сложные рабочие процессы, RL00:44:56 — Непроверяемые домены RL и оценка моделей00:46:13 — Переход от символьных систем к единым LLM00:47:59 — Единые модели против специализированных00:50:38 — Знание против рассуждения и поиск + рассуждение00:52:24 — Вертикальная специализация моделей и модули00:55:21 — Соображения о количестве токенов для вертикальных доменов00:56:09 — Языки с малыми ресурсами и обучение в контексте00:59:22 — Истоки: ранние работы Дина по нейросетям01:10:07 — AI для написания кода и стили взаимодействия человека и модели01:15:52 — Важность чёткой спецификации для кодовых агентов01:19:23 — Прогноз: персонализированные модели и извлечение состояния01:22:36 — Целевые показатели токенов в секунду (10k+) и пропускная способность рассуждения01:23:20 — Заключение выпуска и благодарности

Transcript

Транскрипт

Alessio Fanelli [00:00:04]: Hey everyone, welcome to the Latent Space podcast. This is Alessio, founder of Kernel Labs, and I’m joined by Swyx, editor of Latent Space.

Alessio Fanelli [00:00:04]: Всем привет, добро пожаловать в подкаст Latent Space. Это Алессио, основатель Kernel Labs, и со мной Swyx, редактор Latent Space.

Shawn Wang [00:00:11]: Hello, hello. We’re here in the studio with Jeff Dean, chief AI scientist at Google. Welcome. Thanks for having me. It’s a bit surreal to have you in the studio. I’ve watched so many of your talks, and obviously your career has been super legendary. So, I mean, congrats. I think the first thing must be said, congrats on owning the Pareto Frontier.

Shawn Wang [00:00:11]: Привет-привет. Мы здесь в студии с Джеффом Дином, главным AI-учёным Google. Добро пожаловать. Спасибо, что пригласили. Немного сюрреалистично видеть тебя в студии. Я посмотрел столько твоих выступлений, и, очевидно, твоя карьера просто легендарна. Так что, в общем, поздравляю. Думаю, первым делом надо сказать: поздравляю с владением фронтом Парето.

Jeff Dean [00:00:30]: Thank you, thank you. Pareto Frontiers are good. It’s good to be out there.

Jeff Dean [00:00:30]: Спасибо, спасибо. Фронты Парето — это хорошо. Приятно там находиться.

Shawn Wang [00:00:34]: Yeah, I mean, I think it’s a combination of both. You have to own the Pareto Frontier. You have to have like frontier capability, but also efficiency, and then offer that range of models that people like to use. And, you know, some part of this was started because of your hardware work. Some part of that is your model work, and I’m sure there’s lots of secret sauce that you guys have worked on cumulatively. But, like, it’s really impressive to see it all come together in, like, this slittily advanced.

Shawn Wang [00:00:34]: Да, я думаю, это сочетание двух вещей. Нужно владеть фронтом Парето. Нужно иметь фронтирные возможности, но также и эффективность, а потом предлагать тот диапазон моделей, которыми людям нравится пользоваться. И, знаешь, отчасти это началось благодаря твоей работе над железом. Отчасти — благодаря работе над моделями, и я уверен, есть масса секретного соуса, над которым вы все вместе работали. Но реально впечатляет видеть, как всё это сходится воедино, так продуманно и продвинуто.

Jeff Dean [00:01:04]: Yeah, yeah. I mean, I think, as you say, it’s not just one thing. It’s like a whole bunch of things up and down the stack. And, you know, all of those really combine to help make UNOS able to make highly capable large models, as well as, you know, software techniques to get those large model capabilities into much smaller, lighter weight models that are, you know, much more cost effective and lower latency, but still, you know, quite capable for their size. Yeah.

Jeff Dean [00:01:04]: Да, да. Думаю, как ты и говоришь, это не одна-единственная вещь. Это куча вещей сверху донизу по всему стеку. И все они действительно сочетаются, чтобы помочь нам создавать очень способные большие модели, а также — софтверные техники, чтобы перенести возможности больших моделей в гораздо меньшие, более лёгкие модели, которые гораздо более экономичны и имеют меньшую латентность, но при этом весьма способны для своего размера. Да.

Alessio Fanelli [00:01:31]: How much pressure do you have on, like, having the lower bound of the Pareto Frontier, too? I think, like, the new labs are always trying to push the top performance frontier because they need to raise more money and all of that. And you guys have billions of users. And I think initially when you worked on the CPU, you were thinking about, you know, if everybody that used Google, we use the voice model for, like, three minutes a day, they were like, you need to double your CPU number. Like, what’s that discussion today at Google? Like, how do you prioritize frontier versus, like, we have to do this? How do we actually need to deploy it if we build it?

Alessio Fanelli [00:01:31]: Насколько на тебя давит необходимость держать и нижнюю границу фронта Парето тоже? Думаю, новые лаборатории всё время пытаются толкать верхний предел производительности, потому что им нужно привлекать больше денег и всё такое. А у вас миллиарды пользователей. И, кажется, изначально, когда ты работал над CPU, ты думал о том, что если каждый, кто пользуется Google, будет использовать голосовую модель, скажем, по три минуты в день, то вам пришлось бы удвоить число CPU. Какова сегодня эта дискуссия в Google? Как вы расставляете приоритеты между фронтиром и тем, что мы обязаны сделать? Как нам это вообще развернуть, если мы это построим?

Jeff Dean [00:02:03]: Yeah, I mean, I think we always want to have models that are at the frontier or pushing the frontier because I think that’s where you see what capabilities now exist that didn’t exist at the sort of slightly less capable last year’s version or last six months ago version. At the same time, you know, we know those are going to be really useful for a bunch of use cases, but they’re going to be a bit slower and a bit more expensive than people might like for a bunch of other broader models. So I think what we want to do is always have kind of a highly capable sort of affordable model that enables a whole bunch of, you know, lower latency use cases. People can use them for agentic coding much more readily and then have the high-end, you know, frontier model that is really useful for, you know, deep reasoning, you know, solving really complicated math problems, those kinds of things. And it’s not that. One or the other is useful. They’re both useful. So I think we’d like to do both. And also, you know, through distillation, which is a key technique for making the smaller models more capable, you know, you have to have the frontier model in order to then distill it into your smaller model. So it’s not like an either or choice. You sort of need that in order to actually get a highly capable, more modest size model. Yeah.

Jeff Dean [00:02:03]: Да, думаю, мы всегда хотим иметь модели на фронтире или толкающие фронтир, потому что именно там видишь, какие возможности теперь существуют, которых не было в чуть менее способной прошлогодней версии или версии полугодовой давности. В то же время мы знаем, что они будут очень полезны для кучи сценариев, но они будут чуть медленнее и чуть дороже, чем людям хотелось бы для кучи других, более массовых задач. Поэтому, думаю, мы хотим всегда иметь некую очень способную и при этом доступную модель, которая открывает массу сценариев с меньшей латентностью. Люди могут гораздо охотнее использовать их для агентного программирования, и при этом иметь топовую фронтирную модель, которая очень полезна для глубокого рассуждения, решения по-настоящему сложных математических задач и тому подобного. И дело не в том, что полезно что-то одно. Полезны оба. Так что, думаю, мы хотели бы делать и то, и другое. И ещё, через дистилляцию — а это ключевая техника, чтобы делать меньшие модели более способными — нужно иметь фронтирную модель, чтобы потом дистиллировать её в меньшую. Так что это не выбор «или/или». Тебе как бы нужна она, чтобы реально получить очень способную модель более скромного размера. Да.

Alessio Fanelli [00:03:24]: I mean, you and Jeffrey came up with the solution in 2014.

Alessio Fanelli [00:03:24]: Ну, вы с Джеффри придумали это решение в 2014 году.

Jeff Dean [00:03:28]: Don’t forget, L’Oreal Vinyls as well. Yeah, yeah.

Jeff Dean [00:03:28]: Не забудь и про Ориола Виньялса. Да, да.

Alessio Fanelli [00:03:30]: A long time ago. But like, I’m curious how you think about the cycle of these ideas, even like, you know, sparse models and, you know, how do you reevaluate them? How do you think about in the next generation of model, what is worth revisiting? Like, yeah, they’re just kind of like, you know, you worked on so many ideas that end up being influential, but like in the moment, they might not feel that way necessarily. Yeah.

Alessio Fanelli [00:03:30]: Давным-давно. Но мне любопытно, как ты думаешь о цикле этих идей, даже, например, о разреженных моделях, — как ты их переоцениваешь? Как ты думаешь о том, что в следующем поколении модели стоит пересмотреть? То есть, знаешь, ты работал над столькими идеями, которые в итоге оказались влиятельными, но в моменте они могли так не ощущаться. Да.

Jeff Dean [00:03:52]: I mean, I think distillation was originally motivated because we were seeing that we had a very large image data set at the time, you know, 300 million images that we could train on. And we were seeing that if you create specialists for different subsets of those image categories, you know, this one’s going to be really good at sort of mammals, and this one’s going to be really good at sort of indoor room scenes or whatever, and you can cluster those categories and train on an enriched stream of data after you do pre-training on a much broader set of images. You get much better performance. If you then treat that whole set of maybe 50 models you’ve trained as a large ensemble, but that’s not a very practical thing to serve, right? So distillation really came about from the idea of, okay, what if we want to actually serve that and train all these independent sort of expert models and then squish it into something that actually fits in a form factor that you can actually serve? And that’s, you know, not that different from what we’re doing today. You know, often today we’re instead of having an ensemble of 50 models. We’re having a much larger scale model that we then distill into a much smaller scale model.

Jeff Dean [00:03:52]: Думаю, дистилляция изначально была мотивирована тем, что у нас тогда был очень большой набор изображений — знаешь, 300 миллионов картинок, на которых можно было обучаться. И мы видели, что если создать специалистов для разных подмножеств этих категорий изображений — вот этот будет очень хорош, скажем, по млекопитающим, а этот — по сценам внутри помещений или что-то такое, и можно кластеризовать эти категории и обучать на обогащённом потоке данных после предобучения на гораздо более широком наборе изображений — то получаешь гораздо лучшую производительность. Если затем рассматривать весь этот набор, скажем, из 50 обученных моделей как большой ансамбль, — но это не очень-то практично обслуживать, верно? Так что дистилляция реально появилась из идеи: окей, а что если мы хотим действительно это обслуживать и обучить все эти независимые экспертные модели, а потом сжать их в нечто, что реально влезает в форм-фактор, который можно обслуживать? И это, знаешь, не так уж сильно отличается от того, что мы делаем сегодня. Часто сегодня вместо ансамбля из 50 моделей у нас гораздо более крупномасштабная модель, которую мы затем дистиллируем в гораздо меньшую.

Shawn Wang [00:05:09]: Yeah. A part of me also wonders if distillation also has a story with the RL revolution. So let me maybe try to articulate what I mean by that, which is you can, RL basically spikes models in a certain part of the distribution. And then you have to sort of, well, you can spike models, but usually sometimes... It might be lossy in other areas and it’s kind of like an uneven technique, but you can probably distill it back and you can, I think that the sort of general dream is to be able to advance capabilities without regressing on anything else. And I think like that, that whole capability merging without loss, I feel like it’s like, you know, some part of that should be a distillation process, but I can’t quite articulate it. I haven’t seen much papers about it.

Shawn Wang [00:05:09]: Да. Часть меня также задаётся вопросом, нет ли у дистилляции связи с RL-революцией. Дай попробую сформулировать, что я имею в виду: с помощью RL ты, по сути, «затачиваешь» модель на определённой части распределения. И потом приходится... ну, можно затачивать модели, но обычно иногда... это может быть лоссово в других областях, и это как бы неравномерная техника, но потом её, наверное, можно дистиллировать обратно. И я думаю, общая мечта — суметь продвигать возможности без регрессии во всём остальном. И вот это слияние возможностей без потерь — мне кажется, что часть этого должна быть процессом дистилляции, но я не могу до конца это сформулировать. Я не видел много статей об этом.

Jeff Dean [00:06:01]: Yeah, I mean, I tend to think of one of the key advantages of distillation is that you can have a much smaller model and you can have a very large, you know, training data set and you can get utility out of making many passes over that data set because you’re now getting the logits from the much larger model in order to sort of coax the right behavior out of the smaller model that you wouldn’t otherwise get with just the hard labels. And so, you know, I think that’s what we’ve observed. Is you can get, you know, very close to your largest model performance with distillation approaches. And that seems to be, you know, a nice sweet spot for a lot of people because it enables us to kind of, for multiple Gemini generations now, we’ve been able to make the sort of flash version of the next generation as good or even substantially better than the previous generations pro. And I think we’re going to keep trying to do that because that seems like a good trend to follow.

Jeff Dean [00:06:01]: Да, думаю, одно из ключевых преимуществ дистилляции в том, что у тебя может быть гораздо меньшая модель и очень большой обучающий набор данных, и ты получаешь пользу от множества проходов по этому набору, потому что теперь ты получаешь логиты от гораздо большей модели, чтобы как бы выманить правильное поведение из меньшей, которое иначе не получил бы с одними лишь жёсткими метками. И вот это мы и наблюдали. Можно подобраться очень близко к производительности своей крупнейшей модели с помощью подходов на основе дистилляции. И это, похоже, приятная золотая середина для многих, потому что это позволяет нам уже несколько поколений Gemini делать Flash-версию следующего поколения такой же хорошей или даже значительно лучше, чем Pro предыдущего поколения. И, думаю, мы будем продолжать пытаться это делать, потому что это похоже на хороший тренд, которому стоит следовать.

Shawn Wang [00:07:02]: So, Dara asked, so it was the original map was Flash Pro and Ultra. Are you just sitting on Ultra and distilling from that? Is that like the mother load?

Shawn Wang [00:07:02]: Так, Дара спросил: изначально карта была Flash, Pro и Ultra. Вы просто сидите на Ultra и дистиллируете из неё? Это как материнская жила?

Jeff Dean [00:07:12]: I mean, we have a lot of different kinds of models. Some are internal ones that are not necessarily meant to be released or served. Some are, you know, our pro scale model and we can distill from that as well into our Flash scale model. So I think, you know, it’s an important set of capabilities to have and also inference time scaling. It can also be a useful thing to improve the capabilities of the model.

Jeff Dean [00:07:12]: У нас много разных видов моделей. Некоторые — внутренние, которые не обязательно предназначены для выпуска или обслуживания. Некоторые — наша модель масштаба Pro, и из неё мы тоже можем дистиллировать в нашу модель масштаба Flash. Так что, думаю, это важный набор возможностей, и ещё — масштабирование во время инференса. Это тоже может быть полезной штукой для улучшения возможностей модели.

Shawn Wang [00:07:35]: And yeah, yeah, cool. Yeah. And obviously, I think the economy of Flash is what led to the total dominance. I think the latest number is like 50 trillion tokens. I don’t know. I mean, obviously, it’s changing every day.

Shawn Wang [00:07:35]: И да, да, круто. Да. И, очевидно, думаю, именно экономика Flash привела к тотальному доминированию. Кажется, последняя цифра — что-то вроде 50 триллионов токенов. Не знаю. То есть, очевидно, это меняется каждый день.

Jeff Dean [00:07:46]: Yeah, yeah. But, you know, by market share, hopefully up.

Jeff Dean [00:07:46]: Да, да. Но, знаешь, по доле рынка — надеюсь, вверх.

Shawn Wang [00:07:50]: No, I mean, there’s no I mean, there’s just the economics wise, like because Flash is so economical, like you can use it for everything. Like it’s in Gmail now. It’s in YouTube. Like it’s yeah. It’s in everything.

Shawn Wang [00:07:50]: Нет, я имею в виду, с экономической точки зрения — поскольку Flash настолько экономична, её можно использовать для всего. Она теперь в Gmail. Она в YouTube. Да. Она везде.

Jeff Dean [00:08:02]: We’re using it more in our search products of various AI mode reviews.

Jeff Dean [00:08:02]: Мы используем её всё больше в наших поисковых продуктах, в разных AI-обзорах режима AI mode.

Shawn Wang [00:08:05]: Oh, my God. Flash past the AI mode. Oh, my God. Yeah, that’s yeah, I didn’t even think about that.

Shawn Wang [00:08:05]: О боже. Flash прошла в AI mode. О боже. Да, я об этом даже не подумал.

Jeff Dean [00:08:10]: I mean, I think one of the things that is quite nice about the Flash model is not only is it more affordable, it’s also a lower latency. And I think latency is actually a pretty important characteristic for these models because we’re going to want models to do much more complicated things that are going to involve, you know, generating many more tokens from when you ask the model to do so. So, you know, if you’re going to ask the model to do something until it actually finishes what you ask it to do, because you’re going to ask now, not just write me a for loop, but like write me a whole software package to do X or Y or Z. And so having low latency systems that can do that seems really important. And Flash is one direction, one way of doing that. You know, obviously our hardware platforms enable a bunch of interesting aspects of our, you know, serving stack as well, like TPUs, the interconnect between. Chips on the TPUs is actually quite, quite high performance and quite amenable to, for example, long context kind of attention operations, you know, having sparse models with lots of experts. These kinds of things really, really matter a lot in terms of how do you make them servable at scale.

Jeff Dean [00:08:10]: Думаю, одна из приятных вещей в модели Flash в том, что она не только доступнее, но ещё и с меньшей латентностью. И, думаю, латентность — на самом деле довольно важная характеристика этих моделей, потому что мы захотим, чтобы модели делали гораздо более сложные вещи, которые будут включать генерацию гораздо большего числа токенов с момента, когда ты просишь модель что-то сделать. Так что, знаешь, если ты собираешься просить модель делать что-то, пока она реально не закончит то, что ты попросил, — потому что теперь ты будешь просить не просто «напиши мне цикл for», а «напиши мне целый программный пакет, чтобы сделать X, Y или Z». И поэтому иметь системы с низкой латентностью, которые могут это делать, кажется очень важным. И Flash — одно из направлений, один из способов это делать. И, очевидно, наши аппаратные платформы открывают кучу интересных аспектов нашего стека обслуживания, например TPU; интерконнект между чипами на TPU на самом деле очень производительный и очень подходит, например, для операций внимания на длинном контексте, для разреженных моделей с множеством экспертов. Все эти вещи реально очень сильно влияют на то, как сделать их обслуживаемыми в масштабе.

