科学界藏着一个不能说的秘密：我们其实根本不懂怎么搞科研。
想象一下，全世界最聪明的脑袋凑在一起，花几十年时间，砸进去几千亿美金，结果连个感冒都搞不定。不是我们笨，而是科研这个行当，运行逻辑还停留在中世纪手工作坊时代。现在谷歌那帮最顶级的工程师集体叛逃，搞了个叫 Discovery Loop 的东西，说要让AI自己跑实验、自己找答案。这事儿往小了说是创业，往大了说，是在手动给人类科学史换发动机。
手工作坊式科研早该被扔进垃圾桶
先别急着聊AI，咱们得把“科研到底是怎么死的”这件事捋清楚。你肯定听过什么14大工程挑战，什么清洁能源、治愈癌症、脑机接口，听着都挺唬人。但真相是，人类在解决这些问题的路上，大部分时间都在原地踏步。为什么？因为我们的科研流程，本质上跟中世纪炼金术没太大区别。
一个典型的实验室日常是这样的：一个苦哈哈的博士生，老板给了他一个方向，然后他花几个月去读论文，再花几个月设计实验，接着是漫长的跑数据、分析数据，最后发现结果不对，再回头改。这个循环的单位是“年”。而 Discovery Loop 那帮人想干嘛？他们想把实验循环的单位从“年”压到“秒”。他们的核心逻辑很简单，就是让AI接管整个实验流程：AI自己看论文、自己提假设、自己设计实验、自己跑模拟、自己分析结果、然后自己推翻再来。这套东西在机器学习领域叫“自动实验循环”，但放到物理、化学、材料这些领域，就成了降维打击。
这里有个细节挺反常识。我们总以为科学突破靠的是天才的灵光一现，是牛顿被苹果砸中。但现实里，99%的科研工作都是重复劳动和试错。一个材料学家可能一辈子就在调配方，一个生物学家可能一辈子就在养细胞。Discovery Loop 想干掉的就是这个“养细胞”的环节，让AI来干这种脏活累活。这不是在抢科学家的饭碗，这是在把科学家从搬砖工解放成真正的设计师。
你看他们那个创始人阵容，Jeff Dean、Sanjay Ghemawat，这帮人以前在谷歌捣鼓出了MapReduce和TensorFlow，那是改变了计算机产业底层逻辑的人。现在他们不满足于只改变软件了，他们要改变物理世界的游戏规则。这就像一个顶级赛车手，以前只在游戏厅里开模拟器，现在突然要去开真车上赛道。风险巨大，但一旦跑通，后面的车连尾灯都看不到。
你以为是技术问题，其实是权力转移
很多人看到这个新闻，第一反应是“AI又要取代人类了”。这种想法太浅了。Discovery Loop 真正恐怖的地方，在于它重新定义了“谁有资格搞科研”。
过去几百年，科学研究的权力是高度集中的。你得有博士学位，得在顶级期刊发过论文，得能申请到基金，才能拥有一间实验室和几个研究生。这门槛高得离谱。Discovery Loop 的愿景是，让一小撮人，甚至不一定是科学家，就能完成以前需要整个国家科学院才能搞定的研究。想象一下，一个精通AI的数学天才，不需要懂任何生物知识，只要他会搭建“自动实验循环”系统，AI就能帮他把抗癌药的分子式算出来。
这种“知识解耦”会带来一个荒诞的局面：以后科研的核心竞争力不再是某个领域的知识积累，而是你设计AI实验系统的能力。一个物理学家和一个生物学家，比拼的可能不是谁更懂量子力学或基因序列，而是谁写的实验Prompt更精准。这就像冷兵器时代，你练了一辈子的刀法，结果对面掏出了一把冲锋枪。枪法当然也算技能，但它跟你之前的刀法体系完全不是一回事。
