Легендарный Джеффри Дин не нуждается в дополнительном представлении: именно он спроектировал и запрограммировал некоторые ключевые сервисы для Google, в том числе распределённую БД Spanner, систему хранения полуструктурированных данных Bigtable, систему обработки данных в кластерах MapReduce, NoSQL-хранилище LevelDB, библиотеку машинного обучения TensorFlow и др.

Как и другие известные разработчики, Джефф Дин сейчас работает в области ML. Для него это естественное направление, поскольку он ещё с университета специализировался на машинном обучении.

Кроме основных занятий, ведущий исследователь Google также инвестирует в стартапы. Новое поколение стартапов, которые появляются как грибы после дождя.

Джефф Дин и ML

Как мы упомянули, Джеффри Дин ещё с университета специализировался на машинном обучении. Например, вот материалы для защиты его дипломной работы «Параллельные реализации обучения нейронных сетей: два подхода с обратным распространением ошибок» 1990 года.

В этой работе рассматривается два подхода для ускорения обучения. Первый предусматривает разбиение всей нейросети по шаблонам (pattern-partioned). На каждом CPU представлена вся нейросеть целиком, а набор входящих шаблонов разделяется между доступными CPU. Каждый процессор независимо вычисляет изменения весов, необходимые для минимизации ошибки в своём наборе входящих шаблонов. После вычисления в одном CPU изменения транслируются на все процессоры. Это более простой подход для реализации. Диаграмма внизу демонстрирует его эффективность:

Второй подход предполагает разбиение нейронов сети между доступными CPU (pipelined approach), чтобы каждый процессор получал весь набор входящих паттернов. Преимущество в том, что здесь не нужно совмещать изменения от разных процессоров. Однако коммуникация между ними по-прежнему требуется, поскольку каждый CPU представляет только часть нейросети.

Так что Джефф ещё с 1990 (!) года занимался оптимизацией нейросетей в железе. Эта проблема актуальна до настоящего времени, и Джефф продолжает ею заниматься. Более того, когда он начал профессиональную карьеру, IT-отрасль ещё не созрела для решения таких задач в коммерческих приложениях. И только спустя 30 лет это произошло. Вот это уровень дипломной работы 90-х!

Когда Джефф Дин в 1999 году пришёл в Google, там не было отдела ML, а работа заключалась в обработке больших массивов данных для эффективного хранения, индексации и поиска.

Но вскоре задачи появились. В апреле 2018 года Дина сняли с инфраструктурных проектов и назначили на новый фронтир — руководителем подразделения искусственного интеллекта Google AI, сформированного тогда из разных ИИ-проектов Google Research.

С 2023 года после слияния подразделения Google Brain (часть Google Research) с приобретённой компанией DeepMind Джефф Дин официально стал Chief Scientist в Google DeepMind и Google Research, с подчинением напрямую исполнительному директору Сундару Пичаи.

Портфель Дина

Говорят, что талантливые люди талантливы во всём. Поэтому интересно посмотреть, в какие конкретно направления Джефф Дин вкладывает личные финансы.

Журнал Fortune пишет, что в последние годы он проявил себя как очень активный «ангел» (инвестор, который инвестирует в проекты на ранней стадии).

За последние два года он профинансировал 37 ИИ-стартапов, включая Perplexity, DatologyAI, Emerald AI, Workhelix, Roboflow, Profluent Bio, Sakana AI, Latent Labs, P-1, World Labs и Yutori. Большинство профинансировано на начальном этапе, когда о компании ещё не знает широкая публика, она не выпустила продукт и не запустила сайт.

Вложения в новую волну ИИ-стартапов — не первый опыт инвестирования для Дина. В 2016 году он вложился в разработчика технологий для управления недвижимостью Poplar Homes (программное приложение и сервисы для «ухода за домом» — ремонтные работы, обслуживание, свой персонал, бесплатный вызов). В 2025 году Evernest купила этот стартап, и можно предположить, что первоначальные вложения окупились ещё на предыдущих стадиях. Вероятно, это одна из первых сделок Дина, о которой стало известно. К 2022 году в его активе было уже несколько десятков сделок. После этого он сфокусировался почти исключительно на ИИ-компаниях и увеличил объём вложений.

Все инвестиции можно тематически разделить на три группы.

1. Инструменты для программирования и инфраструктуры

Джефф Дин поддерживает разработчиков ключевого ИИ-инструментария, особенно для программистских платформ, LLM-инфраструктуры и технологии для повышения эффективности обучения моделей.

Примеры:

• Chipp — no-code платформа для разработки ИИ-агентов. В каталоге есть большой выбор готовых шаблонов, которые можно изменить и настроить на свои нужды: «админ», «маркетолог», «аналитик данных» и др. Есть бесплатные и платные агенты. Программисты могут создавать шаблоны и продавать их.