Alessio Fanelli [00:09:19]: Yeah. Does it feel like there’s some breaking point for like the proto Flash distillation, kind of like one generation delayed? I almost think about almost like the capability as a. In certain tasks, like the pro model today is a saturated, some sort of task. So next generation, that same task will be saturated at the Flash price point. And I think for most of the things that people use models for at some point, the Flash model in two generation will be able to do basically everything. And how do you make it economical to like keep pushing the pro frontier when a lot of the population will be okay with the Flash model? I’m curious how you think about that.

Alessio Fanelli [00:09:19]: Да. Не кажется ли тебе, что есть некая точка перелома для дистилляции Pro→Flash, как бы с отставанием на одно поколение? Я почти думаю о возможностях как о... В определённых задачах модель Pro сегодня насыщает какую-то задачу. И в следующем поколении та же задача будет насыщена на ценовой точке Flash. И, думаю, для большинства вещей, для которых люди используют модели, в какой-то момент модель Flash через два поколения сможет делать практически всё. И как сделать экономически выгодным продолжать толкать фронтир Pro, когда значительная часть населения будет довольна моделью Flash? Мне любопытно, как ты об этом думаешь.

Jeff Dean [00:09:59]: I mean, I think that’s true. If your distribution of what people are asking people, the models to do is stationary, right? But I think what often happens is as the models become more capable, people ask them to do more, right? So, I mean, I think this happens in my own usage. Like I used to try our models a year ago for some sort of coding task, and it was okay at some simpler things, but wouldn’t do work very well for more complicated things. And since then, we’ve improved dramatically on the more complicated coding tasks. And now I’ll ask it to do much more complicated things. And I think that’s true, not just of coding, but of, you know, now, you know, can you analyze all the, you know, renewable energy deployments in the world and give me a report on solar panel deployment or whatever. That’s a very complicated, you know, more complicated task than people would have asked a year ago. And so you are going to want more capable models to push the frontier in the absence of what people ask the models to do. And that also then gives us. Insight into, okay, where does the, where do things break down? How can we improve the model in these, these particular areas, uh, in order to sort of, um, make the next generation even better.

Jeff Dean [00:09:59]: Думаю, это так — если распределение того, что люди просят модели делать, стационарно, верно? Но, думаю, часто происходит так, что по мере того, как модели становятся способнее, люди просят их делать больше, верно? Я имею в виду, это происходит в моём собственном использовании. Например, год назад я пробовал наши модели для какой-то задачи по коду, и она была неплоха в более простых вещах, но не очень хорошо справлялась с более сложными. А с тех пор мы кардинально улучшились в более сложных задачах кодирования. И теперь я прошу её делать гораздо более сложные вещи. И, думаю, это верно не только для кода, но и, знаешь, теперь — можешь ли ты проанализировать все развёртывания возобновляемой энергии в мире и дать мне отчёт по установке солнечных панелей или что-то такое. Это очень сложная задача, гораздо сложнее, чем люди просили бы год назад. И поэтому тебе будут нужны более способные модели, чтобы толкать фронтир, при том же наборе того, что люди просят у моделей. И это также даёт нам понимание того, окей, где же вещи ломаются? Как мы можем улучшить модель в этих конкретных областях, чтобы как бы сделать следующее поколение ещё лучше.

Alessio Fanelli [00:11:11]: Yeah. Are there any benchmarks or like test sets they use internally? Because it’s almost like the same benchmarks get reported every time. And it’s like, all right, it’s like 99 instead of 97. Like, how do you have to keep pushing the team internally to it? Or like, this is what we’re building towards. Yeah.

Alessio Fanelli [00:11:11]: Да. Есть ли какие-то бенчмарки или тестовые наборы, которые вы используете внутри? Потому что кажется, что каждый раз отчитываются по одним и тем же бенчмаркам. И это типа: ну ладно, 99 вместо 97. Как вам приходится продолжать подталкивать команду внутри? Или: вот к чему мы идём. Да.

Jeff Dean [00:11:26]: I mean, I think. Benchmarks, particularly external ones that are publicly available. Have their utility, but they often kind of have a lifespan of utility where they’re introduced and maybe they’re quite hard for current models. You know, I, I like to think of the best kinds of benchmarks are ones where the initial scores are like 10 to 20 or 30%, maybe, but not higher. And then you can sort of work on improving that capability for, uh, whatever it is, the benchmark is trying to assess and get it up to like 80, 90%, whatever. I, I think once it hits kind of 95% or something, you get very diminishing returns from really focusing on that benchmark, cuz it’s sort of, it’s either the case that you’ve now achieved that capability, or there’s also the issue of leakage in public data or very related kind of data being, being in your training data. Um, so we have a bunch of held out internal benchmarks that we really look at where we know that wasn’t represented in the training data at all. There are capabilities that we want the model to have. Um, yeah. Yeah. Um, that it doesn’t have now, and then we can work on, you know, assessing, you know, how do we make the model better at these kinds of things? Is it, we need different kind of data to train on that’s more specialized for this particular kind of task. Do we need, um, you know, a bunch of, uh, you know, architectural improvements or some sort of, uh, model capability improvements, you know, what would help make that better?

Jeff Dean [00:11:26]: Думаю, бенчмарки, особенно внешние, публично доступные, имеют свою полезность, но у них часто как бы есть срок жизни полезности: их вводят, и, может быть, они довольно сложны для текущих моделей. Знаешь, мне нравится думать, что лучшие бенчмарки — те, где начальные оценки порядка 10, 20 или, может, 30%, но не выше. И потом можно работать над улучшением той способности, что бы бенчмарк ни пытался оценить, и довести её до, скажем, 80, 90%. Думаю, как только это достигает примерно 95% или около того, ты получаешь очень убывающую отдачу от реальной концентрации на этом бенчмарке, потому что либо ты уже достиг этой способности, либо есть проблема утечки в публичных данных или того, что очень связанные данные попали в твои обучающие данные. Поэтому у нас есть набор отложенных внутренних бенчмарков, на которые мы реально смотрим, где мы знаем, что это вообще не было представлено в обучающих данных. Это возможности, которые мы хотим, чтобы модель имела. Да. Которых у неё сейчас нет, и потом мы можем работать над оценкой того, как нам сделать модель лучше в таких вещах? Нужны ли нам данные другого рода для обучения, более специализированные под этот конкретный тип задач? Нужны ли нам архитектурные улучшения или какие-то улучшения возможностей модели — что помогло бы сделать это лучше?

Shawn Wang [00:12:53]: Is there, is there such an example that you, uh, a benchmark inspired in architectural improvement? Like, uh, I’m just kind of. Jumping on that because you just.

Shawn Wang [00:12:53]: А есть ли такой пример, когда бенчмарк вдохновил архитектурное улучшение? Я просто цепляюсь за это, потому что ты только что...

Jeff Dean [00:13:02]: Uh, I mean, I think some of the long context capability of the, of the Gemini models that came, I guess, first in 1.5 really were about looking at, okay, we want to have, um, you know,

Jeff Dean [00:13:02]: Думаю, некоторые из возможностей длинного контекста у моделей Gemini, которые появились, кажется, впервые в 1.5, как раз были про то, чтобы посмотреть: окей, мы хотим иметь, знаешь,

Shawn Wang [00:13:15]: immediately everyone jumped to like completely green charts of like, everyone had, I was like, how did everyone crack this at the same time? Right. Yeah. Yeah.

Shawn Wang [00:13:15]: и сразу все перешли к полностью зелёным графикам, у всех было... Я такой: как все взломали это одновременно? Верно. Да. Да.

Jeff Dean [00:13:23]: I mean, I think, um, and once you’re set, I mean, as you say that needed single needle and a half. Hey, stack benchmark is really saturated for at least context links up to 1, 2 and K or something. Don’t actually have, you know, much larger than 1, 2 and 8 K these days or two or something. We’re trying to push the frontier of 1 million or 2 million context, which is good because I think there are a lot of use cases where. Yeah. You know, putting a thousand pages of text or putting, you know, multiple hour long videos and the context and then actually being able to make use of that as useful. Try to, to explore the über graduation are fairly large. But the single needle in a haystack benchmark is sort of saturated. So you really want more complicated, sort of multi-needle or more realistic, take all this content and produce this kind of answer from a long context that sort of better assesses what it is people really want to do with long context. Which is not just, you know, can you tell me the product number for this particular thing?

Jeff Dean [00:13:23]: Думаю, и как только ты... я имею в виду, как ты и говоришь, нужен был тот самый бенчмарк с одной иголкой в стоге сена, и он реально насыщен по крайней мере для длин контекста до 128К или около того. На самом деле сейчас нет особо длиннее, чем 128К, или двух [миллионов] или что-то такое. Мы пытаемся толкать фронтир в 1 миллион или 2 миллиона контекста, что хорошо, потому что, думаю, есть много сценариев, где, знаешь, помещение тысячи страниц текста или нескольких многочасовых видео в контекст и реальное умение этим воспользоваться полезно. Но бенчмарк с одной иголкой в стоге сена как бы насыщен. Так что реально хочется чего-то более сложного — мульти-иголочного или более реалистичного: возьми весь этот контент и выдай вот такого рода ответ из длинного контекста, что лучше оценивает то, что люди реально хотят делать с длинным контекстом. А это не просто «можешь сказать мне артикул вот этой конкретной штуки?»

Shawn Wang [00:14:31]: Yeah, it’s retrieval. It’s retrieval within machine learning. It’s interesting because I think the more meta level I’m trying to operate at here is you have a benchmark. You’re like, okay, I see the architectural thing I need to do in order to go fix that. But should you do it? Because sometimes that’s an inductive bias, basically. It’s what Jason Wei, who used to work at Google, would say. Exactly the kind of thing. Yeah, you’re going to win. Short term. Longer term, I don’t know if that’s going to scale. You might have to undo that.

Shawn Wang [00:14:31]: Да, это поиск. Это поиск внутри машинного обучения. Это интересно, потому что мета-уровень, на котором я пытаюсь здесь оперировать, такой: у тебя есть бенчмарк. Ты такой: окей, я вижу архитектурную штуку, которую мне нужно сделать, чтобы это починить. Но стоит ли её делать? Потому что иногда это индуктивное смещение, по сути. Это то, что сказал бы Джейсон Вэй, который раньше работал в Google. Именно такого рода вещь. Да, краткосрочно ты выиграешь. Долгосрочно — не знаю, будет ли это масштабироваться. Возможно, придётся это откатить.

Jeff Dean [00:15:01]: I mean, I like to sort of not focus on exactly what solution we’re going to derive, but what capability would you want? And I think we’re very convinced that, you know, long context is useful, but it’s way too short today. Right? Like, I think what you would really want is, can I attend to the internet while I answer my question? Right? But that’s not going to happen. I think that’s going to be solved by purely scaling the existing solutions, which are quadratic. So a million tokens kind of pushes what you can do. You’re not going to do that to a trillion tokens, let alone, you know, a billion tokens, let alone a trillion. But I think if you could give the illusion that you can attend to trillions of tokens, that would be amazing. You’d find all kinds of uses for that. You would have attend to the internet. You could attend to the pixels of YouTube and the sort of deeper representations that we can find. You could attend to the form for a single video, but across many videos, you know, on a personal Gemini level, you could attend to all of your personal state with your permission. So like your emails, your photos, your docs, your plane tickets you have. I think that would be really, really useful. And the question is, how do you get algorithmic improvements and system level improvements that get you to something where you actually can attend to trillions of tokens? Right. In a meaningful way. Yeah.

Jeff Dean [00:15:01]: Мне нравится фокусироваться не на том, какое именно решение мы выведем, а на том, какую способность ты хотел бы иметь. И, думаю, мы очень убеждены, что длинный контекст полезен, но сегодня он слишком короткий. Верно? Думаю, чего реально хотелось бы — это «могу ли я обращать внимание на весь интернет, пока отвечаю на вопрос?» Верно? Но этого не случится. Думаю, это будет решено не чистым масштабированием существующих решений, которые квадратичны. Так что миллион токенов как бы толкает предел возможного. Ты не сделаешь это на триллион токенов, не говоря уже о, знаешь, миллиарде. Но, думаю, если бы можно было создать иллюзию, что ты можешь обращать внимание на триллионы токенов, это было бы потрясающе. Нашлась бы куча применений. Ты бы обращал внимание на интернет. Ты мог бы обращать внимание на пиксели YouTube и на более глубокие представления, которые мы умеем находить. Ты мог бы обращать внимание не только на одно видео, но через множество видео, и, знаешь, на уровне персонального Gemini ты мог бы, с твоего разрешения, обращать внимание на всё твоё личное состояние. Например, твои письма, фото, документы, авиабилеты. Думаю, это было бы реально очень полезно. И вопрос в том, как получить алгоритмические улучшения и улучшения на уровне систем, которые приведут тебя к чему-то, где ты действительно можешь осмысленно обращать внимание на триллионы токенов. Да.

Shawn Wang [00:16:26]: But by the way, I think I did some math and it’s like, if you spoke all day, every day for eight hours a day, you only generate a maximum of like a hundred K tokens, which like very comfortably fits.

Shawn Wang [00:16:26]: Кстати, я тут немного посчитал, и получается, что если бы ты говорил весь день, каждый день по восемь часов в день, ты сгенерировал бы максимум что-то около ста тысяч токенов, что вполне комфортно влезает.

Jeff Dean [00:16:38]: Right. But if you then say, okay, I want to be able to understand everything people are putting on videos.

Jeff Dean [00:16:38]: Верно. Но если ты потом скажешь: окей, я хочу уметь понимать всё, что люди выкладывают в видео.

Shawn Wang [00:16:46]: Well, also, I think that the classic example is you start going beyond language into like proteins and whatever else is extremely information dense. Yeah. Yeah.

Shawn Wang [00:16:46]: Ну, ещё, думаю, классический пример — когда ты выходишь за пределы языка в, скажем, белки и всё прочее, что чрезвычайно информационно плотно. Да. Да.

Jeff Dean [00:16:55]: I mean, I think one of the things about Gemini’s multimodal aspects is we’ve always wanted it to be multimodal from the start. And so, you know, that sometimes to people means text and images and video sort of human-like and audio, audio, human-like modalities. But I think it’s also really useful to have Gemini know about non-human modalities. Yeah. Like LIDAR sensor data from. Yes. Say, Waymo vehicles or. Like robots or, you know, various kinds of health modalities, x-rays and MRIs and imaging and genomics information. And I think there’s probably hundreds of modalities of data where you’d like the model to be able to at least be exposed to the fact that this is an interesting modality and has certain meaning in the world. Where even if you haven’t trained on all the LIDAR data or MRI data, you could have, because maybe that’s not, you know, it doesn’t make sense in terms of trade-offs of. You know, what you include in your main pre-training data mix, at least including a little bit of it is actually quite useful. Yeah. Because it sort of tempts the model that this is a thing.

Jeff Dean [00:16:55]: Думаю, одна из вещей про мультимодальные аспекты Gemini в том, что мы всегда хотели, чтобы он был мультимодальным с самого начала. И, знаешь, для людей это иногда означает текст, изображения, видео — как у человека, и аудио, человекоподобные модальности. Но, думаю, также реально полезно, чтобы Gemini знал про нечеловеческие модальности. Да. Например, данные с LIDAR-сенсоров с... да, скажем, машин Waymo, или роботов, или разные виды медицинских модальностей — рентгены, МРТ, визуализация, геномная информация. И, думаю, вероятно, есть сотни модальностей данных, где хотелось бы, чтобы модель хотя бы была ознакомлена с тем фактом, что это интересная модальность и имеет определённое значение в мире. Даже если ты не обучал её на всех данных LIDAR или МРТ, ты мог бы, потому что, может быть, это не имеет смысла с точки зрения компромиссов того, что включаешь в основной микс предобучающих данных, — но включить хотя бы немного этого на самом деле очень полезно. Да. Потому что это как бы намекает модели, что это вещь существует.

Shawn Wang [00:18:04]: Yeah. Do you believe, I mean, since we’re on this topic and something I just get to ask you all the questions I always wanted to ask, which is fantastic. Like, are there some king modalities, like modalities that supersede all the other modalities? So a simple example was Vision can, on a pixel level, encode text. And DeepSeq had this DeepSeq CR paper that did that. Vision. And Vision has also been shown to maybe incorporate audio because you can do audio spectrograms and that’s, that’s also like a Vision capable thing. Like, so, so maybe Vision is just the king modality and like. Yeah.

Shawn Wang [00:18:04]: Да. Веришь ли ты — раз уж мы на эту тему, и я могу задавать тебе все вопросы, которые всегда хотел задать, что прекрасно, — есть ли некие модальности-короли, модальности, которые превосходят все остальные? Простой пример: зрение может на уровне пикселей кодировать текст. И у DeepSeek была эта статья DeepSeek OCR, которая это сделала. Зрение. И зрение также, как показано, может, возможно, включать в себя аудио, потому что можно делать аудиоспектрограммы, и это тоже как бы вещь, доступная зрению. Так что, может быть, зрение — это просто модальность-король, и... Да.

Jeff Dean [00:18:36]: I mean, Vision and Motion are quite important things, right? Motion. Well, like video as opposed to static images, because I mean, there’s a reason evolution has evolved eyes like 23 independent ways, because it’s such a useful capability for sensing the world around you, which is really what we want these models to be. So I think the only thing that we can be able to do is interpret the things we’re seeing or the things we’re paying attention to and then help us in using that information to do things. Yeah.

Jeff Dean [00:18:36]: Думаю, зрение и движение — весьма важные вещи, верно? Движение. Ну, например, видео в отличие от статичных изображений, потому что есть причина, по которой эволюция развивала глаза, кажется, 23 независимыми способами, — потому что это настолько полезная способность для восприятия окружающего мира, чем мы реально и хотим, чтобы были эти модели. Так что, думаю, единственное, что мы способны делать, — это интерпретировать то, что видим, или то, на что обращаем внимание, и потом помогать нам использовать эту информацию, чтобы делать вещи. Да.

Shawn Wang [00:19:05]: I think motion, you know, I still want to shout out, I think Gemini, still the only native video understanding model that’s out there. So I use it for YouTube all the time. Nice.

