日本語

ジェフ・ディーンのリーダーシップスタイル：Googleの脳をスケールしたエンジニア

ジェフ・ディーンのリーダーシッププロフィール

ジェフ・ディーンは1999年にGoogleに参加しました。彼はおよそ20番目の従業員でした。彼は企業を創設しませんでした、TED講演をしませんでした、回顧録を書きませんでした。彼は論文を書きました。

それらの論文 — MapReduce（2004年）、BigTable（2006年）、Spanner（2012年）、そして最終的にTensorFlow（2015年）とGeminiモデルファミリー — は、モダンなクラウドコンピューティングと大規模AIの建築的DNAになりました。あなたのSaaS アプリケーションを実行している分散システムのほとんどは、ディーンの2004年インフラストラクチャの決定から下降します。あなたのデータサイエンスチームが使用しているディープラーニングフレームワークはほぼ確実にTensorFlowのオープンソースリリースにまで遡ります。コンテンツ生成に使用している最先端のAIモデルは、彼がリードするプラットフォームの上に構築されています。

「ジェフ・ディーン事実」のインターネットミーム — 「チャック・ノリス事実」のパロディーはエンジニアリングコミュニティで流通しました — は彼の本当の成就が虚構のように読むため存在します。「ジェフ・ディーンのコードはバグを持っていません、それはランダムな機能を持っています。時々それらは自分たちで出荷します。」ジョークは親切です、なぜなら潜在的な現実は実際に異常だからです。

しかし、ミームはより興味深いストーリーを不明瞭にします。これは、「本当に良いエンジニア」を超える位置的な権限のない誰かが、ほとんどのCEOが行うより長期的な影響を技術産業全体に蓄積したままでいた方法についてです — そしてそのモデルが今日チームを走らせている人たちのために何のように見えるかについてです。

主要事実

  • 1999年にGoogleに参加 — 約20番目の従業員として、会社の初期のエンジニアの一人であり、その基礎インフラストラクチャの多くの建築家。
  • Google Senior Fellow — Googleで最高のテクニカルランク、会社の歴史の中でごく一握りのエンジニアによってのみ保有されているタイトル。
  • MapReduce（2004年）、BigTable（2006年）、Spanner（2012年）、TensorFlow（2015年）を共同設計 — Sanjay Ghemawatおよび他の人々と — モダンなクラウドコンピューティングと深い学習の青写真になったシステム。
  • 「ジェフ・ディーン事実」インターネットミームにインスピレーション — 「チャック・ノリス事実」のパロディーはエンジニアの間で流通、「ジェフ・ディーンのコードはバグを持っていません、それはランダムな機能を持っています」のようなジョークで。
  • 2011年にGoogle Brainを共同創設 — Andrew NgとGreg Corradoを持つ、歴史の中で最も生産的なAI研究グループを確立します。
  • Google AIをリードし、2023年4月のGoogle BrainとDeepMindの統合後、Demis Hassabisとの統一リーダーシップの下でGoogle DeepMindの最高科学者になりました。

リーダーシップスタイルの分析

スタイル 割合 どのように現れたか
ディープテクニカルオーソリティー 60% Googleの内部でのディーンの影響は常に組織的な階級ではなく、テクニカルな信用を通して走ってきました。彼はタイトルや命令によってリードしません。彼は、システムアーキテクチャ、研究方向、エンジニアリングトレードオフについての判定が他の誰よりも正確であると信頼されている人です。その信頼は、正しくするのが難しい事柄について正しくある25年にわたって構築されました — Google が数ペタバイトを処理する必要があった時のMapReduce、フィールドが共有フレームワークを必要とした時のTensorFlow、パターンを一般化する モデルを構築する方法についての質問だった時のPathways。 60%のテクニカルオーソリティーの重みは、彼がその人に対する公式な権限を持たない場合でも、彼の決定がウエイトを運ぶことを意味します。
コラボレーティブリサーチカルチャービルダー 40% ディーンはリサーチチームを走らせ、彼の出力はコード — それは他の人が彼らの最高のテクニカルワークを行う条件です。彼が2011年に創設したGoogle Brainは、歴史の中で最も生産的なAI研究グループになりました。なぜなら、ディーンがすべての仕事を行ったからではなく、彼が厳密なエンジニアリング、公開出版、クロスファンクショナルコラボレーションの文化を構築したからです。40%のカルチャービルダーの重みは、Brain がNLP、コンピュータビジョン、強化学習の記念論文を、数十の研究者で、一度に、10年にわたって生産したかについて説明します。

