Jeff Deanが若い世代に伝えたのは「AIを全部極める必要はない」ということ
Googleで27年間働いたJeff Deanは、AI時代にTechnology分野へ入る若い世代に、意外にも「すべてをMasterしようとしなくていい」と助言している。ModelやPaper、Techniqueの更新速度は速く、AIが関わる領域も広がり続けているため、一人ですべてを深く追うことは現実的ではない。
2026 Frontier & Pioneer SymposiumでDeanが強調したのは、最初から一つのテーマを掘り下げるより、まず知識の幅を作る価値だ。1本を徹底的に読む代わりに10本のPaperをSkimすれば、「何が可能か」という頭の中の地図に10個の点を置ける。さらに100本のAbstractに目を通せば、異なる分野のIdeaを結ぶ材料が増えるという。
これは浅い学習を勧める話ではない。限られた時間をどこに使うかというStrategyであり、必要になった時点で重要なPaperに戻り、深く理解すればよいという考え方だ。
広く読んでから、まだ誰も結んでいないIdeaを結ぶ
Deanの主張の中心にあるのは、Innovationが単独の専門知識だけでなく、異なる領域のConnectionから生まれることだ。AIはHealthcare、Education、Biology、Engineering、Robotics、Mathematicsなどと同時に交差しており、すべてを同じ深さで追うことはできない。
広くResearchを読むことで、学生や若いEngineerはMethodやConcept、未解決問題の大きなCatalogueを作れる。細部を全部覚えていなくても、「別のDomainに使えそうな方法が存在する」と知っているだけで、後に新しい組み合わせを見つけられる。
重要なのは、どこでDeep Diveするかを判断する力だ。Broad ReadingはDiscovery、深いTechnical Workは有望なConnectionを見つけた後のExecutionという順序になる。
長期で取り組むなら「5年程度で形が見える問題」が魅力的
DeanはProblem Selectionについても具体的な目安を示した。解決まで20年かかりそうで、しかもApproachが見えない問題は大きすぎる可能性がある。一方、2年で簡単に終わりそうな問題は、大きなBreakthroughにつながるほど難しくないかもしれない。
そこで彼が挙げたのが、およそ5年という時間軸だ。何度もExperimentし、失敗し、方向転換する余地がありながら、解決へのPathもある程度想像できる長さである。
数週間単位でTrendが変わるAI業界で、この考え方はむしろ長期志向だ。Careerを毎回のModel Releaseに合わせるのではなく、複数のTechnology Cycleをまたいでも価値が残るProblemを選び、新しいAI Toolは途中で取り込めばいい。
Deanは失敗も前提にしている。複数のApproachを試し、その多くが機能しなくても、そこから有効な方向が見えてくるというResearch本来の姿勢だ。
Googleを27年で離れ、DiscoveryLoopで新しい挑戦へ
Dean自身も大きな転換点にいる。2026年8月初めにGoogleを離れ、在籍期間は27年に達した。2018年から2023年までGoogle AIを率い、その後2023年から2026年までChief Scientistを務めた。
現在はAI StartupのDiscoveryLoopでCo-founder兼CEOを務め、Autonomous Researchを通じてScienceとEngineeringのDiscoveryを加速させようとしている。
この新しい仕事は、今回の助言とよく重なる。DeanはExpertiseが不要になったと言っているのではない。むしろ難しいScientific Problemに挑むため、AIで専門知識へのAccessを広げ、人間が一人では検討できない数の可能性を探索できるようにしようとしている。
若い世代にとっては、Technical Informationを最も多く暗記することより、良いQuestionを選び、複数Domainを結び、AIのOutputを評価できることが競争力になる可能性がある。
AIは人間の能力を置き換えるだけでなく、拡張できる
AIによる雇用への影響や格差拡大への懸念がある一方、Deanは社会的なPotentialについて強くOptimisticだ。HealthcareやEducationを例に、人間だけでは解けなかったProblemをModelが支援できる可能性を挙げている。
特に彼が期待するのは、多数のScience・Engineering Domainを理解し、複数分野でPh.D.-level expertiseに近い支援を提供するModelだ。信頼性が十分に高まれば、一つの専門を持つResearcherが別分野へ進む際、何年ものFormal Trainingを終える前から高度な知識へAccessできる。
もちろんHuman Judgmentは残る。Modelは間違え、Experimentは失敗し、重要なConclusionには専門家のValidationが必要だ。Dean自身もMagic Answerを持っているわけではなく、失敗を繰り返すと認めている。
Optimisticな未来像とは、難しい仕事が自動的に簡単になることではなく、個人やSmall Teamが挑戦できるProblemの上限が上がることだ。
Gen Zが持ち帰るべきなのは「浅く学べ」ではなく「何を深めるか選べ」
DeanのMessageは、AIのすべてのUpdateを追わなければならないというPressureに対する別のCareer Strategyを示している。全部を知る必要はない。Opportunityを見つけられる幅、必要な場所で掘れる深さ、そして短期Trendより長く残るProblemに取り組むPatienceが重要になる。
実践するなら、自分の専門外のResearchも定期的にScanし、再利用できそうなIdeaを記録し、数年後も価値があるProblemを探す。そしてAIは思考の代替ではなく、ExplorationやPrototypeを加速するToolとして使う。
InformationとTechnical Assistanceが豊富になるほど、Scarceになるのは「何が重要か」を選ぶJudgmentかもしれない。別々のCommunityにあるIdeaを結べる人は、狭いLaneだけを極めようとする人には見えないOpportunityを発見できる。
つまりDeanはExpertiseを否定していない。先に広い地図を作り、その上でどこに数年を投じてExpertになるかを選べ、と言っている。