Shawn Wang [00:19:05]: Думаю, движение... знаешь, я всё же хочу отметить — по-моему, Gemini до сих пор единственная нативная модель понимания видео, что есть на рынке. Так что я использую её для YouTube всё время. Здорово.

Jeff Dean [00:19:15]: Yeah. Yeah. I mean, it’s actually, I think people kind of are not necessarily aware of what the Gemini models can actually do. Yeah. Like I have an example I’ve used in one of my talks. It had like, it was like a YouTube highlight video of 18 memorable sports moments across the last 20 years or something. So it has like Michael Jordan hitting some jump shot at the end of the finals and, you know, some soccer goals and things like that. And you can literally just give it the video and say, can you please make me a table of what all these different events are? What when the date is when they happened? And a short description. And so you get like now an 18 row table of that information extracted from the video, which is, you know, not something most people think of as like a turn video into sequel like table.

Jeff Dean [00:19:15]: Да. Да. На самом деле, думаю, люди не всегда осознают, что модели Gemini реально умеют. Да. Например, у меня есть пример, который я использовал в одном из своих выступлений. Это было что-то вроде нарезки лучших моментов на YouTube — 18 запоминающихся спортивных моментов за последние 20 лет или около того. Там, например, Майкл Джордан забивает какой-то бросок в прыжке в конце финала, и какие-то голы в футболе и тому подобное. И ты можешь буквально просто дать ему это видео и сказать: можешь, пожалуйста, сделать мне таблицу того, что это всё за события? Когда они произошли, какова дата? И краткое описание. И вот ты получаешь таблицу из 18 строк с этой информацией, извлечённой из видео, что, знаешь, не то, что большинство людей представляют как «преврати видео в таблицу типа SQL».

Alessio Fanelli [00:20:11]: Has there been any discussion inside of Google of like, you mentioned tending to the whole internet, right? Google, it’s almost built because a human cannot tend to the whole internet and you need some sort of ranking to find what you need. Yep. That ranking is like much different for an LLM because you can expect a person to look at maybe the first five, six links in a Google search versus for an LLM. Should you expect to have 20 links that are highly relevant? Like how do you internally figure out, you know, how do we build the AI mode that is like maybe like much broader search and span versus like the more human one? Yeah.

Alessio Fanelli [00:20:11]: Была ли внутри Google какая-то дискуссия о том, что — ты упомянул внимание ко всему интернету, верно? Google, по сути, и построен потому, что человек не может обратить внимание на весь интернет, и нужно некое ранжирование, чтобы найти нужное. Ага. Это ранжирование сильно отличается для LLM, потому что от человека можно ожидать, что он посмотрит, может, первые пять-шесть ссылок в поиске Google, тогда как для LLM — следует ли ожидать 20 высокорелевантных ссылок? Как вы внутри определяете, как нам построить AI mode, который, может быть, имеет гораздо более широкий охват поиска, против более человеческого? Да.

Jeff Dean [00:20:47]: I mean, I think even pre-language model based work, you know, our ranking systems would be built to start. I mean, I think even pre-language model based work, you know, our ranking systems would be built to start. With a giant number of web pages in our index, many of them are not relevant. So you identify a subset of them that are relevant with very lightweight kinds of methods. You know, you’re down to like 30,000 documents or something. And then you gradually refine that to apply more and more sophisticated algorithms and more and more sophisticated sort of signals of various kinds in order to get down to ultimately what you show, which is, you know, the final 10 results or, you know, 10 results plus. Other kinds of information. And I think an LLM based system is not going to be that dissimilar, right? You’re going to attend to trillions of tokens, but you’re going to want to identify, you know, what are the 30,000 ish documents that are with the, you know, maybe 30 million interesting tokens. And then how do you go from that into what are the 117 documents I really should be paying attention to in order to carry out the tasks that the user has asked? And I think, you know, you can imagine systems where you have, you know, a lot of highly parallel processing to identify those initial 30,000 candidates, maybe with very lightweight kinds of models. Then you have some system that sort of helps you narrow down from 30,000 to the 117 with maybe a little bit more sophisticated model or set of models. And then maybe the final model is the thing that looks. So the 117 things that might be your most capable model. So I think it has to, it’s going to be some system like that, that is really enables you to give the illusion of attending to trillions of tokens. Sort of the way Google search gives you, you know, not the illusion, but you are searching the internet, but you’re finding, you know, a very small subset of things that are, that are relevant.

Jeff Dean [00:20:47]: Думаю, даже в дозычковую эпоху наши системы ранжирования строились так, чтобы начинать... я имею в виду, даже в эпоху до языковых моделей наши системы ранжирования строились так, чтобы начинать с гигантского числа веб-страниц в нашем индексе, многие из которых нерелевантны. Так что ты выявляешь их релевантное подмножество с помощью очень лёгких методов. Знаешь, ты спускаешься до примерно 30 000 документов или около того. А потом ты постепенно уточняешь это, применяя всё более изощрённые алгоритмы и всё более изощрённые сигналы разного рода, чтобы спуститься в итоге до того, что показываешь, — это, знаешь, финальные 10 результатов или 10 результатов плюс другие виды информации. И, думаю, система на основе LLM будет не так уж непохожа, верно? Ты будешь обращать внимание на триллионы токенов, но захочешь выявить, скажем, те примерно 30 000 документов, в которых, может быть, 30 миллионов интересных токенов. А потом — как ты переходишь от этого к тем 117 документам, на которые мне действительно стоит обратить внимание, чтобы выполнить задачу, которую попросил пользователь? И, думаю, можно представить системы, где есть много высокопараллельной обработки, чтобы выявить эти начальные 30 000 кандидатов, может, с помощью очень лёгких моделей. Потом есть некая система, которая помогает сузить с 30 000 до 117 с, может, чуть более изощрённой моделью или набором моделей. А потом, может, финальная модель — это то, что смотрит на эти 117 вещей, и это может быть твоя самая способная модель. Так что, думаю, это будет некая система такого рода, которая реально позволяет создать иллюзию внимания к триллионам токенов. Примерно так же, как поиск Google даёт тебе — не иллюзию, но ты действительно ищешь по интернету, но находишь очень малое подмножество вещей, которые релевантны.

Shawn Wang [00:22:47]: Yeah. I often tell a lot of people that are not steeped in like Google search history that, well, you know, like Bert was. Like he was like basically immediately inside of Google search and that improves results a lot, right? Like I don’t, I don’t have any numbers off the top of my head, but like, I’m sure you guys, that’s obviously the most important numbers to Google. Yeah.

Shawn Wang [00:22:47]: Да. Я часто говорю многим людям, которые не погружены в историю поиска Google, что, ну, знаешь, BERT был... он практически сразу попал внутрь поиска Google, и это сильно улучшило результаты, верно? Цифр у меня в голове нет, но я уверен, что вы — это, очевидно, самые важные для Google цифры. Да.

Jeff Dean [00:23:08]: I mean, I think going to an LLM based representation of text and words and so on enables you to get out of the explicit hard notion of, of particular words having to be on the page, but really getting at the notion of this topic of this page or this page. Paragraph is highly relevant to this query. Yeah.

Jeff Dean [00:23:08]: Думаю, переход к LLM-представлению текста, слов и так далее позволяет выйти из явного жёсткого понятия того, что конкретные слова должны быть на странице, и реально добраться до понятия «эта тема страницы» или «этот абзац этой страницы высоко релевантен этому запросу». Да.

Shawn Wang [00:23:28]: I don’t think people understand how much LLMs have taken over all these very high traffic system, very high traffic. Yeah. Like it’s Google, it’s YouTube. YouTube has this like semantics ID thing where it’s just like every token or every item in the vocab is a YouTube video or something that predicts the video using a code book, which is absurd to me for YouTube size.

Shawn Wang [00:23:28]: Думаю, люди не понимают, насколько LLM захватили все эти системы с очень высоким трафиком, очень высоким трафиком. Да. Это Google, это YouTube. У YouTube есть эта штука с semantic ID, где, по сути, каждый токен или каждый элемент в словаре — это видео на YouTube или что-то, что предсказывает видео с помощью кодовой книги, что для масштаба YouTube для меня просто абсурдно.

Jeff Dean [00:23:50]: And then most recently GROK also for, for XAI, which is like, yeah. I mean, I’ll call out even before LLMs were used extensively in search, we put a lot of emphasis on softening the notion of what the user actually entered into the query.

Jeff Dean [00:23:50]: А совсем недавно — Grok тоже у xAI, что типа да. Я хочу отметить, что даже до того, как LLM стали активно использоваться в поиске, мы делали большой акцент на смягчении понятия того, что именно пользователь ввёл в запрос.

Shawn Wang [00:24:06]: So do you have like a history of like, what’s the progression? Oh yeah.

Shawn Wang [00:24:06]: А есть ли у тебя как бы история, какова была прогрессия? О да.

Jeff Dean [00:24:09]: I mean, I actually gave a talk in, uh, I guess, uh, web search and data mining conference in 2009, uh, where we never actually published any papers about the origins of Google search, uh, sort of, but we went through sort of four or five or six. generations, four or five or six generations of, uh, redesigning of the search and retrieval system, uh, from about 1999 through 2004 or five. And that talk is really about that evolution. And one of the things that really happened in 2001 was we were sort of working to scale the system in multiple dimensions. So one is we wanted to make our index bigger, so we could retrieve from a larger index, which always helps your quality in general. Uh, because if you don’t have the page in your index, you’re going to not do well. Um, and then we also needed to scale our capacity because we were, our traffic was growing quite extensively. Um, and so we had, you know, a sharded system where you have more and more shards as the index grows, you have like 30 shards. And then if you want to double the index size, you make 60 shards so that you can bound the latency by which you respond for any particular user query. Um, and then as traffic grows, you add, you add more and more replicas of each of those. And so we eventually did the math that realized that in a data center where we had say 60 shards and, um, you know, 20 copies of each shard, we now had 1200 machines, uh, with disks. And we did the math and we’re like, Hey, one copy of that index would actually fit in memory across 1200 machines. So in 2001, we introduced, uh, we put our entire index in memory and what that enabled from a quality perspective was amazing. Um, and so we had more and more replicas of each of those. Before you had to be really careful about, you know, how many different terms you looked at for a query, because every one of them would involve a disk seek on every one of the 60 shards. And so you, as you make your index bigger, that becomes even more inefficient. But once you have the whole index in memory, it’s totally fine to have 50 terms you throw into the query from the user’s original three or four word query, because now you can add synonyms like restaurant and restaurants and cafe and, uh, you know, things like that. Uh, bistro and all these things. And you can suddenly start, uh, sort of really, uh, getting at the meaning of the word as opposed to the exact semantic form the user typed in. And that was, you know, 2001, very much pre LLM, but really it was about softening the, the strict definition of what the user typed in order to get at the meaning.

Jeff Dean [00:24:09]: Я на самом деле дал доклад, кажется, на конференции по веб-поиску и data mining в 2009 году, где — мы никогда не публиковали статей про истоки поиска Google — но мы прошли через четыре, или пять, или шесть поколений переработки системы поиска и извлечения, примерно с 1999 по 2004 или 2005 год. И тот доклад как раз об этой эволюции. И одна из вещей, что реально случилась в 2001 году, — мы работали над масштабированием системы по нескольким измерениям. Одно — мы хотели сделать наш индекс больше, чтобы извлекать из большего индекса, что в целом всегда улучшает качество. Потому что если страницы нет в твоём индексе, ты не справишься хорошо. А ещё нам нужно было масштабировать пропускную способность, потому что наш трафик рос весьма обширно. И поэтому у нас была шардированная система, где по мере роста индекса добавляешь всё больше шардов, скажем, 30 шардов. И если хочешь удвоить размер индекса, делаешь 60 шардов, чтобы можно было ограничить латентность, с которой отвечаешь на любой конкретный пользовательский запрос. А потом, по мере роста трафика, добавляешь всё больше реплик каждого из них. И в итоге мы посчитали и осознали, что в дата-центре, где у нас было, скажем, 60 шардов и, знаешь, 20 копий каждого шарда, у нас теперь было 1200 машин с дисками. И мы посчитали и поняли: эй, одна копия этого индекса на самом деле уместилась бы в памяти на 1200 машинах. Так что в 2001 году мы поместили весь наш индекс в память, и то, что это открыло с точки зрения качества, было потрясающе. И у нас было всё больше реплик каждого из них. Раньше приходилось очень аккуратно следить за тем, сколько разных термов ты смотришь для запроса, потому что каждый из них требовал бы дискового поиска на каждом из 60 шардов. И поэтому по мере увеличения индекса это становится ещё более неэффективным. Но как только весь индекс в памяти, совершенно нормально иметь 50 термов, которые ты бросаешь в запрос из исходного запроса пользователя из трёх-четырёх слов, потому что теперь можно добавлять синонимы, как «ресторан» и «рестораны», и «кафе», и, знаешь, «бистро» и всё такое. И ты вдруг можешь начать реально добираться до значения слова, а не до точной семантической формы, которую ввёл пользователь. И это, знаешь, 2001 год, очень даже до LLM, но реально это было про смягчение строгого определения того, что ввёл пользователь, ради того, чтобы добраться до значения.

Alessio Fanelli [00:26:47]: What are like principles that you use to like design the systems, especially when you have, I mean, in 2001, the internet is like. Doubling, tripling every year in size is not like, uh, you know, and I think today you kind of see that with LLMs too, where like every year the jumps in size and like capabilities are just so big. Are there just any, you know, principles that you use to like, think about this? Yeah.

Alessio Fanelli [00:26:47]: Какие принципы ты используешь при проектировании систем, особенно когда у тебя — в 2001 году интернет как бы удваивался, утраивался каждый год в размере, это не как... И, думаю, сегодня это в каком-то смысле видно и с LLM, где каждый год скачки в размере и возможностях просто такие большие. Есть ли какие-то принципы, которые ты используешь, чтобы думать об этом? Да.

Jeff Dean [00:27:08]: I mean, I think, uh, you know, first, whenever you’re designing a system, you want to understand what are the sort of design parameters that are going to be most important in designing that, you know? So, you know, how many queries per second do you need to handle? How big is the internet? How big is the index you need to handle? How much data do you need to keep for every document in the index? How are you going to look at it when you retrieve things? Um, what happens if traffic were to double or triple, you know, will that system work well? And I think a good design principle is you’re going to want to design a system so that the most important characteristics could scale by like factors of five or 10, but probably not beyond that because often what happens is if you design a system for X. And something suddenly becomes a hundred X, that would enable a very different point in the design space that would not make sense at X. But all of a sudden at a hundred X makes total sense. So like going from a disk space index to a in memory index makes a lot of sense once you have enough traffic, because now you have enough replicas of the sort of state on disk that those machines now actually can hold, uh, you know, a full copy of the, uh, index and memory. Yeah. And that all of a sudden enabled. A completely different design that wouldn’t have been practical before. Yeah. Um, so I’m, I’m a big fan of thinking through designs in your head, just kind of playing with the design space a little before you actually do a lot of writing of code. But, you know, as you said, in the early days of Google, we were growing the index, uh, quite extensively. We were growing the update rate of the index. So the update rate actually is the parameter that changed the most. Surprising. So it used to be once a month.

Jeff Dean [00:27:08]: Думаю, во-первых, всякий раз, когда проектируешь систему, хочется понять, какие параметры проектирования будут наиболее важны при её проектировании, знаешь? Сколько запросов в секунду нужно обрабатывать? Насколько велик интернет? Насколько велик индекс, который нужно обрабатывать? Сколько данных нужно хранить для каждого документа в индексе? Как ты будешь на него смотреть, когда извлекаешь вещи? Что произойдёт, если трафик удвоится или утроится — будет ли эта система работать хорошо? И, думаю, хороший принцип проектирования: ты хочешь проектировать систему так, чтобы самые важные характеристики могли масштабироваться, скажем, в пять или десять раз, но, вероятно, не больше, потому что часто бывает так, что если проектируешь систему под X, а что-то вдруг становится стократным X, это открыло бы совсем другую точку в пространстве проектирования, которая не имела бы смысла при X. Но вдруг при стократном X она обретает полный смысл. Например, переход от индекса на диске к индексу в памяти приобретает большой смысл, как только у тебя достаточно трафика, потому что теперь у тебя достаточно реплик состояния на диске, что эти машины теперь реально могут держать полную копию индекса в памяти. И это вдруг открыло совсем другой дизайн, который раньше был бы непрактичен. Да. Так что я большой поклонник продумывания дизайнов в голове, просто игры с пространством проектирования немного, прежде чем реально много писать кода. Но, как ты сказал, в ранние дни Google мы наращивали индекс довольно обширно. Мы наращивали частоту обновления индекса. Так что частота обновления на самом деле — это параметр, который изменился больше всего. Удивительно. Раньше это было раз в месяц.

Shawn Wang [00:28:55]: Yeah.

Shawn Wang [00:28:55]: Да.

Jeff Dean [00:28:56]: And then we went to a system that could update any particular page in like sub one minute. Okay.

Jeff Dean [00:28:56]: А потом мы перешли к системе, которая могла обновить любую конкретную страницу примерно меньше чем за минуту. Окей.

Shawn Wang [00:29:02]: Yeah. Because this is a competitive advantage, right?

Shawn Wang [00:29:02]: Да. Потому что это конкурентное преимущество, верно?

Jeff Dean [00:29:04]: Because all of a sudden news related queries, you know, if you’re, if you’ve got last month’s news index, it’s not actually that useful for.

Jeff Dean [00:29:04]: Потому что вдруг новостные запросы — знаешь, если у тебя индекс новостей за прошлый месяц, он не особо полезен для...

Shawn Wang [00:29:11]: News is a special beast. Was there any, like you could have split it onto a separate system.

Shawn Wang [00:29:11]: Новости — особый зверь. Не было ли — ты ведь мог вынести их на отдельную систему.

Jeff Dean [00:29:15]: Well, we did. We launched a Google news product, but you also want news related queries that people type into the main index to also be sort of updated.

Jeff Dean [00:29:15]: Ну, мы так и сделали. Мы запустили продукт Google News, но ты также хочешь, чтобы новостные запросы, которые люди вводят в основной индекс, тоже были как бы обновлены.

