
ジェフ・ディーン
Jeff Dean
MapReduceからTensorFlowまで、インターネット規模の計算とAI基盤を設計した計算機科学者
ジェフ・ディーンは、MapReduce、Bigtable、TensorFlow、Google Brainなどを通じ、巨大サービスと機械学習を支える分散計算基盤を設計した計算機科学者である。1999年からGoogleの技術基盤とAI研究を率い、2026年8月にChief Scientist職を離れて新会社を立ち上げる方針が報じられた。
ジェフ・ディーンとは
ジェフ・ディーンは、MapReduce、Bigtable、TensorFlow、Google Brainなどを通じ、巨大サービスと機械学習を支える分散計算基盤を設計した計算機科学者である。1999年からGoogleの技術基盤とAI研究を率い、2026年8月にChief Scientist職を離れて新会社を立ち上げる方針が報じられた。[1][2][3][4]
- 生年月日
- 1968年7月23日
- 出生地
- Hawaii, United States
- 現在・代表的な役割
- MapReduceからTensorFlowまで、インターネット規模の計算とAI基盤を設計した計算機科学者
ジェフ・ディーンの生い立ち・経歴
生い立ちから現在まで、肩書きだけでなく研究・開発・事業を動かした主要な出来事を時系列で追います。
University of Minnesotaを卒業
計算機科学と経済学を学び、コンパイラと大規模ソフトウェアへ進んだ。[6]
University of Washingtonで博士号
オブジェクト指向言語の全プログラム最適化を研究した。[6]
MapReduceを発表
分散処理の並列化、障害処理、データ移動を共通ランタイムへ隠蔽した。[2]
Bigtableを発表
巨大な構造化データを多数のサーバーへ分散するストレージを設計した。[3]
TensorFlowを公開
異なる端末・計算環境で機械学習グラフを実行する基盤をオープンソース化した。[4]
Google AIを統括
研究と製品化の双方を扱うAI組織のリーダーとなった。[1]
新会社設立へ
Chief Scientist職を離れ、Googleの投資を受ける新会社を同僚と立ち上げる方針が報じられた。[7]
ジェフ・ディーンを読み解く3つの視点
知名度や肩書きではなく、技術と産業に残した変化から人物像を整理します。
出発点から現在地
年表の出来事をつなぎ、研究テーマや仕事の選択がどのように次の段階へ結びついたかを読み解きます。
01
University of Minnesotaを卒業からUniversity of Washingtonで博士号へ
計算機科学と経済学を学び、コンパイラと大規模ソフトウェアへ進んだ。 オブジェクト指向言語の全プログラム最適化を研究した。[6]
02
03
04
技術思想・仕事の哲学
人生とキャリアを変えた3つの転機
生い立ちから現在までを一本の物語として見るために、方向を大きく変えた3つの選択に絞りました。
主な技術的功績と専門性
ジェフ・ディーンを評価するときの論点
個人の功績だけに還元せず、共同研究者、組織、社会への影響まで含めて考えるための視点です。
ジェフ・ディーンに関するよくある質問
ジェフ・ディーンは何をした人ですか?
ジェフ・ディーンは、MapReduce、Bigtable、TensorFlow、Google Brainなどを通じ、巨大サービスと機械学習を支える分散計算基盤を設計した計算機科学者である。1999年からGoogleの技術基盤とAI研究を率い、2026年8月にChief Scientist職を離れて新会社を立ち上げる方針が報じられた。[1][2][3][4]
ジェフ・ディーンのキャリアで最大の転機は何ですか?
個別サービスの問題を共通基盤へ変えるが大きな転機です。検索の急成長で起きた計算・保存の課題をMapReduceとBigtableとして再利用可能にした。[2][3]
ジェフ・ディーンの仕事から学べることは何ですか?
TensorFlowの計算グラフと実行系により、研究者が端末差や分散処理を毎回作らずに済むようにした。[4]
TechCreateの関連記事
References / 文献・リンク
もっと知る
本人のインタビュー、論文、公式プレゼンテーション、評伝を横断し、技術思想を立体的にたどれる資料を選びました。
選定:TechCreate編集部。リンク先の内容・販売状況は各配信元でご確認ください。
一次情報・参考資料
論文、大学・研究機関、企業開示、本人の公式発表を優先し、二次資料は背景確認に利用します。
- [1]
- [2]
- [3]
- [4]一次情報Google ResearchTensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems
確認日:2026年8月24日
- [5]
- [6]
- [7]