その組み合わせは異常です。純粋なテクニカルリーダーはしばしばチームを構築するのに苦労します。なぜなら、彼らはエキスパートでないレベルで通信できないからです。純粋なカルチャービルダーはテクニカルな深さなしで、難しいテクニカルな質問について信用されるコールを作成するのに苦労します。ディーンは両方を維持してきました、つまり、2023年のGoogle BrainとDeepMindの統合 — 彼との共同リーダーシップの下で2つの世界のトップAI研究グループを組み合わせる — 構造的に可能でした。

インフラストラクチャファーストの教義（ディーンスケーラビリティーモデル）

インフラストラクチャファーストの教義は、技術における永続的な競争優位は製品自体を最適化することではなく、製品の下のレイヤーを再設計することから来るという原則です。スケーリング限界に達すると、ディーンのモデルは既存のモデルに複雑さを追加する代わりに、最初の原則から基本的なアーキテクチャを再構築することが言及します — なぜなら新しいプラットフォームは10年かけて複合し、パッチされたものは数ヶ月で劣化するからです。

主要なリーダーシップ特性

特性 評価 実際のその意味
第一原理システム設計 例外的 ディーンは既存のシステムを最適化しません。既存のモデルがスケーリング限界に達したとき、彼は基本的なアーキテクチャを再設計しています。MapReduceは以前のGoogleインフラストラクチャの改善ではありませんでした — それは分散計算のための別のモデルでした。TensorFlowは既存のディープラーニングツールのより良いバージョンではありませんでした — それは新しい実行モデルでした。この第一原理の傾向は短期的には高価です（あなたは最初からやり直す必要があります）で、長期的には不釣り合いに貴重です。なぜなら、新しいアーキテクチャは古いアーキテクチャのスケーリング限界を継承していないからです。
ピアリスペクト対位置的権限 非常に高い ディーンはキャリアのほとんどをシニアの個別寄稿者として過ごし、マネージャーではありません。Googleのテクニカルな方向に対する彼の影響は彼の公式な位置を一貫して上回りました。それは組織で尊敬が実証された有能性よりも階級を通じて獲得される組織でのみ可能です。彼は、ジュニアエンジニアからのコードを確認することをいとわず、組織図のはるか下にいる人からテクニカルな質問に答え、真摯に誰が提案しているかに関係なくアイデアに関与することで知られています。その同等レベルのエンジニアメント文化は、OpenAI、Anthropic、その他から激しい競争にもかかわらず、Googleが構築されたAIシステムの研究者たちを採用および保持する能力に対して直接的に責任があります。
長い出版追跡記録 非常に高い ディーンは同じ組織で25年連続のピアで共著または論文に貢献しました。それは、商業企業の内部で誰かから公開された科学的なディスコースに関するコミットメントです。論文は複数の目的を果たします：彼らは出版したい研究者を引き付け、学術コミュニティでテクニカルな信用を確立し、Googleのテクニカルな優先順位の公開記録を作成します。それはどの収益電話よりも正直です。Brain がある助けた出版文化はDean が、激しい競争にもかかわらずトップAI才能を保持したGoogleの1つの理由です。
研究と製品全体で共同リードする容量 高い 2023年のGoogle Brain と DeepMind の統合は、Googleの AI 歴史における最も重要な再編成でした。ディーンとハサビスはGoogle DeepMindの共同リーダーになりました。2つの異なる文化、異なる研究優先順位、Google製品チームとの異なる関係を持つ組織を統合しました。その統合を共同リードするには、ディーンはほとんどのテクニカルリーダーが決して直面していないレベルの組織的な複雑性で動作する必要がありました — 強い独立したアイデンティティを持つチームを統合しながら、統合を正当化した研究出力を維持します。