Shawn Wang [00:29:23]: So, yeah, it’s interesting. And then you have to like classify whether the page is, you have to decide which pages should be updated and what frequency. Oh yeah.

Shawn Wang [00:29:23]: Так что да, это интересно. И потом приходится как бы классифицировать, является ли страница... приходится решать, какие страницы нужно обновлять и с какой частотой. О да.

Jeff Dean [00:29:30]: There’s a whole like, uh, system behind the scenes that’s trying to decide update rates and importance of the pages. So even if the update rate seems low, you might still want to recrawl important pages quite often because, uh, the likelihood they change might be low, but the value of having updated is high.

Jeff Dean [00:29:30]: Есть целая система за кулисами, которая пытается решать частоты обновления и важность страниц. Так что даже если частота обновления кажется низкой, ты всё равно можешь хотеть переобходить важные страницы довольно часто, потому что вероятность их изменения может быть низкой, но ценность того, чтобы иметь их обновлёнными, высока.

Shawn Wang [00:29:50]: Yeah, yeah, yeah, yeah. Uh, well, you know, yeah. This, uh, you know, mention of latency and, and saving things to this reminds me of one of your classics, which I have to bring up, which is latency numbers. Every programmer should know, uh, was there a, was it just a, just a general story behind that? Did you like just write it down?

Shawn Wang [00:29:50]: Да, да, да, да. Ну, знаешь, да. Это упоминание латентности и сохранения вещей напоминает мне один из твоих классических материалов, который я обязан поднять, — latency numbers. Every programmer should know. Была ли там какая-то общая история? Ты просто записал их?

Jeff Dean [00:30:06]: I mean, this has like sort of eight or 10 different kinds of metrics that are like, how long does a cache mistake? How long does branch mispredict take? How long does a reference domain memory take? How long does it take to send, you know, a packet from the U S to the Netherlands or something? Um,

Jeff Dean [00:30:06]: Там, типа, восемь или десять разных метрик, например: сколько занимает промах кэша? Сколько занимает неверное предсказание ветвления? Сколько занимает обращение к основной памяти? Сколько занимает отправка, знаешь, пакета из США в Нидерланды или что-то такое? Хм,

Shawn Wang [00:30:21]: why Netherlands, by the way, or is it, is that because of Chrome?

Shawn Wang [00:30:21]: почему Нидерланды, кстати, или это из-за Chrome?

Jeff Dean [00:30:25]: Uh, we had a data center in the Netherlands, um, so, I mean, I think this gets to the point of being able to do the back of the envelope calculations. So these are sort of the raw ingredients of those, and you can use them to say, okay, well, if I need to design a system to do image search and thumb nailing or something of the result page, you know, how, what I do that I could pre-compute the image thumbnails. I could like. Try to thumbnail them on the fly from the larger images. What would that do? How much dis bandwidth than I need? How many des seeks would I do? Um, and you can sort of actually do thought experiments in, you know, 30 seconds or a minute with the sort of, uh, basic, uh, basic numbers at your fingertips. Uh, and then as you sort of build software using higher level libraries, you kind of want to develop the same intuitions for how long does it take to, you know, look up something in this particular kind of.

Jeff Dean [00:30:25]: У нас был дата-центр в Нидерландах. То есть, думаю, это про умение делать прикидки «на обороте конверта». Так что это как бы сырые ингредиенты для них, и с их помощью можно сказать: окей, если мне нужно спроектировать систему для поиска по изображениям и создания превью или чего-то для страницы результатов, то как мне это сделать — я мог бы предвычислить превью изображений. Я мог бы пытаться делать превью на лету из больших изображений. Что это даст? Сколько дисковой пропускной способности мне понадобится? Сколько дисковых поисков я сделаю? И ты реально можешь делать мысленные эксперименты за, знаешь, 30 секунд или минуту с базовыми цифрами под рукой. А потом, по мере того как строишь софт, используя библиотеки более высокого уровня, хочется выработать такие же интуиции для того, сколько занимает, знаешь, найти что-то в этом конкретном виде...

Shawn Wang [00:31:21]: I’ll see you next time.

Shawn Wang [00:31:21]: Увидимся в следующий раз.

Shawn Wang [00:31:51]: Which is a simple byte conversion. That’s nothing interesting. I wonder if you have any, if you were to update your...

Shawn Wang [00:31:51]: Что является простым преобразованием байтов. В этом нет ничего интересного. Интересно, есть ли у тебя что-нибудь, если бы ты обновлял свои...

Jeff Dean [00:31:58]: I mean, I think it’s really good to think about calculations you’re doing in a model, either for training or inference.

Jeff Dean [00:31:58]: Думаю, реально полезно думать о вычислениях, которые ты делаешь в модели, либо для обучения, либо для инференса.

Jeff Dean [00:32:09]: Often a good way to view that is how much state will you need to bring in from memory, either like on-chip SRAM or HBM from the accelerator. Attached memory or DRAM or over the network. And then how expensive is that data motion relative to the cost of, say, an actual multiply in the matrix multiply unit? And that cost is actually really, really low, right? Because it’s order, depending on your precision, I think it’s like sub one picodule.

Jeff Dean [00:32:09]: Часто хороший способ взглянуть на это — сколько состояния тебе нужно будет принести из памяти, либо из on-chip SRAM, либо из HBM с присоединённой к ускорителю памяти, либо из DRAM, либо по сети. А потом — насколько дорого это перемещение данных относительно стоимости, скажем, самого умножения в матричном умножителе? И эта стоимость на самом деле очень-очень низкая, верно? Потому что она порядка, в зависимости от твоей точности, кажется, меньше одного пикоджоуля.

Shawn Wang [00:32:50]: Oh, okay. You measure it by energy. Yeah. Yeah.

Shawn Wang [00:32:50]: О, окей. Ты измеряешь это в энергии. Да. Да.

Jeff Dean [00:32:52]: Yeah. I mean, it’s all going to be about energy and how do you make the most energy efficient system. And then moving data from the SRAM on the other side of the chip, not even off the off chip, but on the other side of the same chip can be, you know, a thousand picodules. Oh, yeah. And so all of a sudden, this is why your accelerators require batching. Because if you move, like, say, the parameter of a model from SRAM on the, on the chip into the multiplier unit, that’s going to cost you a thousand picodules. So you better make use of that, that thing that you moved many, many times with. So that’s where the batch dimension comes in. Because all of a sudden, you know, if you have a batch of 256 or something, that’s not so bad. But if you have a batch of one, that’s really not good.

Jeff Dean [00:32:52]: Да. То есть всё будет про энергию и про то, как сделать максимально энергоэффективную систему. А потом перемещение данных из SRAM на другую сторону чипа, даже не за пределы чипа, а на другую сторону того же чипа, может стоить, знаешь, тысячу пикоджоулей. О, да. И вот вдруг — вот почему твои ускорители требуют батчинга. Потому что если ты перемещаешь, скажем, параметр модели из SRAM на чипе в умножитель, это будет стоить тебе тысячу пикоджоулей. Так что тебе лучше использовать эту штуку, которую ты переместил, много-много раз. Вот тут и появляется измерение батча. Потому что вдруг, знаешь, если у тебя батч в 256 или около того, это не так уж плохо. Но если у тебя батч в один — это реально нехорошо.

Shawn Wang [00:33:40]: Yeah. Yeah. Right.

Shawn Wang [00:33:40]: Да. Да. Верно.

Jeff Dean [00:33:41]: Because then you paid a thousand picodules in order to do your one picodule multiply.

Jeff Dean [00:33:41]: Потому что тогда ты заплатил тысячу пикоджоулей, чтобы сделать своё умножение за один пикоджоуль.

Shawn Wang [00:33:46]: I have never heard an energy-based analysis of batching.

Shawn Wang [00:33:46]: Я никогда не слышал энергетического анализа батчинга.

Jeff Dean [00:33:50]: Yeah. I mean, that’s why people batch. Yeah. Ideally, you’d like to use batch size one because the latency would be great.

Jeff Dean [00:33:50]: Да. Вот почему люди батчат. Да. В идеале хотелось бы использовать размер батча один, потому что латентность была бы отличной.

Shawn Wang [00:33:56]: The best latency.

Shawn Wang [00:33:56]: Лучшая латентность.

Jeff Dean [00:33:56]: But the energy cost and the compute cost inefficiency that you get is quite large. So, yeah.

Jeff Dean [00:33:56]: Но энергозатраты и неэффективность по вычислительной стоимости, которые ты получаешь, довольно велики. Так что да.

Shawn Wang [00:34:04]: Is there a similar trick like, like, like you did with, you know, putting everything in memory? Like, you know, I think obviously NVIDIA has caused a lot of waves with betting very hard on SRAM with Grok. I wonder if, like, that’s something that you already saw with, with the TPUs, right? Like that, that you had to. Uh, to serve at your scale, uh, you probably sort of saw that coming. Like what, what, what hardware, uh, innovations or insights were formed because of what you’re seeing there?

Shawn Wang [00:34:04]: Есть ли похожий трюк, как тот, что ты сделал с помещением всего в память? Знаешь, думаю, очевидно, что NVIDIA наделала много шума, очень сильно сделав ставку на SRAM с Groq. Интересно, не видел ли ты это уже с TPU, верно? Что чтобы обслуживать в твоём масштабе, ты, наверное, как бы предвидел это. Какие аппаратные инновации или озарения сформировались из того, что ты там видишь?

Jeff Dean [00:34:33]: Yeah. I mean, I think, you know, TPUs have this nice, uh, sort of regular structure of 2D or 3D meshes with a bunch of chips connected. Yeah. And each one of those has HBM attached. Um, I think for serving some kinds of models, uh, you know, you, you pay a lot higher cost. Uh, and time latency, um, bringing things in from HBM than you do bringing them in from, uh, SRAM on the chip. So if you have a small enough model, you can actually do model parallelism, spread it out over lots of chips and you actually get quite good throughput improvements and latency improvements from doing that. And so you’re now sort of striping your smallish scale model over say 16 or 64 chips. Uh, but as if you do that and it all fits in. In SRAM, uh, that can be a big win. So yeah, that’s not a surprise, but it is a good technique.

Jeff Dean [00:34:33]: Да. Думаю, знаешь, у TPU есть эта приятная регулярная структура из 2D- или 3D-сеток с кучей соединённых чипов. Да. И к каждому из них присоединена HBM. Думаю, для обслуживания некоторых видов моделей платишь гораздо более высокую стоимость и латентность, перенося вещи из HBM, чем перенося их из SRAM на чипе. Так что если у тебя достаточно маленькая модель, ты реально можешь делать параллелизм модели, размазать её по множеству чипов, и реально получаешь весьма хорошие улучшения пропускной способности и латентности от этого. И вот ты теперь как бы располосовываешь свою небольшую модель по, скажем, 16 или 64 чипам. И если ты так делаешь, и всё это влезает в SRAM, это может быть большой выигрыш. Так что да, это не сюрприз, но это хорошая техника.

Alessio Fanelli [00:35:27]: Yeah. What about the TPU design? Like how much do you decide where the improvements have to go? So like, this is like a good example of like, is there a way to bring the thousand picojoules down to 50? Like, is it worth designing a new chip to do that? The extreme is like when people say, oh, you should burn the model on the ASIC and that’s kind of like the most extreme thing. How much of it? Is it worth doing an hardware when things change so quickly? Like what was the internal discussion? Yeah.

Alessio Fanelli [00:35:27]: Да. А что насчёт дизайна TPU? Например, насколько ты решаешь, куда должны идти улучшения? Это ведь хороший пример: есть ли способ снизить тысячу пикоджоулей до 50? Стоит ли проектировать новый чип, чтобы это сделать? Крайность — это когда люди говорят: о, надо просто прожечь модель в ASIC, и это самая крайняя штука. Насколько стоит вкладываться в железо, когда всё меняется так быстро? Какова была внутренняя дискуссия? Да.

Jeff Dean [00:35:57]: I mean, we, we have a lot of interaction between say the TPU chip design architecture team and the sort of higher level modeling, uh, experts, because you really want to take advantage of being able to co-design what should future TPUs look like based on where we think the sort of ML research puck is going, uh, in some sense, because, uh, you know, as a hardware designer for ML and in particular, you’re trying to design a chip starting today and that design might take two years before it even lands in a data center. And then it has to sort of be a reasonable lifetime of the chip to take you three, four or five years. So you’re trying to predict two to six years out where, what ML computations will people want to run two to six years out in a very fast changing field. And so having people with interest. Interesting ML research ideas of things we think will start to work in that timeframe or will be more important in that timeframe, uh, really enables us to then get, you know, interesting hardware features put into, you know, TPU N plus two, where TPU N is what we have today.

Jeff Dean [00:35:57]: Думаю, у нас много взаимодействия между, скажем, командой архитектуры дизайна чипа TPU и более высокоуровневыми экспертами по моделированию, потому что реально хочется воспользоваться возможностью совместно проектировать то, как должны выглядеть будущие TPU, исходя из того, куда, как мы думаем, движется шайба ML-исследований, в некотором смысле, потому что, знаешь, как разработчик железа для ML, в частности, ты пытаешься спроектировать чип, начиная сегодня, и этот дизайн может занять два года, прежде чем он вообще приземлится в дата-центре. А потом он должен прослужить разумное время жизни чипа — три, четыре или пять лет. Так что ты пытаешься предсказать на два-шесть лет вперёд, какие ML-вычисления люди захотят запускать через два-шесть лет в очень быстро меняющейся области. И поэтому наличие людей с интересными идеями ML-исследований о вещах, которые, как мы думаем, начнут работать в этом интервале или станут важнее в нём, реально позволяет нам затем встроить интересные аппаратные функции в, знаешь, TPU N плюс два, где TPU N — то, что у нас есть сегодня.

Shawn Wang [00:37:10]: Oh, the cycle time is plus two.

Shawn Wang [00:37:10]: О, время цикла — это плюс два.

Jeff Dean [00:37:12]: Roughly. Wow. Because, uh, I mean, sometimes you can squeeze some changes into N plus one, but, you know, bigger changes are going to require the chip. Yeah. Design be earlier in its lifetime design process. Um, so whenever we can do that, it’s generally good. And sometimes you can put in speculative features that maybe won’t cost you much chip area, but if it works out, it would make something, you know, 10 times as fast. And if it doesn’t work out, well, you burned a little bit of tiny amount of your chip area on that thing, but it’s not that big a deal. Uh, sometimes it’s a very big change and we want to be pretty sure this is going to work out. So we’ll do like lots of carefulness. Uh, ML experimentation to show us, uh, this is actually the, the way we want to go. Yeah.

Jeff Dean [00:37:12]: Примерно. Ого. Потому что иногда можно впихнуть некоторые изменения в N плюс один, но, знаешь, более крупные изменения потребуют, чтобы дизайн чипа был на более ранней стадии процесса проектирования его жизненного цикла. Так что когда мы можем это сделать, это в целом хорошо. И иногда можно встроить спекулятивные функции, которые, может, не будут стоить много площади чипа, но если сработают, сделают что-то, знаешь, в 10 раз быстрее. А если не сработают — ну, ты сжёг крошечную долю площади чипа на эту штуку, но это не такая уж большая проблема. Иногда это очень большое изменение, и мы хотим быть достаточно уверены, что это сработает. Так что мы делаем кучу тщательных ML-экспериментов, чтобы показать нам, что это действительно то направление, в которое мы хотим идти. Да.

Alessio Fanelli [00:37:58]: Is there a reverse of like, we already committed to this chip design so we can not take the model architecture that way because it doesn’t quite fit?

Alessio Fanelli [00:37:58]: Бывает ли обратное — типа, мы уже зафиксировали этот дизайн чипа, поэтому не можем повести архитектуру модели в ту сторону, потому что она не очень-то подходит?

Jeff Dean [00:38:06]: Yeah. I mean, you, you definitely have things where you’re going to adapt what the model architecture looks like so that they’re efficient on the chips that you’re going to have for both training and inference of that, of that, uh, generation of model. So I think it kind of goes both ways. Um, you know, sometimes you can take advantage of, you know, lower precision things that are coming in a future generation. So you can, might train it at that lower precision, even if the current generation doesn’t quite do that. Mm.

Jeff Dean [00:38:06]: Да. У тебя определённо бывают ситуации, когда ты собираешься адаптировать то, как выглядит архитектура модели, чтобы она была эффективной на чипах, которые у тебя будут и для обучения, и для инференса этого поколения модели. Так что, думаю, это как бы идёт в обе стороны. Знаешь, иногда можно воспользоваться, знаешь, низкоточными штуками, что появятся в будущем поколении. Так что можно обучать на этой более низкой точности, даже если текущее поколение не совсем так делает. Хм.

Shawn Wang [00:38:40]: Yeah. How low can we go in precision?

Shawn Wang [00:38:40]: Да. Насколько низко мы можем опуститься по точности?

Jeff Dean [00:38:43]: Because people are saying like ternary is like, uh, yeah, I mean, I’m a big fan of very low precision because I think that gets, that saves you a tremendous amount of time. Right. Because it’s picojoules per bit that you’re transferring and reducing the number of bits is a really good way to, to reduce that. Um, you know, I think people have gotten a lot of luck, uh, mileage out of having very low bit precision things, but then having scaling factors that apply to a whole bunch of, uh, those, those weights. Scaling. How does it, how does it, okay.

Jeff Dean [00:38:43]: Потому что люди говорят, например, тернарная — это типа... да, я большой поклонник очень низкой точности, потому что, думаю, это экономит тебе колоссальное количество времени. Верно. Потому что это пикоджоули на бит, который ты передаёшь, и уменьшение числа бит — реально хороший способ это снизить. Знаешь, думаю, люди извлекли много пользы из очень низкобитной точности, но при этом имея масштабирующие коэффициенты, которые применяются к целой куче этих весов. Масштабирование. Как это, как это, окей.

Shawn Wang [00:39:15]: Interesting. You, so low, low precision, but scaled up weights. Yeah. Huh. Yeah. Never considered that. Yeah. Interesting. Uh, w w while we’re on this topic, you know, I think there’s a lot of, um, uh, this, the concept of precision at all is weird when we’re sampling, you know, uh, we just, at the end of this, we’re going to have all these like chips that I’ll do like very good math. And then we’re just going to throw a random number generator at the start. So, I mean, there’s a movement towards, uh, energy based, uh, models and processors. I’m just curious if you’ve, obviously you’ve thought about it, but like, what’s your commentary?

