Para kay Jeff Dean, hindi kailangang subukang maging eksperto sa bawat bahagi ng AI
Matapos ang 27 taon sa Google, may payo si Jeff Dean para sa mga kabataang papasok sa isang job market na mabilis na binabago ng AI: huwag subukang masterin ang bawat bagong Model, Paper, o Technique. Napakabilis ng galaw ng field at napakaraming disciplines na naaabot nito para maging realistic na maunawaan ng isang tao ang lahat nang sabay-sabay at pare-pareho ang lalim.
- Para kay Jeff Dean, hindi kailangang subukang maging eksperto sa bawat bahagi ng AI
- Magbasa muna nang malawak, saka pagdugtungin ang mga ideyang hindi pa pinagdurugtong ng iba
- Ang tamang problemang pangmatagalan ay maaaring mangailangan ng humigit-kumulang limang taon
- Pagkatapos ng 27 taon sa Google, nagsisimula si Dean ng bagong yugto sa DiscoveryLoop
- Naniniwala si Dean na kayang palawakin ng AI ang kakayahan ng tao
- Para sa Gen Z, hindi ang pag-aaral nang mas kaunti ang aral kundi ang pagpili kung saan lalalim
Sa 2026 Frontier & Pioneer Symposium, binigyang-diin ni Dean ang halaga ng pagkakaroon muna ng malawak na pananaw. Sa ilang sitwasyon, mas kapaki-pakinabang ang mabilis na pag-skim ng 10 Papers kaysa ubusin ang buong oras sa iisang Paper, dahil bawat isa ay nagdaragdag ng bagong punto sa mental map ng kung ano ang posible. Iminungkahi pa niyang dumaan sa humigit-kumulang 100 Abstracts para mas lumawak ang larawang iyon.
Hindi ibig sabihin nito na dapat maging mababaw ang pag-aaral. Ang punto ay kung paano gagamitin nang mahusay ang limitadong oras. Kapag alam mong may isang Method sa ibang Domain, maaari mo itong balikan at pag-aralan nang malalim kapag kailangan na—at posibleng maiugnay ito sa isang Problem na hindi napapansin ng mga Specialist na nakatutok lamang sa isang larangan.
Magbasa muna nang malawak, saka pagdugtungin ang mga ideyang hindi pa pinagdurugtong ng iba
Nasa Connections ang sentro ng argumento ni Dean. Ang AI ngayon ay sabay-sabay na nakikipagtagpo sa Healthcare, Education, Biology, Engineering, Robotics, Mathematics, at marami pang larangan. Walang sinuman ang kayang sundan ang bawat development sa lahat ng ito nang may parehong antas ng detalye.
Sa malawak na pagbabasa ng Research, maaaring bumuo ang mga estudyante at early-career technologists ng mas malaking mental catalogue ng Methods, Concepts, at Open Problems. Hindi kailangang kabisaduhin ang bawat Equation o Implementation Detail. Minsan sapat nang malaman na may Approach na ginagamit sa ibang Domain upang maisip itong muli kapag may bagong Problem.
Dahil dito, nagiging mahalagang Skill ang pagpili kung ano ang dapat i-Deep Dive. Ang Broad Reading ang Discovery phase; kapag may nakita nang promising Connection, kailangan pa rin ang seryosong Deep Technical Work. Hindi sinasabi ni Dean na mag-aral nang mas kaunti. Ang sinasabi niya ay palawakin muna ang paghahanap bago pumili kung saan bubuo ng tunay na Expertise.
Magbasa pa
Ang tamang problemang pangmatagalan ay maaaring mangailangan ng humigit-kumulang limang taon
Nagbigay rin si Dean ng praktikal na framework sa pagpili ng Problem na pagtutuunan sa mahabang panahon. Kung posibleng abutin ng 20 taon ang isang problema at wala pang credible Approach na nakikita, maaaring masyado itong speculative. Sa kabilang dulo, kung kayang matapos nang diretso sa loob ng dalawang taon, maaaring hindi ito sapat na mahirap para makalikha ng malaking Breakthrough.
Para kay Dean, kaakit-akit ang humigit-kumulang limang taong horizon. Sapat itong haba para makapagsagawa ng maraming Experiments, mabigo, magpalit ng direksiyon, at sumubok ng iba’t ibang Approaches, ngunit hindi rin sobrang layo para mawalan ng nakikitang Path patungo sa solusyon.
Kapansin-pansin ito sa isang industriya kung saan linggo o buwan ang karaniwang sukatan ng pagbabago. Sa halip na iayon ang buong Career sa bawat AI Trend o Model Release, mas matibay ang pagpili ng Problem na mananatiling mahalaga sa maraming Product Cycles at pagdagdag ng mga bagong Tool habang umuusad ang trabaho.