ディーンを定義した3つの決定

1. MapReduceと BigTable（2004-2006）：Googleがスケールするようにしたインフラストラクチャ

2003年までに、Googleは問題を持っていました。ウェブはどの単一のマシンでも索引付けできるより速く成長していました。会社は数百人の千の商品化サーバー全体でデータ処理のペタバイトを処理し、その計算を確実に調整し、そしてそれを低コストで行う必要がありました。既存のインフラストラクチャはこれを行うことができませんでした。

ディーンとSanjay Ghemawatは MapReduce を書きました — 大きなデータ処理ジョブを小さな並列タスクに分解し、商品化ハードウェア全体に配布し、結果を再組立てするプログラミングモデル。論文は2004年に発行されました。それはコンピュータサイエンス歴史で最も引用された論文の一つになりました。

BigTableは2006年に続きました：数千のサーバー全体でペタバイトの構造化データを処理できる分散ストレージシステム。MapReduceとBigTableを一緒に、Googleに次の10年間ウェブ検索を支配するためのインフラストラクチャを与えました。

しかし、より重要な結果は、Googleの外で起こったことです。MapReduceとBigTableの論文はオープンソースHadoopエコシステムを刺激しました。それは世代にとってエンタープライズデータ処理のインフラストラクチャーのバックボーンになりました。Googleとは何の関係もない企業はディーンの2004年のデザイン決定に直接遡るアーキテクチャの上にデータパイプラインを構築しました。

オペレーターにとって、これはインフラストラクチャの投資に関する複利リターンについてのレッスンです。GoogleはMapReduceを与える必要はありませんでした — 論文の出版は選択肢でした。ディーンとGhemawatはアーキテクチャをプロプライエタリーに保つ可能性があります。代わりに、出版は分散計算に向かう業界全体のシフトを作成しました。それはGoogleの競争的な優位性が、所有的な堀よりも共有プラットフォーム上で走っているように見えるようにしました。その認識は戦略的に有用でした。

2. TensorFlowオープンソースリリース（2015年11月）：ディープラーニングを民主化する

2015年には、ディープラーニングは、専有フレームワークを構築および維持できるいくつかの企業にとって本物の競争的な優位性でした。Google、Facebook、いくつかの大学の研究所は内部ツールを持っていました。他の誰もが彼らが何をしていたか逆エンジニアリングしようとしていました。

ディーンは2015年11月にTensorFlowをオープンソースすることの決定をリードしました。3年以内に、2億ダウンロード以上があり、業界、学術、政府全体でデフォルトのディープラーニングフレームワークでした。2017-2020年にトレーニングされた大多数のAIモデルはTensorFlowまたはそれが影響を与えたフレームワークを使用しました。

戦略的な論理は直感に反していました。Googleは、Googleと競合するAIシステムを構築するために競争相手が使用する可能性のあるツールを与えていました。しかし実際の効果は反対でした：TensorFlowはAIインフラストラクチャのGoogleと同義になり、フレームワークを改善した外部の寄稿者の数千を引き付け、Google設計されたシステムの上で彼らの深い学習の精神モデルをトレーニングした研究者とエンジニアの大規模なエコシステムを作成しました。それらの研究者が企業に参加したとき、彼らはTensorFlowを使用しました。彼らが助けが必要だった時、彼らはGoogleの研究チームと関わりました。彼らの企業がTensorFlowを実行するために必要だったクラウドコンピューティング、彼らはGoogle Cloudの上で走らせました。