Shawn Wang [00:39:15]: Интересно. Значит, низкая точность, но масштабированные веса. Да. Хм. Да. Никогда об этом не думал. Да. Интересно. Раз уж мы на эту тему, знаешь, думаю, есть много... вот это понятие точности вообще странное, когда мы сэмплируем, знаешь. Мы просто, в конце всего этого, получим все эти чипы, которые делают очень хорошую математику. А потом мы просто бросим генератор случайных чисел в начале. Так что есть движение в сторону энергетических моделей и процессоров. Мне просто любопытно — очевидно, ты об этом думал, но какой твой комментарий?

Jeff Dean [00:39:50]: Yeah. I mean, I think. There’s a bunch of interesting trends though. Energy based models is one, you know, diffusion based models, which don’t sort of sequentially decode tokens is another, um, you know, speculative decoding is a way that you can get sort of an equivalent, very small.

Jeff Dean [00:39:50]: Да. Думаю, есть куча интересных трендов. Энергетические модели — один из них; знаешь, диффузионные модели, которые не декодируют токены последовательно, — другой; спекулятивное декодирование — способ, которым можно получить как бы эквивалент очень малого...

Shawn Wang [00:40:06]: Draft.

Shawn Wang [00:40:06]: Черновика.

Jeff Dean [00:40:07]: Batch factor, uh, for like you predict eight tokens out and that enables you to sort of increase the effective batch size of what you’re doing by a factor of eight, even, and then you maybe accept five or six of those tokens. So you get. A five, a five X improvement in the amortization of moving weights, uh, into the multipliers to do the prediction for the, the tokens. So these are all really good techniques and I think it’s really good to look at them from the lens of, uh, energy, real energy, not energy based models, um, and, and also latency and throughput, right? If you look at things from that lens, that sort of guides you to. Two solutions that are gonna be, uh, you know, better from, uh, you know, being able to serve larger models or, you know, equivalent size models more cheaply and with lower latency.

Jeff Dean [00:40:07]: Коэффициента батча, например, ты предсказываешь восемь токенов вперёд, и это позволяет тебе как бы увеличить эффективный размер батча того, что ты делаешь, в восемь раз, а потом ты, может, принимаешь пять или шесть из этих токенов. Так что ты получаешь пятикратное улучшение в амортизации перемещения весов в умножители для выполнения предсказания токенов. Так что это всё реально хорошие техники, и, думаю, реально полезно смотреть на них сквозь призму энергии, реальной энергии, не энергетических моделей, и также латентности и пропускной способности, верно? Если смотреть на вещи через эту призму, это как бы ведёт тебя к решениям, которые будут лучше с точки зрения возможности обслуживать более крупные модели или, знаешь, модели эквивалентного размера дешевле и с меньшей латентностью.

Shawn Wang [00:41:03]: Yeah. Well, I think, I think I, um, it’s appealing intellectually, uh, haven’t seen it like really hit the mainstream, but, um, I do think that, uh, there’s some poetry in the sense that, uh, you know, we don’t have to do, uh, a lot of shenanigans if like we fundamentally. Design it into the hardware. Yeah, yeah.

Shawn Wang [00:41:03]: Да. Ну, думаю, мне это интеллектуально привлекательно, но я не видел, чтобы это реально дошло до мейнстрима, но я всё же думаю, что есть некая поэзия в том смысле, что, знаешь, нам не пришлось бы делать кучу ухищрений, если бы мы фундаментально встроили это в железо. Да, да.

Jeff Dean [00:41:23]: I mean, I think there’s still a, there’s also sort of the more exotic things like analog based, uh, uh, computing substrates as opposed to digital ones. Uh, I’m, you know, I think those are super interesting cause they can be potentially low power. Uh, but I think you often end up wanting to interface that with digital systems and you end up losing a lot of the power advantages in the digital to analog and analog to digital conversions. You end up doing, uh, at the sort of boundaries. And periphery of that system. Um, I still think there’s a tremendous distance we can go from where we are today in terms of energy efficiency with sort of, uh, much better and specialized hardware for the models we care about.

Jeff Dean [00:41:23]: Да. Думаю, есть ещё и более экзотические вещи, вроде аналоговых вычислительных субстратов в противоположность цифровым. Я, знаешь, думаю, они супер интересны, потому что потенциально могут быть низкопотребляющими. Но, думаю, часто в итоге хочется состыковать это с цифровыми системами, и в итоге теряешь много преимуществ по мощности в цифро-аналоговых и аналого-цифровых преобразованиях, которые приходится делать на границах и периферии этой системы. Я всё же думаю, что есть колоссальная дистанция, которую мы можем пройти от того, где мы сегодня, по энергоэффективности с гораздо лучшим и специализированным железом для моделей, которые нас волнуют.

Shawn Wang [00:42:05]: Yeah.

Shawn Wang [00:42:05]: Да.

Alessio Fanelli [00:42:06]: Um, any other interesting research ideas that you’ve seen, or like maybe things that you cannot pursue a Google that you would be interested in seeing researchers take a step at, I guess you have a lot of researchers. Yeah, I guess you have enough, but our, our research.

Alessio Fanelli [00:42:06]: Есть ли какие-то другие интересные исследовательские идеи, которые ты видел, или, может, вещи, которые ты не можешь преследовать в Google и которые тебе было бы интересно увидеть, чтобы исследователи за них взялись, — хотя, наверное, у тебя много исследователей. Да, наверное, достаточно, но наша, наша исследовательская...

Jeff Dean [00:42:21]: Our research portfolio is pretty broad. I would say, um, I mean, I think, uh, in terms of research directions, there’s a whole bunch of, uh, you know, open problems and how do you make these models reliable and able to do much longer, kind of, uh, more complex tasks that have lots of subtasks. How do you orchestrate, you know, maybe one model that’s using other models as tools in order to sort of build, uh, things that can accomplish, uh, you know, much more. Yeah. Significant pieces of work, uh, collectively, then you would ask a single model to do. Um, so that’s super interesting. How do you get more verifiable, uh, you know, how do you get RL to work for non-verifiable domains? I think it’s a pretty interesting open problem because I think that would broaden out the capabilities of the models, the improvements that you’re seeing in both math and coding. Uh, if we could apply those to other less verifiable domains, because we’ve come up with RL techniques that actually enable us to do that. Uh, effectively, that would, that would really make the models improve quite a lot. I think.

Jeff Dean [00:42:21]: Наш исследовательский портфель довольно широк, я бы сказал. Думаю, с точки зрения исследовательских направлений есть целая куча открытых проблем — и как сделать эти модели надёжными и способными выполнять гораздо более длинные, более сложные задачи, у которых много подзадач. Как ты оркеструешь, может, одну модель, которая использует другие модели как инструменты, чтобы строить вещи, которые могут совместно выполнить гораздо более значительные куски работы, чем ты попросил бы сделать одну модель. Так что это супер интересно. Как получить более проверяемые... знаешь, как заставить RL работать для непроверяемых доменов? Думаю, это довольно интересная открытая проблема, потому что, думаю, это расширило бы возможности моделей — те улучшения, что ты видишь и в математике, и в кодировании. Если бы мы могли применить их к другим, менее проверяемым доменам, потому что мы придумали бы RL-техники, которые реально позволяют нам делать это эффективно, это реально сильно улучшило бы модели, я думаю.

Alessio Fanelli [00:43:26]: I’m curious, like when we had Noam Brown on the podcast, he said, um, they already proved you can do it with deep research. Um, you kind of have it with AI mode in a way it’s not verifiable. I’m curious if there’s any thread that you think is interesting there. Like what is it? Both are like information retrieval of JSON. So I wonder if it’s like the retrieval is like the verifiable part. That you can score or what are like, yeah, yeah. How, how would you model that, that problem?

Alessio Fanelli [00:43:26]: Мне любопытно — когда у нас в подкасте был Ноам Браун, он сказал, что они уже доказали, что это можно сделать с deep research. Знаешь, в каком-то смысле это есть с AI mode — это непроверяемо. Мне любопытно, есть ли тут какая-то нить, которую ты считаешь интересной. Что это? Оба — это как бы извлечение информации в JSON. Так что мне интересно, не является ли извлечение проверяемой частью, которую можно оценить, или что — да, да. Как бы ты смоделировал эту проблему?

Jeff Dean [00:43:55]: Yeah. I mean, I think there are ways of having other models that can evaluate the results of what a first model did, maybe even retrieving. Can you have another model that says, is this things, are these things you retrieved relevant? Or can you rate these 2000 things you retrieved to assess which ones are the 50 most relevant or something? Um, I think those kinds of techniques are actually quite effective. Sometimes I can even be the same model, just prompted differently to be a, you know, a critic as opposed to a, uh, actual retrieval system. Yeah.

Jeff Dean [00:43:55]: Да. Думаю, есть способы иметь другие модели, которые могут оценивать результаты того, что сделала первая модель, может, даже извлечения. Можешь ли ты иметь другую модель, которая говорит: эти вещи, что ты извлёк, релевантны? Или можешь ли ты оценить эти 2000 вещей, что ты извлёк, чтобы определить, какие из них 50 наиболее релевантных или около того? Думаю, такого рода техники на самом деле весьма эффективны. Иногда это даже может быть та же модель, просто подсказанная иначе, чтобы быть, знаешь, критиком, в противоположность собственно системе извлечения. Да.

Shawn Wang [00:44:28]: Um, I do think like there, there is that, that weird cliff where like, it feels like we’ve done the easy stuff and then now it’s, but it always feels like that every year. It’s like, oh, like we know, we know, and the next part is super hard and nobody’s figured it out. And, uh, exactly with this RLVR thing where like everyone’s talking about, well, okay, how do we. the next stage of the non-verifiable stuff. And everyone’s like, I don’t know, you know, Ellen judge.

Shawn Wang [00:44:28]: Я всё же думаю, что есть этот странный обрыв, где, кажется, мы сделали лёгкие вещи, а теперь — но так кажется каждый год. Типа: о, мы знаем-знаем, а следующая часть супер сложная, и никто её не разгадал. И именно с этой штукой RLVR, где все говорят: ну ладно, как нам сделать следующий этап непроверяемого? И все такие: я не знаю, знаешь, LLM-судья.

Jeff Dean [00:44:56]: I mean, I feel like the nice thing about this field is there’s lots and lots of smart people thinking about creative solutions to some of the problems that we all see. Uh, because I think everyone sort of sees that the models, you know, are great at some things and they fall down around the edges of those things and, and are not as capable as we’d like in those areas. And then coming up with good techniques and trying those. And seeing which ones actually make a difference is sort of what the whole research aspect of this field is, is pushing forward. And I think that’s why it’s super interesting. You know, if you think about two years ago, we were struggling with GSM, eight K problems, right? Like, you know, Fred has two rabbits. He gets three more rabbits. How many rabbits does he have? That’s a pretty far cry from the kinds of mathematics that the models can, and now you’re doing IMO and Erdos problems in pure language. Yeah. Yeah. Pure language. So that is a really, really amazing jump in capabilities in, you know, in a year and a half or something. And I think, um, for other areas, it’d be great if we could make that kind of leap. Uh, and you know, we don’t exactly see how to do it for some, some areas, but we do see it for some other areas and we’re going to work hard on making that better. Yeah.

Jeff Dean [00:44:56]: Думаю, приятная вещь в этой области — что есть очень-очень много умных людей, думающих над креативными решениями некоторых проблем, которые мы все видим. Потому что, думаю, все как бы видят, что модели отличны в некоторых вещах и спотыкаются на краях этих вещей и не так способны, как нам хотелось бы, в этих областях. И вот придумывание хороших техник, и их пробование, и наблюдение за тем, какие из них реально дают результат, — это как бы и есть то, что весь исследовательский аспект этой области толкает вперёд. И, думаю, поэтому это супер интересно. Знаешь, если подумать о двух годах назад, мы мучились с задачами GSM8K, верно? Типа, знаешь, «у Фреда два кролика. Он получает ещё трёх кроликов. Сколько у него кроликов?» Это довольно далеко от того рода математики, что модели теперь могут, и теперь ты делаешь IMO и задачи Эрдёша на чистом языке. Да. Да. На чистом языке. Так что это реально потрясающий скачок в возможностях за, знаешь, полтора года или около того. И, думаю, для других областей было бы здорово, если бы мы могли сделать такого рода скачок. И, знаешь, мы пока точно не видим, как это сделать для некоторых областей, но видим для некоторых других, и мы будем упорно работать над тем, чтобы это улучшить. Да.

Shawn Wang [00:46:13]: Yeah.

Shawn Wang [00:46:13]: Да.

Alessio Fanelli [00:46:14]: Like YouTube thumbnail generation. That would be very helpful. We need that. That would be AGI. We need that.

Alessio Fanelli [00:46:14]: Например, генерация превью для YouTube. Это было бы очень полезно. Нам это нужно. Это был бы AGI. Нам это нужно.

Shawn Wang [00:46:20]: That would be. As far as content creators go.

Shawn Wang [00:46:20]: Это было бы... Для создателей контента.

Jeff Dean [00:46:22]: I guess I’m not a YouTube creator, so I don’t care that much about that problem, but I guess, uh, many people do.

Jeff Dean [00:46:22]: Я, наверное, не создатель на YouTube, так что меня не очень-то волнует эта проблема, но, наверное, многих волнует.

Shawn Wang [00:46:27]: It does. Yeah. It doesn’t, it doesn’t matter. People do judge books by their covers as it turns out. Um, uh, just to draw a bit on the IMO goal. Um, I’m still not over the fact that a year ago we had alpha proof and alpha geometry and all those things. And then this year we were like, screw that we’ll just chuck it into Gemini. Yeah. What’s your reflection? Like, I think this, this question about. Like the merger of like symbolic systems and like, and, and LMS, uh, was a very much core belief. And then somewhere along the line, people would just said, Nope, we’ll just all do it in the LLM.

Shawn Wang [00:46:27]: Волнует. Да. Это неважно. Люди всё-таки судят о книгах по обложкам, как выясняется. Просто чтобы немного развить тему цели IMO. Я всё ещё не могу пережить тот факт, что год назад у нас были AlphaProof, и AlphaGeometry, и все эти штуки. А в этом году мы такие: да к чёрту, просто закинем это в Gemini. Да. Каковы твои размышления? Думаю, этот вопрос о слиянии символьных систем и LLM был очень даже ключевым убеждением. А потом где-то по пути люди просто сказали: нет, мы просто всё сделаем в LLM.

Jeff Dean [00:47:02]: Yeah. I mean, I think it makes a lot of sense to me because, you know, humans manipulate symbols, but we probably don’t have like a symbolic representation in our heads. Right. We have some distributed representation that is neural net, like in some way of lots of different neurons. And activation patterns firing when we see certain things and that enables us to reason and plan and, you know, do chains of thought and, you know, roll them back now that, that approach for solving the problem doesn’t seem like it’s going to work. I’m going to try this one. And, you know, in a lot of ways we’re emulating what we intuitively think, uh, is happening inside real brains in neural net based models. So it never made sense to me to have like completely separate. Uh, discrete, uh, symbolic things, and then a completely different way of, of, uh, you know, thinking about those things.

Jeff Dean [00:47:02]: Да. Думаю, для меня это имеет большой смысл, потому что, знаешь, люди манипулируют символами, но у нас, наверное, нет символьного представления в голове. Верно. У нас есть некое распределённое представление, которое нейросетеподобно в каком-то смысле — из множества разных нейронов и паттернов активации, срабатывающих, когда мы видим определённые вещи, и это позволяет нам рассуждать, и планировать, и, знаешь, строить цепочки мыслей, и откатывать их назад: теперь этот подход к решению проблемы не похоже, что сработает, я попробую вот этот. И, знаешь, во многом мы эмулируем то, что интуитивно считаем происходящим внутри реальных мозгов, в моделях на основе нейросетей. Так что мне никогда не имело смысла иметь как бы полностью отдельные дискретные символьные вещи, а потом совершенно другой способ думать об этих вещах.

Shawn Wang [00:47:59]: Interesting. Yeah. Uh, I mean, it’s maybe seems obvious to you, but it wasn’t obvious to me a year ago. Yeah.

Shawn Wang [00:47:59]: Интересно. Да. Может, тебе это кажется очевидным, но мне это не было очевидно год назад. Да.

Jeff Dean [00:48:06]: I mean, I do think like that IMO with, you know, translating to lean and using lean and then the next year and also a specialized geometry model. And then this year switching to a single unified model. That is roughly the production model with a little bit more inference budget, uh, is actually, you know, quite good because it shows you that the capabilities of that general model have improved dramatically and, and now you don’t need the specialized model. This is actually sort of very similar to the 2013 to 16 era of machine learning, right? Like it used to be, people would train separate models for lots of different, each different problem, right? I have, I want to recognize street signs and something. So I train a street sign. Recognition recognition model, or I want to, you know, decode speech recognition. I have a speech model, right? I think now the era of unified models that do everything is really upon us. And the question is how well do those models generalize to new things they’ve never been asked to do and they’re getting better and better.

Jeff Dean [00:48:06]: Думаю, IMO — со, знаешь, переводом в Lean и использованием Lean, а потом, в следующем году, плюс специализированная модель для геометрии. А потом в этом году переход на единую унифицированную модель, которая примерно является продакшн-моделью с чуть большим бюджетом инференса, — это на самом деле весьма хорошо, потому что показывает тебе, что возможности этой общей модели кардинально улучшились, и теперь тебе не нужна специализированная модель. Это на самом деле очень похоже на эпоху 2013–2016 годов в машинном обучении, верно? Раньше люди обучали отдельные модели для множества разных задач, для каждой отдельной проблемы, верно? Я хочу распознавать дорожные знаки или что-то — я обучаю модель распознавания дорожных знаков; или я хочу декодировать распознавание речи — у меня модель речи, верно? Думаю, теперь эпоха унифицированных моделей, которые делают всё, реально наступила. И вопрос в том, насколько хорошо эти модели обобщаются на новые вещи, которые их никогда не просили делать, и они становятся всё лучше и лучше.

