8月5日，做出过 TensorFlow、MapReduce 和 Bigtable 的 Jeff Dean 宣布从谷歌离职，谷歌母公司 Alphabet 的股价应声下跌 4%，市值蒸发 2000 亿美元。PhysicsAI 微博上，科技博主用"谷歌深夜巨震"来形容这次人事变动的震动程度。微博 更值得注意的是，谷歌官方同期宣布对 AI 业务进行重大重组，Jeff Dean 的新公司正是在"谷歌的支持下"组建的。微博
他的新公司叫 Discovery Loop，目标是打造一个"自动化科研引擎"，把 AI 从"回答问题"的工具，升级为能够"做出科学发现"的自主研究者。PhysicsAI
"TensorFlow 之父"本人去干别的了，TF 还有没有未来？只看标题，容易直接写下挽歌。但把这半个月的社区信号拢在一起看，答案更有意思：TF 没死，它是"换岗"了。
信号一：知乎上的分歧，本身就是答案
最近知乎上有人问了这么一个问题：2026 年，做深度学习研发还有人用 TensorFlow 吗？知乎 回答区几乎立刻分成了两派。有回答说得很直白：学术界发论文肯定是 torch 一统天下了，工业界的体感却还是 TF，以及各家围绕自家业务封装的各种变体，大家懒得在框架上下功夫，能用就行，实在不能用了再说。知乎
这个分野，在 8 月中旬发布的一篇框架选型文章里也有印证：顶会开源代码绝大多数基于 PyTorch，LLaMA、Stable Diffusion、Whisper 等主流开源模型权重与 Hugging Face 工具链，都以 PyTorch 为中心。CIO企业联盟 一句话：研究侧，TF 确实输了；工业侧，比赛还没结束。
信号二：国产算力接手的，恰是 TF 的主场
8 月 21 日，摩尔线程发布了 TensorFlow-MUSA v1.5.0，一款面向自家 GPU 的 TensorFlow 插件，把 MUSA 设备直接注册成 TF 原生设备，原有模型代码一行不改就能跑训练和推理。摩尔线程技术博客
为什么要为一个"老框架"做插件？看它锁定的场景就明白了：长期以来，国内搜广推业务高度依赖 TensorFlow、PyTorch 等海外深度学习生态。摩尔线程技术博客 搜广推，就是你每天都刷到的那些巨型推荐系统，恰是 TensorFlow 在国内的主场。官方给出的实测也很直接：在 TokenMixerLarge 等前沿搜广推模型的训练中，MTT S5000 智算卡的训练吞吐相较国际主流 GPU 可提升 1.5 倍至 1.85 倍。
还有一个容易被忽略的细节：官方明确说，后续将主要维护 TensorFlow 2.15.1 版本，理由是 2.15.1 之后版本功能增量有限，还移除了 tf.estimator 等早期特性。摩尔线程技术博客 这句话透露的是：搜广推级别的 TF，功能面其实已经冻结在 2.15，而国产厂商愿意投入维护这个版本，正说明上面跑着的存量盘子足够大。
信号三：谷歌内部，TF 在给后辈让位，但没停更
谷歌自家的变化更直接。7 月，谷歌发布 LiteRT.js，让你在浏览器中以接近原生的速度运行 AI 模型，无需服务器或 API 调用，B站上的热门解读视频标题直接问：TensorFlow.js 是不是瞬间过时了。哔哩哔哩
同期，Google 内部很多新项目转向了 JAX，连 Keras 3 都补上了 JAX 后端。CIO企业联盟 谷歌自家的新项目，确实不再默认选 TF。但换个角度看：社区里仍有人逐行精读 TensorFlow 源码，最近更新的精读系列，基准版本是 v2.21.0。知乎 内部在让位，外部还有人在逐行读它的源码——这个框架不再年轻，但也远没有停摆。
当事人怎么说：Jeff Dean 的 TF 一课
其实最近把 TensorFlow 价值讲得最多的，可能就是 Jeff Dean 本人。离开谷歌十几个小时后，他就坐在了 AASF（Asian American Scholar Forum）Summit 2026 的访谈席上。PhysicsAI
他盘点自己创业的家底时，把 TensorFlow 早期踩过的坑算成了财富——这些坑让他明白：核心设施必须简洁稳定，实验工具只能依附其上。PhysicsAI 换句话说，TF 留给他的不是"怎么做时髦框架"，而是"怎么做能被几十万业务长期依赖的基建"。这大概是 TF 今天最好的注脚：它的任务，从创新前沿换成了生产底座。
那么现在，TF 还值得谁投入？
8 月中旬发布的那篇选型文章，其实已经把分界线画出来了：研究型、大模型、创业公司岗位更倾向 PyTorch，传统互联网、制造业、端侧 AI 岗位，仍大量使用 TensorFlow。CIO企业联盟 把这条线翻译成建议：
如果你是搜广推、推荐算法工程师：TF 仍是你的主场技术栈，不必急着重写，多盯国产算力适配进展——国产 GPU 插件的模型覆盖里有没有你在用的模型，等算力指标落地时能直接接住，才是真筹码。
如果你的团队有存量 TF 生产项目：别轻易迁移。若现有模型在生产环境稳定运行，迁移成本高且收益有限。CIO企业联盟 等新业务确实需要大模型生态时，再考虑逐步迁移。
如果你是学生或刚入门：先学 PyTorch，研究型和大模型岗位的机会基本都在那边；再用 Keras 3 补一遍 TF 认知，第二框架的学习成本低得多，但换来的是能读懂传统互联网存量代码的溢价。
如果你是端侧、前端开发者：别在 TF.js 上继续加注，盯住 LiteRT 系；但你在 TFLite 一侧攒下的模型转换、量化工具链和部署经验仍然通用，部署侧经验比框架语法更保值。
三个值得继续盯的信号
摩尔线程插件的落地情况：看 TensorFlow-MUSA 的 GitHub 星数和 issue 活跃度，如果有更多搜广推团队真的迁过去，TF 的国产算力生态就算立住了。
谷歌部署侧的收敛动作：TF.js 的能力是否并入 LiteRT.js，收敛得越明确，"维护模式"的信号就越清晰。
TF 自身的更新节奏：版本迭代和源码精读类讨论能否维持当前频次，节奏明显断档的那天，才是真正该规划退路的时候。
最后
TensorFlow 没有死，它只是从聚光灯下搬进了机房。对围观者，这是个降温的故事；对那些还在靠它跑线上流水线的团队，灯每天都还亮着。Jeff Dean 的离职带走了 TF 的缔造者，但 TF 真正的遗产，是此刻还在运转的几十万套推荐和搜索系统——它们不需要挽歌，需要的是有人继续看着。