オープンソースリリースは、慈善的なジェスチャーに偽装された長期的な競争的戦略でした。

オペレーターにとって、TensorFlowストーリーは、所有権対オープンソース能力に関する任意の決定に適用されます。問題はあなたが構築したものを保護するかどうかについてではなく、幅広い養子縁組からのネットワーク効果が、それを所有権に保つ直接的な競争的価値を上回るかどうかについてです。インフラストラクチャとツールではオープンソースはほぼ常にこの計算で勝ちます。なぜなら、エコシステム値は直接値の何度も上回るからです。

3. Google DeepMindを共同リード（2023）：2つのリサーチカルチャーをマージする

Google Brain とDeepMindをGoogle DeepMind に統合した2023年の再編は、ChatGPT の瞬間によって駆動されました。2022年11月、OpenAI は Google がGoogle 内のテクノロジーを持つにもかかわらず、Google のリーダーシップを驚かさなかったレベルで言語モデル機能を実証する製品を立ち上げました。応答は、統一されたリーダーシップの下でAI研究を統合することでした — HassabisとDeanは一緒に。

統合は運用的に困難でした。BrainとDeepMindは異なる文化を持っていました。Brainはより応用とプロダクト隣接でした。DeepMindはより基本的で研究純粋でした。彼らはGoogle製品チーム、異なる出版ノルム、異なる内部階級との異なる関係を持っていました。ディーンとハサビスは、それぞれを定義した研究者を失わずにそれらの組織を統合する必要がありました。

統合はGeminiを生産しました、Googleのフラグシップ多モーダルAIモデルファミリー、2023年12月に発表。立ち上げは品質の問題を持っていました — いくつかのベンチマークの主張が異議を唱えられ、デモビデオは、モデルが実際にリアルタイムで何ができるかを曖昧にした方法で編集されました。それは高いステークス競争ウィンドウで製品実行の失敗でした。

しかし、統合された基本的な研究容量は手強いです。ディーンとハサビスがOpenAIのペースで製品実行にその研究深さを変換できるかどうかについての質問はまだ開いています。

あなたの役割でディーンが何をするか

あなたがCEOなら、ディーンのキャリアから最も移動可能な原則は、学習したことを発行することについての複合リターンです。彼はGoogleのテクニカルな洞察を与えた論文を25年間書いてきました — そしてGoogleはまだAIインフラストラクチャ企業を支配しています。それは偶然ではありません。あなたの企業が何かを学んだことについて何かを重要に学んだ場合、発行することが、それを内部に保つことより多く才能魅力とエコシステム発展で戻ってくるかどうかについて真摯に尋ねてください。

あなたがCOOなら、MapReduceアーキテクチャは、運用スケーリングに適用されるシステム思考のモデルです。インフラストラクチャボトルネックへのディーンのアプローチ — 既存のシステムを最適化しません、制約を引き起こしているレイヤーを再設計してください — 運用に直接適用されます。ほとんどの運用スケーリングの問題は、既存のアーキテクチャ内の最適化によって解決されます。ヘッドカウント追加、プロセス改善、より良いツール購入。ディーンはアーキテクチャ自体が制約であるか、正しい動きは古いものをより難しく走らせるのではなく異なるモデルを構築することについての質問をします。それはより高価な質問をすることですが、より耐久的な答えを生成します。

あなたが製品にいるなら、TensorFlowのオープンソース戦略は、エコシステム主導の成長のためのテンプレートです。基本的なフレームワークが重要なカテゴリーで製品を構築する場合 — 開発者ツール、データインフラストラクチャ、MLプラットフォーム — オープンソースファンデーション を考慮してください。一方、基本的なものをプロプライエタリーに保つ場合、ワークフロー上の管理サービスまたはエンタープライズ機能をレイアーリングします。数学は、商業的な優位性が、クラウドコンピューティング、管理サービス、またはオープンコアの上に層状化されたエンタープライズ機能にある場合に機能し、コア自体ではありません。Google CloudのTensorFlowはモデルです。