Shawn Wang [00:49:10]: And you don’t need domain experts. Like one of my, uh, so I interviewed ETA who was on, who was on that team. Uh, and he was like, yeah, I, I don’t know how they work. I don’t know where the IMO competition was held. I don’t know the rules of it. I just trained the models, the training models. Yeah. Yeah. And it’s kind of interesting that like people with these, this like universal skill set of just like machine learning, you just give them data and give them enough compute and they can kind of tackle any task, which is the bitter lesson, I guess. I don’t know. Yeah.

Shawn Wang [00:49:10]: И тебе не нужны эксперты в предметной области. Один из моих... я брал интервью у ЭТА, который был в той команде. И он такой: да, я не знаю, как они работают. Я не знаю, где проводилось соревнование IMO. Я не знаю его правил. Я просто обучал модели, обучал модели. Да. Да. И как бы интересно, что люди с этим универсальным набором навыков, типа просто машинное обучение, — ты просто даёшь им данные и достаточно вычислений, и они могут как бы взяться за любую задачу, что и есть горький урок, наверное. Не знаю. Да.

Jeff Dean [00:49:39]: I mean, I think, uh, general models, uh, will win out over specialized ones in most cases.

Jeff Dean [00:49:39]: Думаю, общие модели победят специализированные в большинстве случаев.

Shawn Wang [00:49:45]: Uh, so I want to push there a bit. I think there’s one hole here, which is like, uh. There’s this concept of like, uh, maybe capacity of a model, like abstractly a model can only contain the number of bits that it has. And, uh, and so it, you know, God knows like Gemini pro is like one to 10 trillion parameters. We don’t know, but, uh, the Gemma models, for example, right? Like a lot of people want like the open source local models that are like that, that, that, and, and, uh, they have some knowledge, which is not necessary, right? Like they can’t know everything like, like you have the. The luxury of you have the big model and big model should be able to capable of everything. But like when, when you’re distilling and you’re going down to the small models, you know, you’re actually memorizing things that are not useful. Yeah. And so like, how do we, I guess, do we want to extract that? Can we, can we divorce knowledge from reasoning, you know?

Shawn Wang [00:49:45]: Хочу тут немного надавить. Думаю, тут есть одна дыра, а именно — это понятие, скажем, ёмкости модели: абстрактно модель может содержать лишь то число битов, что у неё есть. И, знаешь, бог знает, Gemini Pro — это, типа, от одного до десяти триллионов параметров, мы не знаем, но модели Gemma, например, верно? Многим нужны опенсорсные локальные модели, и у них есть некое знание, которое не обязательно, верно? Они не могут знать всё, как ты... у тебя есть роскошь — большая модель, и большая модель должна быть способна на всё. Но когда ты дистиллируешь и спускаешься к малым моделям, знаешь, ты на самом деле запоминаешь вещи, которые бесполезны. Да. И как нам, наверное, это извлечь? Можем ли мы развести знание и рассуждение, знаешь?

Jeff Dean [00:50:38]: Yeah. I mean, I think you do want the model to be most effective at reasoning if it can retrieve things, right? Because having the model devote precious parameter space. To remembering obscure facts that could be looked up is actually not the best use of that parameter space, right? Like you might prefer something that is more generally useful in more settings than this obscure fact that it has. Um, so I think that’s always attention at the same time. You also don’t want your model to be kind of completely detached from, you know, knowing stuff about the world, right? Like it’s probably useful to know how long the golden gate be. Bridges just as a general sense of like how long are bridges, right? And, uh, it should have that kind of knowledge. It maybe doesn’t need to know how long some teeny little bridge in some other more obscure part of the world is, but, uh, it does help it to have a fair bit of world knowledge and the bigger your model is, the more you can have. Uh, but I do think combining retrieval with sort of reasoning and making the model really good at doing multiple stages of retrieval. Yeah.

Jeff Dean [00:50:38]: Да. Думаю, ты хочешь, чтобы модель была максимально эффективна в рассуждении, если она может извлекать вещи, верно? Потому что заставлять модель тратить драгоценное пространство параметров на запоминание малоизвестных фактов, которые можно было бы посмотреть, — на самом деле не лучшее использование этого пространства параметров, верно? Например, ты бы предпочёл нечто более полезное в большем числе ситуаций, чем этот малоизвестный факт. Так что тут всегда есть напряжение, и в то же время ты также не хочешь, чтобы твоя модель была как бы полностью оторвана от знания о мире, верно? Например, наверное, полезно знать, какова длина моста Золотые Ворота, просто как общее ощущение того, какой длины мосты, верно? И у неё должно быть такое знание. Ей, может, не нужно знать длину какого-то крошечного мостика в более малоизвестной части мира, но ей помогает иметь приличный объём знаний о мире, и чем больше твоя модель, тем больше ты можешь иметь. Но я всё же думаю, что сочетание извлечения с рассуждением и умение модели реально хорошо делать несколько стадий извлечения. Да.

Shawn Wang [00:51:49]: And reasoning through the intermediate retrieval results is going to be a, a pretty effective way of making the model seem much more capable, because if you think about, say, a personal Gemini, yeah, right?

Shawn Wang [00:51:49]: И рассуждение через промежуточные результаты извлечения будет довольно эффективным способом сделать модель кажущейся гораздо более способной, потому что если подумать, скажем, о персональном Gemini, да, верно?

Jeff Dean [00:52:01]: Like we’re not going to train Gemini on my email. Probably we’d rather have a single model that, uh, we can then use and use being able to retrieve from my email as a tool and have the model reason about it and retrieve from my photos or whatever, uh, and then make use of that and have multiple. Um, you know, uh, stages of interaction. that makes sense.

Jeff Dean [00:52:01]: Например, мы, наверное, не будем обучать Gemini на моей почте. Скорее, мы хотели бы иметь единую модель, которую затем можно использовать, причём с возможностью извлекать из моей почты как инструмент, и чтобы модель рассуждала об этом, и извлекала из моих фото или чего угодно, а потом использовала это и имела несколько стадий взаимодействия. В этом есть смысл.

Alessio Fanelli [00:52:24]: Do you think the vertical models are like, uh, interesting pursuit? Like when people are like, oh, we’re building the best healthcare LLM, we’re building the best law LLM, are those kind of like short-term stopgaps or?

Alessio Fanelli [00:52:24]: Думаешь ли ты, что вертикальные модели — интересное направление? Когда люди говорят: о, мы строим лучшую LLM для здравоохранения, мы строим лучшую LLM для права, — это как бы краткосрочные затычки или?

Jeff Dean [00:52:37]: No, I mean, I think, I think vertical models are interesting. Like you want them to start from a pretty good base model, but then you can sort of, uh, sort of viewing them, view them as enriching the data. Data distribution for that particular vertical domain for healthcare, say, um, we’re probably not going to train or for say robotics. We’re probably not going to train Gemini on all possible robotics data. We, you could train it on because we want it to have a balanced set of capabilities. Um, so we’ll expose it to some robotics data, but if you’re trying to build a really, really good robotics model, you’re going to want to start with that and then train it on more robotics data. And then maybe that would. It’s multilingual translation capability, but improve its robotics capabilities. And we’re always making these kind of, uh, you know, trade-offs in the data mix that we train the base Gemini models on. You know, we’d love to include data from 200 more languages and as much data as we have for those languages, but that’s going to displace some other capabilities of the model. It won’t be as good at, um, you know, Pearl programming, you know, it’ll still be good at Python programming. Cause we’ll include it. Enough. Of that, but there’s other long tail computer languages or coding capabilities that it may suffer on or multi, uh, multimodal reasoning capabilities may suffer. Cause we didn’t get to expose it to as much data there, but it’s really good at multilingual things. So I, I think some combination of specialized models, maybe more modular models. So it’d be nice to have the capability to have those 200 languages, plus this awesome robotics model, plus this awesome healthcare, uh, module that all can be knitted together to work in concert and called upon in different circumstances. Right? Like if I have a health related thing, then it should enable using this health module in conjunction with the main base model to be even better at those kinds of things. Yeah.

Jeff Dean [00:52:37]: Нет, думаю, вертикальные модели интересны. Например, ты хочешь, чтобы они стартовали с довольно хорошей базовой модели, но потом можно как бы рассматривать их как обогащение распределения данных для этого конкретного вертикального домена. Для здравоохранения, скажем, или, скажем, для робототехники мы, наверное, не будем обучать Gemini на всех возможных данных по робототехнике. На которых мы могли бы обучить, потому что хотим, чтобы у неё был сбалансированный набор способностей. Так что мы дадим ей какие-то данные по робототехнике, но если ты пытаешься построить реально очень хорошую модель для робототехники, ты захочешь стартовать с этого и потом обучить её на большем количестве данных по робототехнике. И тогда, может, это снизит её способность к многоязычному переводу, но улучшит её способности по робототехнике. И мы всё время делаем такого рода компромиссы в миксе данных, на котором обучаем базовые модели Gemini. Знаешь, мы бы с удовольствием включили данные из ещё 200 языков и столько данных, сколько у нас есть для этих языков, но это вытеснит какие-то другие способности модели. Она будет не так хороша, знаешь, в программировании на Perl, знаешь, она всё ещё будет хороша в программировании на Python, потому что мы его включим в достаточном количестве, но есть другие языки программирования из длинного хвоста или способности кодирования, в которых она может пострадать, или способности мультимодального рассуждения могут пострадать, потому что мы не успели дать ей столько данных там, но зато она реально хороша в многоязычных вещах. Так что, думаю, некая комбинация специализированных моделей, может, более модульных моделей. Так что было бы неплохо иметь возможность иметь те 200 языков, плюс эту потрясающую модель для робототехники, плюс этот потрясающий модуль для здравоохранения, которые все можно сшить вместе, чтобы работали в согласии и вызывались в разных обстоятельствах, верно? Например, если у меня есть нечто, связанное со здоровьем, тогда это должно позволить использовать этот модуль для здоровья совместно с основной базовой моделью, чтобы быть ещё лучше в такого рода вещах. Да.

Shawn Wang [00:54:36]: Installable knowledge. Yeah.

Shawn Wang [00:54:36]: Устанавливаемое знание. Да.

Jeff Dean [00:54:37]: Right.

Jeff Dean [00:54:37]: Верно.

Shawn Wang [00:54:38]: Just download as a, as a package.

Shawn Wang [00:54:38]: Просто скачать как пакет.

Jeff Dean [00:54:39]: And some of that installable stuff can come from retrieval, but some of it probably should come from preloaded training on, you know, uh, a hundred billion tokens or a trillion tokens of health data. Yeah.

Jeff Dean [00:54:39]: И часть этой устанавливаемой штуки может приходить из извлечения, но часть её, наверное, должна приходить из предзагруженного обучения на, знаешь, сотне миллиардов токенов или триллионе токенов данных о здоровье. Да.

Shawn Wang [00:54:51]: And for listeners, I think, uh, I will highlight the Gemma three end paper where they, there was a little bit of that, I think. Yeah.

Shawn Wang [00:54:51]: И для слушателей, думаю, я отмечу статью о Gemma 3n, где было немного этого, я думаю. Да.

Alessio Fanelli [00:54:56]: Yeah. I guess the question is like, how many billions of tokens do you need to outpace the frontier model improvements? You know, it’s like, if I have to make this model better healthcare and the main. Gemini model is still improving. Do I need 50 billion tokens? Can I do it with a hundred, if I need a trillion healthcare tokens, it’s like, they’re probably not out there that you don’t have, you know, I think that’s really like the.

Alessio Fanelli [00:54:56]: Да. Думаю, вопрос в том, сколько миллиардов токенов нужно, чтобы обогнать улучшения фронтирной модели. Знаешь, типа, если мне нужно сделать эту модель лучше в здравоохранении, а основная модель Gemini всё ещё улучшается. Нужно ли мне 50 миллиардов токенов? Могу ли я сделать это с сотней — если мне нужен триллион токенов по здравоохранению, то их, наверное, попросту нет, их у тебя нет. Думаю, это реально как бы...

Jeff Dean [00:55:21]: Well, I mean, I think healthcare is a particularly challenging domain, so there’s a lot of healthcare data that, you know, we don’t have access to appropriately, but there’s a lot of, you know, uh, healthcare organizations that want to train models on their own data. That is not public healthcare data, uh, not public health. But public healthcare data. Um, so I think there are opportunities there to say, partner with a large healthcare organization and train models for their use that are going to be, you know, more bespoke, but probably, uh, might be better than a general model trained on say, public data. Yeah.

Jeff Dean [00:55:21]: Ну, думаю, здравоохранение — особенно сложный домен, так что есть много медицинских данных, к которым у нас, знаешь, нет надлежащего доступа, но есть много медицинских организаций, которые хотят обучать модели на собственных данных. Это непубличные медицинские данные. Так что, думаю, тут есть возможности, скажем, партнёриться с крупной медицинской организацией и обучать модели для их использования, которые будут более кастомными, но, наверное, могут быть лучше, чем общая модель, обученная на, скажем, публичных данных. Да.

Shawn Wang [00:55:58]: Yeah. I, I believe, uh, by the way, also this is like somewhat related to the language conversation. Uh, I think one of your, your favorite examples was you can put a low resource language in the context and it just learns. Yeah.

Shawn Wang [00:55:58]: Да. Я верю — кстати, это в каком-то смысле связано с разговором о языках. Думаю, один из твоих любимых примеров — что можно поместить язык с малыми ресурсами в контекст, и она просто его выучивает. Да.

Jeff Dean [00:56:09]: Oh, yeah, I think the example we used was Calamon, which is truly low resource because it’s only spoken by, I think 120 people in the world and there’s no written text.

Jeff Dean [00:56:09]: О да, думаю, пример, который мы использовали, был каламанг — по-настоящему малоресурсный, потому что на нём говорит, кажется, всего 120 человек в мире, и нет письменного текста.

Shawn Wang [00:56:20]: So, yeah. So you can just do it that way. Just put it in the context. Yeah. Yeah. But I think your whole data set in the context, right.

Shawn Wang [00:56:20]: Так что да. Так что можно просто сделать это так. Просто помести его в контекст. Да. Да. Но ты помещаешь весь свой набор данных в контекст, верно.

Jeff Dean [00:56:27]: If you, if you take a language like, uh, you know, Somali or something, there is a fair bit of Somali text in the world that, uh, or Ethiopian Amharic or something, um, you know, we probably. Yeah. Are not putting all the data from those languages into the Gemini based training. We put some of it, but if you put more of it, you’ll improve the capabilities of those models.

Jeff Dean [00:56:27]: Если взять такой язык, как, знаешь, сомали или что-то, в мире есть приличный объём текста на сомали, или эфиопский амхарский или что-то, знаешь, мы, наверное... Да. Мы не помещаем все данные с этих языков в обучение на основе Gemini. Мы помещаем часть, но если поместить больше, ты улучшишь возможности этих моделей.

Shawn Wang [00:56:49]: Yeah.

Shawn Wang [00:56:49]: Да.

Jeff Dean [00:56:49]: So, or of those languages.

Jeff Dean [00:56:49]: Так что — или этих языков.

Shawn Wang [00:56:52]: Uh, yeah, cool. Uh, it’s, uh, I have a side interest in linguistics. I, I, I did, uh, uh, a few classes back in college and like, uh, part of me, like if I was a linguist and I could have access to all these models, I would just be asking really fundamental questions about language itself. Yeah. Like, uh, one is th there’s one very obvious one, which is Sapir-Whorf, like how much does like the language that you speak affect your thinking, but then also there’s some languages where there’s just concepts that are not represented in other languages, but some others, many others that are just duplicates, right. Where, uh, there’s also another paper that people love called the platonic representation where, you know, like the, the, an image of a cup is, uh, if you say learn a model on that and you, you, you have a lot of texts with the word cup eventually maps to it, like roughly the same place. And so like that should apply to languages except where it doesn’t. And that’s actually like very interesting differences in what humanity has discovered as concepts that maybe English doesn’t have.

Shawn Wang [00:56:52]: Да, круто. У меня есть побочный интерес к лингвистике. Я прошёл несколько курсов ещё в колледже, и часть меня — если бы я был лингвистом и имел доступ ко всем этим моделям, я бы просто задавал реально фундаментальные вопросы о самом языке. Да. Например, один очень очевидный — гипотеза Сепира-Уорфа: насколько язык, на котором ты говоришь, влияет на твоё мышление, но ещё есть некоторые языки, где есть просто понятия, которые не представлены в других языках, а многие другие — просто дубликаты, верно. Есть ещё одна статья, которую люди обожают, под названием «платоническое представление», где, знаешь, изображение чашки — если обучить на этом модель, и у тебя много текстов со словом «чашка», в итоге оно отображается примерно в то же место. И это должно применяться к языкам, кроме случаев, когда не применяется. И это на самом деле очень интересные различия в том, какие понятия открыло человечество, которых, может, в английском нет.

Shawn Wang [00:57:54]: I don’t know. It’s just like my, my rant on languages. Yeah.

Shawn Wang [00:57:54]: Не знаю. Это просто моя тирада о языках. Да.

Jeff Dean [00:57:58]: I mean, I, I did some work on a early model that fused together a language based model with you have, you know, nice word based representations and then an image model where you have. Trained it on image net like things. Yes. And then you fuse together the top layers of, uh, no, this is devise, uh, uh, the, you do a little bit more training to fuse together those representations. And what you found was that if you give a novel image that is not in any of the categories in the image model, it was trained on the model can often assigns kind of the right cat, the right label to that image. Um, so for example, um, I think, uh, telescope and, uh, binoculars were both in the training, uh, categories for the image model, but, um, microscope was not. Hmm. And so if you’re given an image of a microscope, it actually can come up with something that’s, uh, got the word microscope as the label that it assigns, even though it’s never actually seen an image labeled that.

Jeff Dean [00:57:58]: Я делал кое-какую работу над ранней моделью, которая сплавляла вместе языковую модель — знаешь, у тебя приятные представления на основе слов — и модель изображений, где ты обучил её на чём-то вроде ImageNet. Да. А потом ты сплавляешь верхние слои... нет, это DeViSE — ты делаешь чуть больше обучения, чтобы сплавить эти представления. И обнаружилось, что если дать новое изображение, которого нет ни в одной из категорий, на которых обучалась модель изображений, модель часто может присвоить как бы правильную категорию, правильную метку этому изображению. Так что, например, думаю, «телескоп» и «бинокль» оба были в обучающих категориях для модели изображений, но «микроскоп» — нет. Хм. И вот если дать изображение микроскопа, она реально может выдать нечто, что содержит слово «микроскоп» как метку, которую она присваивает, хотя она никогда не видела изображения с такой меткой.

