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。
谷歌四位顶级AI专家——Jeff Dean、Sanjay Ghemawat、Oriol Vinyals和Quoc Le——集体离职，创立AI初创公司Discovery Loop。
公司旨在利用AI自动化科学实验循环，在芯片设计、药物发现、材料科学等领域实现突破，并首先用于改进自身AI模型。
谷歌虽保留投资和云合作，但人才流失对谷歌冲击巨大。公司获Khosla Ventures和Radical Ventures等风投注资，定位为公益企业，目标是让AI成为真正的“研究员”
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。
四大将的能力在谷歌并没有被完全释放出来
Jeff Dean在台上侃侃而谈“自动化科学实验”的时候，台下六千个创业者谁也没想到，他说的就是自己刚刚组好的新公司。更没人想到，两周后谷歌的AI帝国会塌掉一块天花板。
谷歌AI部门正在经历一场地震级别的离职潮。
四位顶级AI专家在同一天宣布离开，创办了一家叫Discovery Loop的初创公司。这四个人分别是Jeff Dean（谷歌早期员工、Google Brain联合创始人）、Sanjay Ghemawat（Dean的长期搭档、谷歌基础设施的奠基人之一）、Oriol Vinyals（DeepMind研究副总裁、Gemini技术负责人之一）和Quoc Le（Google Brain联合创始人、AutoML-Zero的发明人）。
这四个人随便拎出来一个，都够谷歌喝一壶的。四个一起走，性质完全不一样。
有意思的是，谷歌并没有跟他们撕破脸。不但没有，还成了这家新公司的投资方和云服务商，免费提供第一年的算力。这种“虽然你挖了我的人但我还是笑着送祝福”的操作，在硅谷可不多见。
我们先看看这四个人有多重要。
Jeff Dean在谷歌干了快27年，比大多数现在谷歌员工的年龄都大。技术圈有个流传已久的段子：Jeff Dean的简历上只列了他还没做过的事，因为那样更短。他写过谷歌搜索和计算基础设施的大量核心代码，是Google Brain的创始人之一，后来还成了Google DeepMind和Google Research的首席科学家，是Gemini模型的技术联合负责人。
Sanjay Ghemawat是他的长期搭档，两个人一起写了谷歌内部无数关键系统。
Oriol Vinyals在DeepMind负责研究，也是Gemini的技术负责人。
Quoc Le是Google Brain的创始人之一，他做的AutoML-Zero项目用机器学习算法自己设计AI模型，相当于让AI自己造AI。
这四个人还有一个共同点——他们不仅是同事，还是一起度假的朋友。所以这次离职不是常规的人才流动，而是一整个核心团队集体迁移。对谷歌来说，这就好比一支球队同时失去了主教练、进攻核心和防守核心。
VC圈的反应很有意思。
Khosla Ventures的创始人Vinod Khosla在周六和他们在Sand Hill Road的办公室里见面，特意选在周末，就是为了不让消息走漏。他评价这支团队是“终极超级明星团队”。
Radical Ventures的管理合伙人Jordan Jacobs说“这些人过去一直在做这类工作，所以他们知道自己在做什么”。注意这句话的关键词——“过去一直在做”。它暗示了一个信息：在谷歌的时候，这些人的能力并没有被完全释放出来。
这个转变听起来很小，实际上大得离谱。
想象一个场景：一个研究团队想找到某种新材料的配方。传统做法是研究人员先根据经验猜几个配方，做实验测试，根据结果调整，再猜下一批。这个过程可能持续几个月甚至几年。Discovery Loop的做法是让AI系统自己生成几百个候选配方，然后自动控制实验设备测试，分析结果，再生成下一批候选配方。这个循环可以在几天内跑完人类几年才能完成的工作量。
再想象一个场景：芯片设计。现在的芯片设计流程极其复杂，一个团队花几个月才能完成一款芯片的布局布线。Discovery Loop的想法是让AI自己设计、自己模拟、自己优化，最终可能设计出人类设计师想都不敢想的芯片架构。
Oriol Vinyals说：“我们非常关注的一个问题是，这些模型怎么产生新想法。这不是它们目前特别擅长的事情。”这句话很有意思——它承认了当前AI的局限性，同时也指明了突破方向。现在的AI模型即使再强大，本质上还是模式匹配和概率预测的机器。它们可以在已有知识的基础上做出不错的推断，但很难产生真正原创的想法。Discovery Loop要解决的正是这个问题。
那为什么这种事情在谷歌做不成？
Google DeepMind内部的复杂层级、冗长的决策流程、不同部门之间的利益博弈，所有这些都会拖慢创新的速度。就像Oriol Vinyals说的：“在大组织里，要做任何激进的改变都需要克服很多惯性。”这跟代码质量、技术能力都没关系。纯粹是规模问题。当一个公司有十几万员工，任何重大变革都需要经过无数层审批，牵扯无数个部门的利益，消耗无数次会议和邮件。哪怕CEO支持，执行层面的阻力也足以让一个想法胎死腹中。
Discovery Loop把这个问题绕过去了。他们现在只有四个人，没有办公室，连CEO是谁都是临时指定的。Jeff Dean说“大家都指着我，所以我应该是CEO”的时候，那种“先干了再说”的味道就出来了。
从资本的角度看，这笔投资也没什么风险。现在AI领域的顶级人才争夺战已经到了白热化的程度。有报道说有些公司愿意花几千万甚至上亿美元去挖一个AI明星。Discovery Loop这四个人放在人才市场上，估值绝对在十位数以上。VC们投的不仅是这个想法，更是这四个人过去几十年积累的经验、判断力和执行力。
对谷歌来说，这笔交易是一个需要吞下去的结果。皮查伊在声明里说“我们将继续与Discovery Loop合作，作为创始投资者和云合作伙伴”，这段话说得滴水不漏，但里面的潜台词谁都听得出来——我们留不住他们了，但我们至少不能让他们变成竞争对手。
Discovery Loop还有一个没说出来的优势。他们现在的商业模式是针对企业客户的，帮那些小团队用AI加速科研。但一旦这个系统被验证有效，它能做的事情远不止这些。药物发现、材料科学、芯片设计、算法优化，每个领域都是一个千亿级的市场。而且这些事情之间存在协同效应——更好的芯片能训练更好的AI模型，更好的AI模型能设计更好的芯片，更好的模型能发现更好的药物，更好的药物能改善人类的健康和认知能力，从而让人类研究者变得更强。
你以为是技术问题，其实是权力转移
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。
谷歌AI大佬集体跑路，他们看到了什么我们看不到的东西？
背景
Google DeepMind首席执行官Demis Hassabis将卸任，转任该部门董事长，并兼任谷歌母公司Alphabet的首席科学家。他将继续领导AI制药公司Isomorphic Labs。首席技术官Koray Kavukcuoglu将接任高级副总裁，向CEO桑达尔·皮查伊汇报。与此同时，效力谷歌27年的资深科学家Jeff Dean将离职，与几位同事共同创立新公司“Discovery Loop”，谷歌将作为投资方和云服务提供商。受此消息影响，谷歌股价下跌超过4%。