あなたがセールスまたはマーケティングにいるなら、ディーンのテクニカルな信用性の戦略はエンタープライズセールスで直接的なアナログを持っています。テクニカルな市場では、最も耐久的なセールスアセットはケーススタディまたはROI計算機ではありません — それは購入者がどこでも得ることができない実証された専門知識です。ディーンはそれを25年間の出版研究で構築しました。あなたのチームは、詳細なエンジニアリングブログポスト、実際のアーキテクチャを示す会議講演、トレードオフについて正直なドキュメント化：公開テクニカル深さへのコミットメントによってバージョンを構築できます。テクニカルな市場の購入者はマーケティングコンテンツと本物の専門知識の違いを知ることができます。ディーンのモデルは本物を生産し、マーケティングに従う自分の上にしたがわせることです。

Reworkの分析：プラットフォームファーストエンジニアリングリーダーシップ

ディーンのキャリアは、正しい抽象レイヤーが、上で実行しているチームのためにほとんどのレバレッジを生成する理由の事例研究です。MapReduceは勝ちました。なぜなら、それはプログラマーから分散計算の複雑さを隠したからです。TensorFlowは勝ちました。なぜなら、それは研究者からハードウェアアクセラレーターの複雑さを隠したからです。パターン — 製品チームの下のプラットフォームを構築し、製品チームが複利をさせてください — は、モダンな作業用の運用システムがどのように採用されるかに直接適用できます。

これはReworkが適合する場所です。セールス、サービス、クロスファンクショナルチームを走らせるCEOとオペレーターのために、質問は、カスタムCRMを構築するかは、10ポイントツールをまとめるかについてではなく、基本的なプラットフォームがAI、自動化、ワークフローの複雑さを吸収するかどうかについてです。製品とGTMチームがカスタマーに集中し、統合債務ではありません。Rework's CRM and Work Opsティア（$12/user/month と $6/user/monthから）は、ディーンモデルレイヤーとして設計されています。正しいプラットフォームの上のチームがスケールするとき上のシングルプラットフォーム。それがない場合、毎四半期は統合プロジェクトです。

注目される引用と教室を超えた教訓

2020年のスタンフォードでのトークで、ディーンは言いました：「MapReduceで持っていた主要な洞察は、プログラマー生産性がマシン効率よりも重要になるということです。あなたのスペシフィックなクラスターのために完全に最適化するために多くのコードを書くことができました。またはあなたはシンプルなプログラムを書くことができて、システムが配布を考え出すことにしました。私たちはプログラマーの仕事を簡単にし、システムが残りの処理をしました。」これは、システムデザイン声明と同じくらい製品哲学ステートメントです。彼はパフォーマンスを残しておくために喜んでいました。複雑性を減らすためにしました。そのトレードオフはほぼ常に値打ちであり、ほとんどのエンジニアがそれを間違った方向で作成しました。

彼はまたAI進歩のペースについて引用されています：「機械学習の過去5年で見た進歩は完全に異常でした。私たちは狭いタスクを行うことができるシステムから、広い範囲のタスクを人間レベルまたは準人間レベルで行うことができるシステムに行きました。興味深いのは、私たちがまだ初期の投球段階にあるということです。」その枠は謙虚さについて注目すべきです。彼は問題が解決されたと主張していません。彼は、何が残っているかに対して校正しており、彼は長いフィールドを見張っているのに十分な長さを見ている。彼の校正はほとんどより信頼できます。Andrew Ng は Brainの隣でGoogle Brainを構築しました。ディーンは Courseraを創設し、DeepLearning.AI を創設しましたが、同じ長い円弧の見通しを実施しています。両方の人は同じ10年の研究の上で彼らの直感を訓練し、次の10年が何を必要とするかについて同じくらい同じ結論を描きます。