Мы не знаем, как сам Джефф использует ИИ-инструменты в программировании. Из прошлых интервью известно, что он программирует в emacs в основном на С++, был ещё опыт на Java, Python, Perl, Self, Cecil, ассемблере x86 и Pascal. В совместной работе использует Google Docs, для технических документов — LaTeX, для презентаций — Google Slides.

2. Новые применения LLM

Ещё одна целевая категория — приложения нового поколения, созданные специально для LLM-эпохи, то есть когда использование LLM станет повсеместным и привычным для людей. Например, для людей станет привычным делом обращаться к ИИ-юристам или ИИ-тренерам по фитнесу.

Примеры:

• Yutori — агенты для выполнения повседневных задач в интернете: заказ продуктов, отслеживание брони, планирование и координация поездок и проч. (продукт ещё не вышел).

• ИИ-юрист Harvey.

• Xelix — ERP-софт для автоматизации расчётов с поставщиками. Модули ИИ здесь используются для предотвращения некорректных транзакций, дубликатов, ошибок и фрода, для технической поддержки и ответов на вопросы, очистки и оптимизации исходных данных, составления отчётов, автоматизации утомительного процесса сверки счётов поставщиков.

• Rune Technologies — программная платформа TyrOS для улучшения военной логистики на тактическом и операционном уровнях, учёта персонала, запасов, оборудования и поставок.

• Nexxa.ai — агенты для оптимизации и автоматизации процессов на промышленных предприятиях.

• Crew — уборка мусорных баков за $50 в месяц. Сервис для владельцев недвижимости, которая сдаётся в краткосрочную аренду.

• Leadstory — новостной агрегатор и стриминговая платформа новостных сюжетов.

3. ИИ в науке

Наконец, третья категория инвестиций — применение ИИ в науке.

• Radical AI — автономные ИИ-лаборатории для исследований и разработки новых материалов.

Дин поддержал компании, которые применяют ИИ в биологии, химии и геномике. Можно сказать, что это естественное продолжение его работы в Google Brain и DeepMind, особенно если вспомнить знаменитую AlphaFold для расчёта фолдинга белков, фундаментальную разработку в современной вычислительной биологии.

Можно заметить также, что Джефф Дин выбирает команды, которыми руководят технари, часто с научным прошлым и опытом опенсорса. Среди них бывшие исследователи из Google, DeepMind, OpenAI и ведущих университетов. Например, трое сооснователей Yutori пришли из Meta*, но ранее были преподавателями в Технологическом институте Джорджии.

Некоторые стартапы даже пересекаются или конкурируют с основным бизнесом Google.

Все перечисленные выше стартапы уже давно вышли из seed-стадии, успешно запустились и привлекли несколько раундов дополнительного финансирования на миллионы долларов. Другими словами, ангельские инвестиции Джеффа Дина уже многократно окупились. В такой ситуации можно выйти из стартапов с прибылью.

Инвестиции программистов

На определённом этапе своей карьеры каждый задумывается о том, куда инвестировать средства, заработанные за годы работы, чтобы обеспечить себе достойную пенсию. Даже если не очень приятно иметь дело с финансами, но это приходится делать, чтобы защитить активы от обесценивания из-за инфляции. Поэтому приходится разбираться в типах инвестиций...

Ангельские инвестиции — один из популярных вариантов для ИТ-специалистов, у которых есть глубокая экспертиза в своей области и обширные связи в кругах предпринимателей. Точечные инвестиции рискованны, потому что у единичного бизнеса высоки шансы провалиться. А вот «веерное финансирование» большого количества стартапов на ранней стадии — более надёжный вариант с точки зрения теории вероятностей. Учитывая опыт и экспертизу инвестора, вероятность успеха в таком случае должна быть несколько выше, чем случайное финансирование всего подряд.

Будущее ML

Конечно, нынешний «пузырь» ИИ лопнет, как лопнули пузыри интернета (доткомов), облаков и проч. Но миллиардные инвестиции останутся в виде инфраструктуры и сервисов для будущих поколений. От такого пузыря останутся в проигрыше инвесторы, а в выигрыше — предприниматели и программисты.

Что касается машинного обучения, то всё только начинается. Нас ожидает много интересного: мощные мультимодальные системы, запуск на мобильных телефонах и других устройствах, мультиагенты, роботы с ИИ, новые CPU и т. д. По поводу железа Джефф Дин в 2018 году опубликовал статью «Новый золотой век в компьютерной архитектуре: топливо для революции ML», которая ещё не устарела. Эти тренды продолжаются.

В общем, за ML будущее.

*Meta запрещена в России как экстремистская.

© 2025 ООО «МТ ФИНАНС»