Kasama rin sa proseso ang failure. Maaaring hindi gumana ang maraming Approach, ngunit hindi nito awtomatikong ibig sabihin na mali ang Problem. Ang mga nabigong Experiment ang tumutulong para makita kung aling direksiyon ang talagang may potensiyal.
Pagkatapos ng 27 taon sa Google, nagsisimula si Dean ng bagong yugto sa DiscoveryLoop
Dumarating ang payo ni Dean kasabay ng malaking pagbabago sa sarili niyang Career. Umalis siya sa Google noong unang bahagi ng Agosto 2026 matapos ang 27 taon sa kumpanya. Pinamunuan niya ang Google AI mula 2018 hanggang 2023 at nagsilbing Chief Scientist ng Google mula 2023 hanggang 2026.
Pagkatapos umalis, naging Co-founder at CEO siya ng DiscoveryLoop, isang AI Startup na nakatuon sa pagpapabilis ng Science at Engineering Discovery gamit ang Autonomous Research Systems.
Nagbibigay ito ng mahalagang context sa kanyang pananaw. Hindi sinasabi ni Dean na wala nang halaga ang Expertise. Sa katunayan, mahihirap na Scientific Problems ang gustong tugunan ng bago niyang kumpanya. Ang nakikita niya ay ang kakayahan ng AI na gawing mas accessible ang advanced expertise at bigyan ang Researchers ng pagkakataong mag-explore ng mas maraming possibilities kaysa kaya nilang gawin nang mag-isa.
Para sa mga nagsisimula pa lamang ng Career, maaaring lumipat ang Competitive Advantage mula sa pagmememorya ng pinakamaraming Technical Information patungo sa kakayahang pumili ng tamang Questions, pagdugtungin ang iba’t ibang Domains, at suriin nang kritikal ang AI Output.
Naniniwala si Dean na kayang palawakin ng AI ang kakayahan ng tao
Sa kabila ng mga pangambang maaaring palitan ng AI ang ilang trabaho o palalain ang economic inequality, nananatiling Optimistic si Dean sa mas malawak na halaga nito. Binanggit niya ang Healthcare at Education bilang mga larangang maaaring tulungan ng malalakas na Models ang mga tao sa Problems na dati ay lampas sa kanilang training o resources.
Isa sa pinakaambisyosong ideya niya ang pagkakaroon ng Models na makapagbibigay ng tulong na malapit sa Ph.D.-level expertise sa maraming Science at Engineering Domains. Kung magiging sapat na reliable ang ganitong systems, maaaring makapasok ang isang Researcher sa bagong field at makatanggap ng advanced na tulong nang hindi muna gumugugol ng maraming taon sa Formal Training.
Hindi nito inaalis ang Human Judgment. Maaaring magkamali ang Models, mabigo ang Experiments, at kailangan pa rin ng Expert Validation para sa mahahalagang Conclusions. Inaamin din ni Dean na wala siyang Magic Answer para sa bawat problema at nakakaranas din siya ng failure.
Kaya ang Optimistic case ay hindi na awtomatikong magiging madali ang mahirap na trabaho. Sa halip, maaaring itaas ng AI ang limitasyon ng kung ano ang kayang subukan ng isang indibidwal o Small Team.
Para sa Gen Z, hindi ang pag-aaral nang mas kaunti ang aral kundi ang pagpili kung saan lalalim
Para sa Gen Z, nag-aalok ang payo ni Dean ng alternatibo sa pressure na habulin ang bawat AI Update. Hindi kailangang maging layunin ang malaman ang lahat. Mas mahalaga ang sapat na lawak para makakita ng Opportunities, sapat na lalim kapag nakita na ang tamang direksiyon, at sapat na pasensiya para magtrabaho sa Problems na mas matagal ang halaga kaysa sa kasalukuyang Hype.
Sa praktikal na paraan, maaaring regular na mag-scan ng Research sa labas ng sariling specialization, magtala ng Ideas na posibleng magamit muli, maghanap ng Problems na mananatiling mahalaga makalipas ang ilang taon, at gamitin ang AI Tools para pabilisin ang Exploration at Prototype sa halip na ipagawa sa AI ang buong pag-iisip.
Habang nagiging sagana ang Information at Technical Assistance, maaaring Judgment ang maging mas bihirang Skill—ang kakayahang tukuyin kung ano talaga ang mahalaga. Ang mga taong kayang mag-ugnay ng Ideas mula sa Communities na karaniwang magkahiwalay ay maaaring makakita ng Opportunities na hindi nakikita ng mga nakatutok lamang sa Mastery sa isang makitid na lane.
Hindi tinatanggihan ni Dean ang Expertise. Ang payo niya ay gumawa muna ng mas malawak na mapa ng kaalaman at pagkatapos ay maingat na piliin kung aling bahagi ang karapat-dapat paglaanan ng ilang taon upang maging tunay na Expert.