ディーンのキャリアからの幅広いレッスンは、フォークロード時に技術的な深さを超える選択についてです。彼は多くの回の後で Googleを去ることができました。彼は個人的なブランドポッドキャストとキーノートで構築することができました。彼は仕事を続けることを選ぶことを続けることに選びました。その選択は短期的に少ない見栄えであり、代替が生成していない長期で複利利益を生成しますします。比較の価値があります、Amazon で別のキャリアのインフラストラクチャーエンジニアである Werner Vogels — 両方の人が大規模な プラットフォームの内部で深いテクニカルワークが自分の企業を設立するよりも複利化するという同じ賭けをしました。

このスタイルが壊れるところ

テクニカルオーソリティーはカリスマ的な公開通信なしで、組織外の物語を形成する能力を制限します。Googleがジャーナリスト、投資家、一般大衆のためにGeminiストーリーを定義する必要があった時に、会社のAI物語はディーンではなくSundarピチャイと製品マーケティングチームに落ちました。それは本当のギャップです。2023年12月Gemini立ち上げは、研究チームが構築したものと、マーケティングチームが通信したものの間のギャップが大きすぎたため、部分的に崩れ、公開圧力下で正確に翻訳できる人がいませんでした。

スーパースター個別寄稿者モデルはまたハイレアムを通じてスケールしません。ディーンの影響はディーンに依存しています。彼が行う5人を一緒に複製することはできません。それは、実質的に常に受け入れる価値があるとしても、本当の組織的な依存のポイントを作成します。そして、彼が構築した研究文化は2024年のAIが競争する必要がある90日間の製品サイクルと互換性のないペースで移動します。深いリサーチと速い出荷の間のテンションは、Google DeepMindの次の章の決定的な課題です。

ジェフ・ディーンのリーダーシップについてのよくある質問

ジェフ・ディーンとは誰ですか。

ジェフ・ディーンはGoogle Senior Fellowで、Google DeepMindの最高科学者です。彼は1999年にGoogleに約20番目の従業員として参加し、MapReduce、BigTable、Spanner、TensorFlowを含む企業の基礎インフラストラクチャの大部分の主な建築家になりました。

ディーンはGoogleで何を発明しましたか。

ディーンはMapReduce（2004年）、BigTable（2006年）、Spanner（2012年）、TensorFlow（2015年）を共同設計しました — モダンなクラウドコンピューティング、分散ストレージ、ディープラーニングフレームワークの青写真になったシステム。彼はGeminiモデルファミリーと Googleの Pathways アーキテクチャでの仕事もリードしています。

Google Brainとは何ですか。

Google Brainはディーンが2011年にAndrew NgとGreg Corradoと共同創設したAI研究グループでした。2023年4月にDeepMindと統合される前に、NLP、コンピュータビジョン、強化学習の記念論文を生成しました。Google DeepMindを形成します。

「ジェフ・ディーン事実」とは何ですか。

「ジェフ・ディーン事実」はエンジニアリングコミュニティで流通した「チャック・ノリス事実」をパロディーするインターネットミームです。例には「ジェフ・ディーンのコードはバグを持っていません、それはランダムな機能を持っています」が含まれます。「コンパイラはジェフ・ディーンを警告しません。ジェフ・ディーンは警告をコンパイラします。」ジョークは彼の本当のテクニカルな成就が本当に伝説的であるため存在しています。

Google DeepMindでのディーンの役割は何ですか。

2023年4月のGoogle Brain とDeepMind の統合後、ディーンはGoogle DeepMindの最高科学者になり、Demis Hassabis と結合された研究組織を共同リードしました。統合はOpenAIのChatGPT立ち上げからの競争的な圧力に応じてGoogleのAI研究を統合しました。

エンジニアリングリーダーはジェフ・ディーンから何を学ぶことができますか。

3つのレッスン：階級ではなく実証されたテクニカル判定を通じて影響を構築します。古いものを最適化する代わりに、それがスケーリング限界に達するとアーキテクチャを再設計します。そして発行する方法を学んでください — 公開されたテクニカルな信用性の複合リターンは、洞察をプロプライエタリーに保つ短期値を上回ります。

さらに詳しく知る