再往深里挖，这还涉及到一个更敏感的词：公共福利公司。Discovery Loop 选择了这个公司结构，表面上是为了做公益，不搞武器不搞监控。但这背后藏着一个更深的逻辑：当“科研生产力”被少数几家公司垄断，我们是否真的需要那14个所谓的“大挑战”？比如第10条“防止核恐怖”，这事儿交给AI去搞，万一AI觉得最好的防止核恐怖的办法是把所有核弹发射到太阳上去呢？这已经不是技术问题了，这是人类文明的控制权问题。
还有那个“逆向工程大脑”，听着很酷对吧？但如果我们的大脑中负责“信仰”和“幻觉”的那部分逻辑被AI摸透了，你觉得下一个被优化的，会是谁？所以别盯着“AI能不能做实验”这种小儿科问题，该焦虑的是“当AI跑通了实验，谁来决定下一步跑什么”。
别扯什么颠覆，先摸摸兜里的钱
聊完了玄的，咱们得落回到地面上，看看这件事到底靠不靠谱。Discovery Loop 的网站上有一句话特别刺激：“用极少数人，比现在庞大团队更快、更高质量地完成科研。”这话听着像吹牛，但如果你真懂点“实验经济学”或者“高通量计算”，你会觉得他们甚至有点保守。
“自动实验循环”不是科幻，它已经在一些领域小规模验证过了。比如在材料科学里，AI通过几万次虚拟模拟，找到了一种比传统配方轻30%、强度高两倍的合金，而这玩意儿如果是人工试错，可能要十年。Discovery Loop 想干的，就是把这种“AI开盲盒”的能力，变成一个通用平台，塞到所有科学领域里去。
但这里有个巨大的死穴：钱。搞AI烧钱，搞科研烧钱，把AI和科研放一起烧钱，那是个天文数字。他们现在刚起步，靠的是创始人的光环和谷歌系的风投，钱暂时不是问题。但问题在于，当他们真的开始大规模跑实验的时候，一个简单的材料模拟可能需要几千个GPU跑一个月，电费账单就能吓死普通创业公司。
所以你看他们的策略也很鸡贼，第一步先搞机器学习研究。为什么？因为机器学习领域的“实验”成本相对低，反馈快，全是数据流，不需要碰瓶瓶罐罐。这就像先搞个虚拟宇宙，等虚拟宇宙跑通了，再去改造物理宇宙。这其实是在用软件行业的盈利逻辑，去撬动硬件行业的成本黑洞。
还有一个容易被忽略的点：数据和现实之间的鸿沟。AI再强，它也只能处理已经数字化的信息。对于“清洁饮用水”或者“城市基础设施”这种问题，涉及到大量的社会学、经济学、甚至人情世故。AI可以算出最优的水管铺设路径，但它搞不定当地居民的拆迁补偿。Discovery Loop 那套东西，在纯逻辑领域可能是核武器，一旦遇到现实世界的不确定性，可能立马变成烧火棍。
摘自杰夫的推特帖子
我们的总体思路是实现实验循环的自动化。我们认为这种方法广泛适用于许多不同的科学和工程领域。我们最初将专注于机器学习的研究和工程，但相信这种方法可以帮助解决几乎所有十四个领域中的重要子问题。
另请参阅： https://www.nae.edu/20782/grand-challenges-project
美国国家工程院工程大挑战：
1. 使太阳能经济可行
2. 利用聚变提供能源
3. 开发碳封存方法
4. 管理氮循环
5. 提供清洁用水
6. 恢复和改善城市基础设施
7. 高级健康信息学
8. 研发更好的药物
9. 逆向工程大脑
10. 防止核恐怖主义
11. 安全网络空间
12. 增强虚拟现实
13. 推进个性化学习
14. 设计科学发现的工具
尾声
所以你看，Discovery Loop 这事儿的精彩之处，不在于它能不能成功，而在于它暴露了科学界的底裤——原来我们引以为傲的科研体系，效率竟然这么低下，结构竟然这么脆弱。这帮大佬离开谷歌，本质上是看穿了一个事实：继续在巨头内部修修补补，不如出来拆了重盖。
科学发现从未像今天这样，离资本和代码这么近，又离人文和哲学那么远。