Shawn Wang [00:59:01]: Oh, that’s nice. That’s kind of cool. Yeah.

Shawn Wang [00:59:01]: О, это здорово. Это как бы круто. Да.

Jeff Dean [00:59:04]: Um, so yeah.

Jeff Dean [00:59:04]: Так что да.

Shawn Wang [00:59:07]: Useful. Uh, cool. Uh, I think. There, there’s more general, like broad questions, but like, I guess what, what do you, uh, wish you were asked more in, in, in general, like, you know, like you, you have such a broad scope. We’ve covered the hardware, we’ve covered the, the, the models research. Yeah.

Shawn Wang [00:59:07]: Полезно. Круто. Думаю, есть более общие, широкие вопросы, но, наверное, о чём ты хотел бы, чтобы тебя спрашивали больше в целом, знаешь, типа — у тебя такой широкий охват. Мы покрыли железо, мы покрыли модели, исследования. Да.

Jeff Dean [00:59:22]: I mean, I think, uh, one thing that’s kind of interesting is, you know, I, I did a undergrad thesis on neural network, uh, training, uh, uh, parallel neural network training, uh, back in 1990 when I got exposed to neural nets and I always felt kind of, they were the right abstraction. Uh, but we just needed way more compute than we had then. Mm-hmm. So like the 32 processors in the department parallel computer, you know, could get you a, a little bit more interesting, uh, model, but not, not enough to solve real problems. And so starting in 2008 or nine, you know, the world started to have enough computing power through Moore’s law and, you know, larger, interesting data sets to train on to actually, you know, start training neural nets that could tackle real problems that people cared about. Yeah. Speech recognition. Vision, and eventually, uh, language. Um, and so, um, when I started working on neural nets at Google in, in late 2011, um, you know, I really just felt like we should scale up the size of neural networks we can train using, you know, large amounts of parallel computation. And so, uh, I actually, uh, revived some ideas from my undergrad thesis where I’d done both model parallel and data parallel, uh, training and I compared them. Uh, I, I called them. I’ve been doing this since I was eight. It was something different. There was like pattern partitioned and, you know, model partitioned or something.

Jeff Dean [00:59:22]: Думаю, одна штука, которая как бы интересна, — знаешь, я делал дипломную работу бакалавра по обучению нейросетей, по параллельному обучению нейросетей, ещё в 1990 году, когда познакомился с нейросетями, и мне всегда казалось, что они — правильная абстракция. Но нам просто нужно было гораздо больше вычислений, чем у нас тогда было. Угу. Так что, например, 32 процессора в параллельном компьютере кафедры могли дать тебе чуть более интересную модель, но недостаточно, чтобы решать реальные проблемы. И вот, начиная с 2008 или 2009 года, мир начал иметь достаточно вычислительной мощности благодаря закону Мура и, знаешь, более крупным интересным наборам данных для обучения, чтобы реально начать обучать нейросети, которые могли браться за реальные проблемы, которые волновали людей. Да. Распознавание речи, зрение и, в конце концов, язык. И вот, когда я начал работать над нейросетями в Google в конце 2011 года, знаешь, я реально просто чувствовал, что нам надо масштабировать размер нейросетей, которые мы можем обучать, используя большие объёмы параллельных вычислений. И вот я возродил кое-какие идеи из своей дипломной работы бакалавра, где делал и параллелизм модели, и параллелизм данных при обучении, и сравнивал их. Я называл их... я этим занимаюсь с восьми лет. Это было что-то другое. Это было типа «разбиение по паттернам» и, знаешь, «разбиение по модели» или что-то такое.

Shawn Wang [01:00:43]: Well, I have to, is it, is it public? And we can go dig it up?

Shawn Wang [01:00:43]: Ну, я обязан — она публична? И мы можем её раскопать?

Jeff Dean [01:00:45]: Yeah, it’s on, it’s on the web. Okay, nice. Um, but, uh, you know, I think combining a lot of those techniques and really just trying to push on scaling things up over the last, you know, 15 years has been, you know, really important. And that means, you know, improvements in the hardware. So, you know, pushing on building specialized hardware like TPUs. Uh, it also means, you know, pushing on software, abstraction layers to let people express their ideas to the computer. Thank you for having me.

Jeff Dean [01:00:45]: Да, она в сети. Окей, здорово. Но, знаешь, думаю, сочетание многих из этих техник и просто попытки толкать масштабирование за последние, знаешь, 15 лет было реально важным. И это означает, знаешь, улучшения в железе. Так что, знаешь, толкать построение специализированного железа вроде TPU. Это также означает, знаешь, толкать слои абстракции в софте, чтобы дать людям выражать свои идеи компьютеру. Спасибо, что пригласили меня.

Jeff Dean [01:01:40]: Thank you for having me.

Jeff Dean [01:01:40]: Спасибо, что пригласили меня.

Shawn Wang [01:07:10]: If that’s something you would agree with at the time, or is there a different post-mortem?

Shawn Wang [01:07:10]: Это что-то, с чем ты согласился бы на тот момент, или есть другой разбор постфактум?

Jeff Dean [01:07:15]: The brain marketplace for compute quotas.

Jeff Dean [01:07:15]: Внутренний рынок Brain для квот на вычисления.

Shawn Wang [01:07:18]: Compute quotas, where basically he was like, okay, David worked at OpenAI as VP Engine and then he worked at Google. He was like, fundamentally, OpenAI was willing to go all in, like, bet the farm on one thing, whereas Google was more democratic. Everyone had a quota. And I was like, okay, if you believe in scaling as an important thing, that’s an important organizational-wide decision to do.

Shawn Wang [01:07:18]: Квоты на вычисления, где, по сути, он говорил: окей, Дэвид работал в OpenAI как VP Engineering, а потом работал в Google. Он такой: фундаментально, OpenAI был готов пойти ва-банк, типа поставить на кон всё ради одной вещи, тогда как Google был более демократичным. У каждого была квота. И я такой: окей, если ты веришь в масштабирование как в важную вещь, это важное общеорганизационное решение, которое надо принять.

Jeff Dean [01:07:41]: Yeah. Yeah, I mean, I think I would somewhat agree with that. I mean, I think I actually wrote a one-page memo saying we were being stupid by fragmenting our resources. So in particular, at the time, we had efforts within Google Research. And in the brain team in particular, on large language models. We also had efforts on multimodal models in other parts of brain and Google Research. And then Legacy DeepMind had efforts like Chinchilla models and Flamingo models. And so really, we were fragmenting not only our compute across those separate efforts, but also our best people and our best. And so I said, this is just stupid. Why don’t we combine things and have one effort to train an awesome single unified model that is multimodal from the start, that’s good at everything. And that was the origin of the Gemini effort.

Jeff Dean [01:07:41]: Да. Да, думаю, я бы отчасти с этим согласился. Думаю, я на самом деле написал одностраничную служебную записку, в которой говорилось, что мы поступаем глупо, фрагментируя наши ресурсы. В частности, в то время у нас были усилия внутри Google Research и в команде Brain в частности по большим языковым моделям. У нас также были усилия по мультимодальным моделям в других частях Brain и Google Research. И ещё у Legacy DeepMind были усилия вроде моделей Chinchilla и Flamingo. И вот реально мы фрагментировали не только наши вычисления по этим отдельным усилиям, но и наших лучших людей, и наши лучшие [ресурсы]. И вот я сказал: это просто глупо. Почему бы нам не объединить вещи и не иметь одно усилие — обучить потрясающую единую унифицированную модель, которая мультимодальна с самого начала, которая хороша во всём. И это было истоком усилия Gemini.

Shawn Wang [01:08:52]: And my one-page memo worked, which is good. Did you have the name? Because also for those who don’t know, you named Gemini.

Shawn Wang [01:08:52]: И моя одностраничная записка сработала, что хорошо. А у тебя было название? Потому что ещё, для тех, кто не знает, ты назвал Gemini.

Jeff Dean [01:08:58]: I did. There was another name proposed. And I said, you know what? You know, it’s sort of like these two organizations really are like twins in some sense coming together. So I kind of like that. And then there’s also the NASA interpretation of the early Gemini project being an important thing on your way to the Apollo project. So it seemed like a good name. Twins coming together. Right.

Jeff Dean [01:08:58]: Назвал. Было предложено другое название. И я сказал: знаешь что? Это как бы похоже на то, что эти две организации в каком-то смысле как близнецы, сходящиеся вместе. Так что мне это вроде понравилось. А ещё есть NASA-интерпретация: ранний проект Gemini был важной вехой на пути к проекту Apollo. Так что показалось хорошим названием. Близнецы, сходящиеся вместе. Верно.

Alessio Fanelli [01:09:27]: Yeah. Nice. I know we’re already running out of time, but I’m curious how you use AI. Today to code. So, I mean, you’re probably one of the most prolific engineers in the history of computer science. Um, I was reading on through the article about you and Sanjay’s friendship and how you work together. And you have one quote about, you need to find someone that you’re going to pair program with who’s compatible with your way of thinking so that the two of you together are a complimentary force. And I was thinking about how you think about coding agents and this, like, how do you shape a coding agents to be compatible with your way of thinking? Like. How would you rate the tools today? Like, where should things go? Yeah.

Alessio Fanelli [01:09:27]: Да. Хорошо. Знаю, мы уже выбиваемся из времени, но мне любопытно, как ты используешь AI сегодня для кодирования. То есть ты, наверное, один из самых плодовитых инженеров в истории информатики. Я читал статью про тебя и дружбу с Санджаем и про то, как вы работаете вместе. И у тебя есть цитата о том, что нужно найти того, с кем ты будешь парно программировать, кто совместим с твоим образом мышления, чтобы вы вдвоём вместе были взаимодополняющей силой. И я думал о том, как ты думаешь о кодовых агентах и о том, как сформировать кодового агента, чтобы он был совместим с твоим образом мышления. Как бы ты оценил инструменты сегодня? Куда всё должно двигаться? Да.

Jeff Dean [01:10:07]: I mean, first, I think the coding tools are, you know, getting vastly better compared to where they were a year or two, two years ago. So now you can actually rely on them to do more complex things that you as a, as a software engineer want to accomplish. And you can sort of delegate, you know, pretty complex things to these tools. And I think one really nice aspect about the, uh, interaction between, uh, uh, human, uh, software engineer and, uh, uh, coding model that they’re working with is your way of talking to that, uh, coding model actually sort of, uh, dictates how it interacts with you, right? Like you could ask it, please write a bunch of good tests for this. You could ask it, please help me brainstorm. Performance ideas and your way of doing that is going to shape how the model responds, what kinds of problems it tackles, you know, how much do you want the model to go off and do things that are larger and more independent versus interact with it, uh, more to make sure that you’re shaping the right kinds of, of things. And I think it’s not the case that any one style is the right thing for everything, right? Like some kinds of problems you actually want, uh, maybe a more frequent interaction style with a model. And other ones, you’re just like, yeah, please just go write this because I, I know I need this thing. I can specify it well enough, um, and go off and do it and come back when you’re done. And so I do think there’s going to be more of a style of having lots of independent, uh, software agents off doing things on your behalf and figuring out the right sort of human computer interaction model and UI and so on for when should it interrupt you and say, Hey, I need a little more guidance here, or I’ve done this thing. Now what, now what should I do? Um, I think we, we’re not at the end all answer to that question. And as the models get better, that, uh, set of decisions you put into how the interaction should happen may, may change, right? Like if you, if you have a team of 50 interns, how would you manage that if they were people? And I think it’s not, do you want 50 interns? You might, if they’re really good, right?

Jeff Dean [01:10:07]: Думаю, во-первых, инструменты для кодирования, знаешь, становятся радикально лучше по сравнению с тем, где они были год или два, два года назад. Так что теперь можно реально полагаться на них в более сложных вещах, которые ты как программист хочешь выполнить. И можно как бы делегировать им довольно сложные вещи. И, думаю, одна реально приятная сторона взаимодействия между человеком-программистом и кодовой моделью, с которой он работает, в том, что твой способ говорить с этой кодовой моделью на самом деле как бы диктует, как она взаимодействует с тобой, верно? Например, ты можешь попросить её: пожалуйста, напиши кучу хороших тестов для этого. Ты можешь попросить её: пожалуйста, помоги мне мозговым штурмом идеи по производительности, и твой способ делать это будет формировать, как модель отвечает, какие проблемы берёт на себя, знаешь, насколько ты хочешь, чтобы модель уходила и делала вещи, которые крупнее и более независимы, против взаимодействия с ней побольше, чтобы убедиться, что ты формируешь правильные вещи. И, думаю, неверно, что какой-то один стиль — правильная вещь для всего, верно? Например, для некоторых видов проблем ты реально хочешь, может, более частый стиль взаимодействия с моделью. А для других — ты просто такой: да, пожалуйста, просто иди и напиши это, потому что я знаю, что мне нужна эта штука. Я могу её достаточно хорошо специфицировать, и иди и сделай это, и возвращайся, когда закончишь. И вот, думаю, будет больше стиля, когда у тебя много независимых программных агентов, делающих вещи от твоего имени, и ты выясняешь правильную модель человеко-компьютерного взаимодействия и UI и так далее: когда ей следует прервать тебя и сказать: эй, мне нужно чуть больше указаний здесь, или: я сделала вот эту штуку, что теперь, что мне делать дальше? Думаю, мы не у финального ответа на этот вопрос. И по мере того как модели становятся лучше, тот набор решений, который ты вкладываешь в то, как должно происходить взаимодействие, может меняться, верно? Например, если у тебя команда из 50 стажёров, как бы ты управлял этим, если бы это были люди? И, думаю, вопрос не в том, хочешь ли ты 50 стажёров. Может, и хочешь, если они реально хороши, верно?

Shawn Wang [01:12:23]: It’s a lot of management. But it’s a lot of, uh.

Shawn Wang [01:12:23]: Это куча менеджмента. Но это куча...

Jeff Dean [01:12:25]: Uh, yeah. I mean, I think that is probably within the realm of possibilities that lots of people could have 50 interns. Yeah. And so how would you actually deal with that as a person, right? Like you would probably want them to form small sub teams, so you don’t have to interact with 50 of them. You can interact with five, five of those teams and they’re off doing things on your behalf, but I don’t know exactly what the, how this is going to unfold.

Jeff Dean [01:12:25]: Да. Думаю, это, наверное, в пределах возможного, что у многих людей могло бы быть 50 стажёров. Да. И как бы ты реально справлялся с этим как человек, верно? Например, ты, наверное, хотел бы, чтобы они формировали небольшие подкоманды, так что тебе не пришлось бы взаимодействовать с 50 из них. Ты можешь взаимодействовать с пятью, с пятью из этих команд, и они уходят и делают вещи от твоего имени, но я не знаю точно, как это будет разворачиваться.

Alessio Fanelli [01:12:52]: Hmm. Yeah. How do you think about bringing people? Like the pair programming is always helpful to like get net new ideas in the distribution, so to speak. It feels as we have more of these coding agents, write the code, it’s hard to bring other people into the problem. So you go to like, you know, you have 50 interns, right? And then you want to go to Noam Shazier be like, Hey, no, I’m, I want to like pair on this thing. But now there’s like this huge amount of work that has been done in parallel that you need to catch him up on. Right. And I’m curious, like if people are going to be in a way more isolated in their teams, where it’s. It’s like, okay, there’s so much context in these 50 interns that it’s just hard for me to like relay everything back to you.

Alessio Fanelli [01:12:52]: Хм. Да. Как ты думаешь о привлечении людей? Парное программирование всегда помогает как бы внести совершенно новые идеи в распределение, так сказать. Кажется, что по мере того как у нас всё больше этих кодовых агентов, пишущих код, становится трудно привлекать других людей в проблему. Так что ты идёшь к, знаешь, у тебя 50 стажёров, верно? И потом ты хочешь пойти к Ноаму Шазиру и сказать: эй, Ноам, я хочу попарить над этой штукой. Но теперь есть огромный объём работы, проделанной параллельно, по которому тебе надо его ввести в курс дела, верно. И мне любопытно — если люди будут как бы гораздо более изолированы в своих командах, где это типа: окей, в этих 50 стажёрах столько контекста, что мне просто трудно передать всё обратно тебе.

Jeff Dean [01:13:33]: Maybe. I mean, on the other hand, like imagine a classical software organization without any AI assisted tools, right. You would have, you know, 50 people doing stuff and their interaction style is going to be naturally very hierarchical because, um, you know, these 50 people are going to be working on this part of the system and not. Not interact that much with these other people over here. But if you have, you know, five people each managing 50 virtual agents, you know, they might be able to actually have much higher bandwidth communication among the five people, uh, then you would have among five people who are also trying to coordinate, you know, a 50 person software team. Each.

Jeff Dean [01:13:33]: Может быть. С другой стороны, представь классическую программную организацию без каких-либо AI-инструментов, верно. У тебя было бы, знаешь, 50 человек, делающих что-то, и их стиль взаимодействия будет естественно очень иерархическим, потому что, знаешь, эти 50 человек будут работать над этой частью системы и не очень-то взаимодействовать с другими людьми вот здесь. Но если у тебя, знаешь, пять человек, каждый управляет 50 виртуальными агентами, знаешь, они могут реально иметь гораздо более высокую пропускную способность коммуникации между этими пятью людьми, чем была бы среди пяти человек, которые ещё и пытаются координировать, знаешь, программную команду из 50 человек каждый.

Alessio Fanelli [01:14:15]: So how, how do you, I’m curious how you change your just working rhythm, you know, like you spend more time ahead with people going through SPACs and design. Goals. Like,

Alessio Fanelli [01:14:15]: Так как, как ты меняешь свой рабочий ритм, знаешь, типа ты проводишь больше времени заранее с людьми, проходя через спеки и цели проектирования. Например,

Jeff Dean [01:14:26]: um, I mean, I do think it’s interesting that, you know, whenever people were taught how to write software, they were taught that it’s really important to write specifications super clearly, but no one really believed that. Like it was like, yeah, whatever. I don’t need to do that. I’m going to really, I don’t know. I mean, writing the English language specification was never kind of an artifact that was really paid a lot of attention to. I mean, it was important, but it wasn’t sort of the thing. That drove the actual creative process quite as much as if you specify what software you want the agent to write for you, you’d better be pretty darn careful of and how you specify that because that’s going to dictate the quality of the output, right? Like if you, if you don’t cover that it needs to handle this kind of thing, or that this is a super important corner case, or that, you know, you really care about the performance of this part of it, you know, it may, uh, not do what you want. Yeah. And the better you get at interacting with these models. And I think one of the ways people will get better is they will get really good at crisply specifying things rather than leaving things to ambiguity. And that is actually probably not a bad thing. It’s not a bad skill to have, regardless of whether you’re a software engineer or a, you know, trying to do some other kind of, uh, task, you know, being able to crisply specify what it is you want. It’s going to be really important. Yeah.

Jeff Dean [01:14:26]: я всё же думаю, что интересно, что, знаешь, когда людей учили писать софт, их учили, что реально важно писать спецификации супер чётко, но никто реально в это не верил. Типа: да, как угодно. Мне не нужно это делать. Я просто... не знаю. Написание спецификации на английском языке никогда не было артефактом, которому уделяли много внимания. То есть это было важно, но это не было той вещью, что двигала собственно творческий процесс настолько, насколько — если ты специфицируешь, какой софт хочешь, чтобы агент написал для тебя, тебе лучше быть чертовски аккуратным в том, как ты это специфицируешь, потому что это будет диктовать качество вывода, верно? Например, если ты не покрыл, что нужно обработать вот такую вещь, или что это супер важный краевой случай, или что, знаешь, тебя реально волнует производительность вот этой части, знаешь, она может не сделать то, что ты хочешь. Да. И чем лучше ты становишься во взаимодействии с этими моделями... И, думаю, один из способов, которыми люди станут лучше, — они станут реально хороши в чётком специфицировании вещей, а не оставлении вещей на двусмысленность. И это на самом деле, наверное, не плохо. Это неплохой навык — иметь, независимо от того, программист ты или, знаешь, пытаешься делать какую-то другую задачу; знаешь, умение чётко специфицировать то, что тебе нужно, будет реально важным. Да.

Shawn Wang [01:15:52]: My, my joke is, um, you know, good. Yeah. I think one thing is in, uh, indistinguishable from sufficiently advanced executive communication, like it’s like writing an internal memo, like weigh your words very carefully and also I think very important to be multimodal, right? I think, uh, one thing that, uh, anti-gravity from, from Google also did was like, just come out the gate to very, very strong multimodal, including videos, and that’s the highest bandwidth communication prompt that you can give to the model, which is fantastic. Yeah.

Shawn Wang [01:15:52]: Моя, моя шутка в том, знаешь, что это неотличимо от достаточно продвинутой управленческой коммуникации, типа это как написание внутренней служебной записки, типа взвешивай свои слова очень аккуратно, а ещё, думаю, очень важно быть мультимодальным, верно? Думаю, одна вещь, которую сделал и Antigravity от Google, — это прямо с порога вышел с очень-очень сильной мультимодальностью, включая видео, и это самый высокопропускной коммуникационный промпт, который можно дать модели, что фантастично. Да.

Alessio Fanelli [01:16:20]: How do you collect things that you often you will have in your mind? So you have this amazing, like performance sense thing that you’ve heard about how to look for performance improvements. And is there a lot more value in like people writing these like generic things down so that they can then put them back as like potential retrieval artifacts for the model? Like, or do I have like the edge cases is like a good example, right? It’s like, if you’re building systems, you already have in your mind, specific edge cases, depending on it. But now you have to like, every time repeat it. Like, are you having people spend a lot more time writing? Are you finding out more generic things to bring back?

Alessio Fanelli [01:16:20]: Как ты собираешь вещи, которые часто держишь в голове? Например, у тебя есть это потрясающее чутьё на производительность, о котором ты слышал, — как искать улучшения производительности. И есть ли гораздо больше ценности в том, чтобы люди записывали эти общие вещи, чтобы потом можно было вернуть их как потенциальные артефакты для извлечения для модели? Например, краевые случаи — хороший пример, верно? Например, если ты строишь системы, у тебя уже в голове есть конкретные краевые случаи, в зависимости от. Но теперь тебе приходится каждый раз это повторять. Например, заставляешь ли ты людей проводить гораздо больше времени за написанием? Находишь ли ты больше общих вещей, чтобы вернуть?

Jeff Dean [01:16:56]: Or, um, I mean, I do think well-written guides of, of how to do good software engineering are going to be useful because they can be used as input to models or, you know, read by other developers so that their prompts are, you know, more clear about what the, the underlying software system should, should be doing. Um, you know, I think it may not be that you need to create a custom one. For every situation, if you have general guides and put those into, you know, the context of a coding agent, that, that can be helpful. Like in, you can imagine one for distributed systems, you could say, okay, think about failures of these kinds of things. And these are some techniques you can deal with failures. You know, you can have, uh, you know, Paxos like replication, or, you know, you can, uh, send the request to two places and tolerate failure because you only need one of them to come back. You know, a little. Description of 20 techniques like that in building distributed systems, probably would go a long way to having a coding agent be able to sort of cobble up more reliable and robust distributed systems.

Jeff Dean [01:16:56]: Хм. Думаю, хорошо написанные руководства о том, как делать хорошую разработку софта, будут полезны, потому что их можно использовать как ввод для моделей или, знаешь, читать другим разработчикам, чтобы их промпты были, знаешь, более ясными о том, что должна делать нижележащая программная система. Знаешь, думаю, может, не нужно создавать кастомное для каждой ситуации, если у тебя есть общие руководства и ты помещаешь их в, знаешь, контекст кодового агента, это может быть полезно. Например, можно представить одно для распределённых систем, ты можешь сказать: окей, подумай об отказах вот такого рода, и вот некоторые техники, которыми можно справляться с отказами. Знаешь, можно иметь, знаешь, Paxos-подобную репликацию, или, знаешь, можно отправить запрос в два места и допускать отказ, потому что тебе нужно, чтобы вернулось только одно из них. Знаешь, небольшое описание 20 таких техник в построении распределённых систем, наверное, сильно помогло бы кодовому агенту суметь как бы собрать более надёжные и устойчивые распределённые системы.

Shawn Wang [01:18:07]: Yeah. Yeah. I wonder when Gemini will be able to build Spanner, right?

Shawn Wang [01:18:07]: Да. Да. Интересно, когда Gemini сможет построить Spanner, верно?

Alessio Fanelli [01:18:12]: Probably already has the code inside, you know?

Alessio Fanelli [01:18:12]: Наверное, уже имеет код внутри, знаешь?

Alessio Fanelli [01:18:16]: Yeah. That, I mean, that’s a good example, right? When you have like, you know, the cap theorem and it’s like, well, this is like truth and you cannot break that. And then you build something that broke it.

Alessio Fanelli [01:18:16]: Да. Это, то есть, это хороший пример, верно? Когда у тебя, знаешь, теорема CAP, и это типа: ну, это истина, и ты не можешь её нарушить. А потом ты строишь нечто, что её нарушило.

Shawn Wang [01:18:26]: Like, I’m curious, like models in a way are like, would he say he broke it? Did you, would you say you broke cap theorem? Really? Yeah. Okay. All right. I mean, under local assumptions. Yeah. Under some, some, yeah. And they’re like, you know, good clocks. Yeah. Yeah.

Shawn Wang [01:18:26]: Например, мне любопытно — модели в каком-то смысле как бы... сказал бы он, что он её нарушил? А ты — сказал бы ты, что нарушил теорему CAP? Реально? Да. Окей. Ладно. То есть при локальных допущениях. Да. При некоторых, да. И у них, знаешь, хорошие часы. Да. Да.

Alessio Fanelli [01:18:41]: It’s like some, sometimes you don’t have to like always follow what is known to be true. Right. And I, I think models in a way, like if you tell them something, they’re like really buy into that, you know? Um, yeah. So yeah, just more. Thinking than any answer on how to fix it.

Alessio Fanelli [01:18:41]: Это типа — иногда не обязательно всегда следовать тому, что известно как истина, верно. И я думаю, модели в каком-то смысле — если ты говоришь им что-то, они как бы реально покупаются на это, знаешь? Так что да, скорее размышление, чем какой-то ответ о том, как это починить.

Jeff Dean [01:18:57]: Yeah, my, my, uh, you know, it’s just on this, like, like big prompting and, and, uh, iteration, you know, I think that coming back to your latency point, um, I always, I always try to one, one AB test or experiment or benchmark or research I would like is what is the performance difference between, let’s say three dumb fast model calls with human alignment because the human will correct human alignment, being human looks at the first one and produces a new prompt.

Jeff Dean [01:18:57]: Да, моё, знаешь, — это как раз про большое промптирование и итерацию, знаешь; думаю, возвращаясь к твоему пункту про латентность, я всегда пытаюсь — один AB-тест, или эксперимент, или бенчмарк, или исследование, которое я хотел бы [иметь], — это какова разница в производительности между, скажем, тремя тупыми быстрыми вызовами модели с человеческим выравниванием, потому что человек будет корректировать, человеческое выравнивание — это когда человек смотрит на первый и выдаёт новый промпт.

Shawn Wang [01:19:23]: For the second one. Correct. Okay. As opposed to like, you spec it out, you know, it’s been a long time writing as a pro a big, big fat prompt, and then you have a very smart model. Do it right. Right. You know, cause, uh, really is, is, uh, our lacks in performance, uh, an issue of like, well, you just haven’t specified well enough. There’s no universe in which I can produce what you want because you just haven’t told me. Right.

Shawn Wang [01:19:23]: Для второго. Верно. Окей. В противоположность тому, как ты это специфицируешь, знаешь, ты долго писал, как профи, большой жирный промпт, а потом у тебя есть очень умная модель, которая делает это, верно. Верно. Знаешь, потому что реально ли — нехватка производительности — это проблема того, что ты просто недостаточно хорошо специфицировал? Нет такой вселенной, в которой я могу выдать то, что ты хочешь, потому что ты просто мне не сказал. Верно.

Jeff Dean [01:19:44]: It’s underspecified. So I could produce 10 different things and only one of them is the thing you wanted. Yeah.

Jeff Dean [01:19:44]: Это недоспецифицировано. Так что я мог бы выдать 10 разных вещей, и только одна из них — та, что ты хотел. Да.

Shawn Wang [01:19:49]: And the multi-turn taking with a flash model is enough. Yeah.

Shawn Wang [01:19:49]: И многоходового взаимодействия с моделью Flash достаточно. Да.

Jeff Dean [01:19:54]: Yeah, I’m, I’m a big believer in pushing on latency because I think being able to have really low latency interactions with a system you’re using is just much more delightful than something that is, you know, 10 times as slow or 20 times as slow. And I think, you know, in the future we’ll see models that are, and, and underlying software and hardware systems that are 20X lower latency than what we have today, 50X lower latency. And that’s going to be really, really important for systems. That need to do a lot of stuff, uh, between your interactions.

Jeff Dean [01:19:54]: Да, я большой сторонник того, чтобы давить на латентность, потому что, думаю, возможность иметь реально низколатентные взаимодействия с системой, которую ты используешь, просто гораздо приятнее, чем что-то, что, знаешь, в 10 раз медленнее или в 20 раз медленнее. И, думаю, знаешь, в будущем мы увидим модели — и нижележащие софтверные и аппаратные системы — что в 20 раз ниже по латентности, чем то, что у нас есть сегодня, в 50 раз ниже по латентности. И это будет реально-реально важно для систем, которым нужно делать кучу всего между твоими взаимодействиями.

Shawn Wang [01:20:27]: Yeah. Yeah. There, there’s two extremes, right? And then meanwhile, you also have DeepThink, which is all the way on the other side. Right.

Shawn Wang [01:20:27]: Да. Да. Есть две крайности, верно? И при этом у тебя ещё есть DeepThink, который весь на другой стороне. Верно.

Jeff Dean [01:20:33]: But you would use DeepThink all the time if it weren’t for cost and latency, right? If, if you could have that capability in a model because the latency improvement was 20X, uh, in the underlying hardware and system and costs, you know, there’s no reason you wouldn’t want that.

Jeff Dean [01:20:33]: Но ты бы использовал DeepThink всё время, если бы не стоимость и латентность, верно? Если бы ты мог иметь эту возможность в модели, потому что улучшение латентности было бы в 20 раз в нижележащем железе и системе и по стоимости, знаешь, нет причины, почему бы ты этого не хотел.

Shawn Wang [01:20:50]: Yeah.

Shawn Wang [01:20:50]: Да.

Jeff Dean [01:20:52]: But at the same time, then you’d probably have a model. That is even better. That would take you 20X longer, even on that new hardware. Yeah.

Jeff Dean [01:20:52]: Но в то же время тогда у тебя, наверное, была бы модель, которая ещё лучше. Которая заняла бы у тебя в 20 раз дольше, даже на этом новом железе. Да.

Shawn Wang [01:21:00]: Uh, you know, there, there’s, uh, the Pareto curve keeps climbing. Um, yeah, onward and outward, onward and outward. Yeah. Should we ask him for predictions to, to go? I don’t know if you have any predictions that you, that you like to keep, you know, like, uh, one, one way to do this is you have your tests whenever a new model comes out that you run, uh, what’s something that you’re, you’re not quite happy with yet. That you think we’ll get done soon.

Shawn Wang [01:21:00]: Знаешь, кривая Парето всё карабкается вверх. Да, вперёд и вширь, вперёд и вширь. Да. Может, попросим у него прогнозы на прощание? Не знаю, есть ли у тебя какие-то прогнозы, которые ты любишь держать, знаешь, типа — один способ это сделать: у тебя есть свои тесты, которые ты прогоняешь всякий раз, когда выходит новая модель, — что-то, чем ты пока не совсем доволен, но думаешь, что это сделают скоро.

Jeff Dean [01:21:29]: Um, let me make two predictions that are not quite in that vein. Yeah. So I think a personalized model that knows you and knows all your state and is able to retrieve over all state you have access to, that you opt into is going to be incredibly useful compared to a more generic model that doesn’t have access to that. So like, can something attend to everything I’ve ever seen? Yeah. Every email, every photo, every. Yeah. Video I’ve watched, that’s going to be really useful. Uh, I think, uh, more and more specialized hardware is going to enable much lower latency models and much more capable models for affordable prices, uh, than say the current, current status quo. Uh, that’s going to be also quite important. Yeah.

Jeff Dean [01:21:29]: Дай-ка я сделаю два прогноза, которые не совсем в этом духе. Да. Так вот, думаю, персонализированная модель, которая знает тебя, и знает всё твоё состояние, и способна извлекать по всему состоянию, к которому у тебя есть доступ, на которое ты дал согласие, будет невероятно полезной по сравнению с более общей моделью, у которой нет доступа к этому. Например, может ли что-то обращать внимание на всё, что я когда-либо видел? Да. Каждое письмо, каждое фото, каждое. Да. Видео, которое я смотрел, — это будет реально полезно. Думаю, всё больше специализированного железа будет открывать гораздо более низколатентные модели и гораздо более способные модели за доступные цены, чем, скажем, текущий статус-кво. Это тоже будет весьма важно. Да.

Shawn Wang [01:22:16]: When you say much lower latency, uh, people usually talk in tokens per second. Is that a term that is okay? Okay. Uh, you know, we’re at, let’s say a hundred. Now we can go to a thousand. Is it meaningful to go 10,000? Yes. Really? Okay. Absolutely. Right. Yeah. Because of chain of thought and chain of thought reasoning.

Shawn Wang [01:22:16]: Когда ты говоришь «гораздо более низкая латентность», люди обычно говорят в токенах в секунду. Это нормальный термин? Окей. Знаешь, мы сейчас, скажем, на сотне. Теперь можем перейти к тысяче. Имеет ли смысл идти к 10 000? Да. Реально? Окей. Абсолютно. Верно. Да. Из-за цепочки мыслей и рассуждения цепочкой мыслей.

Jeff Dean [01:22:36]: I mean, you could think, you know, uh, many more tokens, you could do many more parallel rollouts. You could generate way more code, uh, and check that the code is cracked with a chain of thought reasoning. So I think, you know, being able to do that at 10,000 tokens per second would be awesome. Yeah.

Jeff Dean [01:22:36]: Можно подумать, знаешь, гораздо больше токенов, можно делать гораздо больше параллельных роллаутов. Можно генерировать гораздо больше кода и проверять, что код корректен, с рассуждением цепочкой мыслей. Так что, думаю, знаешь, возможность делать это на 10 000 токенов в секунду была бы потрясающей. Да.

Shawn Wang [01:22:52]: At 10,000 tokens per second, you are no longer reading code. Yeah. Like you will just generate it. You’ll, I’m not reading it.

Shawn Wang [01:22:52]: На 10 000 токенов в секунду ты больше не читаешь код. Да. Типа ты просто будешь его генерировать. Ты... я его не читаю.

Jeff Dean [01:22:58]: Well, remember, it may not, it may not end up with 10,000 tokens of code. Yeah. It may be a thousand tokens of code that with 9,000 tokens of reasoning behind it, which would actually be probably much better code to read. Yeah.

Jeff Dean [01:22:58]: Ну, помни, в итоге может быть не 10 000 токенов кода. Да. Может быть тысяча токенов кода с 9 000 токенов рассуждения за ними, что на самом деле, наверное, был бы гораздо лучший код для чтения. Да.

Alessio Fanelli [01:23:11]: Yeah. If I had more time, I would have written a shorter letter. Yeah. Yeah. Yeah. Um, awesome. Jeff, this was amazing. Thanks for taking the time. Thank you.

Alessio Fanelli [01:23:11]: Да. Если бы у меня было больше времени, я бы написал письмо покороче. Да. Да. Да. Потрясающе. Джефф, это было изумительно. Спасибо, что нашёл время. Спасибо.

Jeff Dean [01:23:20]: It’s been fun. Thanks for having me.

Jeff Dean [01:23:20]: Было весело. Спасибо, что пригласили.

Discussion about this episode

Обсуждение этого выпуска