Jeff Dean与Discovery Loop：把科学方法变成可规模运行的系统

谷歌AI格局重构：一场静默却深远的转向 8月5日，谷歌宣布AI部门重大调整：Google DeepMind CEO Demis Hassabis转任Alphabet董事长，并出任Alphabet首席科学家；效力谷歌近27年的首席科学家Jeff Dean，则联合Sanjay Ghemawat、Oriol Vinyals、Quoc Le共同创立Discovery Loop——一家聚焦AI驱动科学研究的公益型公司。 这不是一次普通的人事变动，而是一次战略重心的悄然迁移。四位核心人物几乎贯穿了谷歌过去二十多年的技术主脉：Jeff Dean是MapReduce、BigTable、Spanner、TensorFlow与Pathways等基础设施的奠基者，也是Google Brain的联合创始人；Ghemawat长期协同构建搜索与分布式系统底层；Vinyals主导Gemini关键技术研发；Quoc Le深度参与Google Brain与AutoML-Zero等开创性项目。他们的集体转身，标志着一个时代的沉淀正被重新投入更根本的问题：如何让AI真正参与科学发现本身？ Discovery Loop的本质：自动化科学方法 Discovery Loop不以产品交付或商业变现为第一目标，而是锚定一个更基础的命题：将科学方法——提出假设、设计实验、执行验证、评估结果、迭代更新——转化为可自动运行、可规模化扩展的闭环系统。 Jeff Dean在7月25日的演讲中将其概括为“自动化版本的科学方法”。其核心不是替代科学家，而是将人类从重复性实验操作中解放出来，使其专注在更高阶的任务上：定义问题边界、设定评价标准、判断方向价值、决定何时终止。 系统需具备三项能力：自主生成可执行的实验方案；调用工具或代码完成实验运行；基于客观指标对结果进行可信评估，并据此触发下一轮探索。当数千个这样的循环并行运转，科学发现就不再依赖个体灵感与试错节奏，而成为一种可调度、可积累、可复现的工程过程。 Loop已非概念：三类实践正在落地 过去两年，“Loop”已从开发者工作流中的隐性实践，演变为AI工程的新范式。它并非Discovery Loop首创，但后者将其推向了最前沿的应用纵深。 第一类是模型研发Loop。Andrej Karpathy开源的AutoResearch，让AI代理在固定指标下自动修改训练脚本、运行实验、保留有效变更；Google DeepMind的AlphaEvolve则驱动Gemini提出算法方案，由自动评估器打分筛选，已实际应用于芯片设计、数据中心优化与数学问题求解。 第二类是科学知识Loop。Sakana AI的The AI Scientist能生成研究想法、编写代码、运行模拟、分析结果并撰写论文；FutureHouse构建多Agent系统Robin，串联文献检索、假设生成与实验规划，试图打通科研知识链路。 第三类是物理实验Loop。西雅图的Potato与欧洲的Sigmatic Sciences正推动“lab-in-the-loop”，连接计算模型与真实机器人实验；中国上海科学智能研究院等机构建设的Golab物质科学智能研发工厂，也实现了“AI计算—自动实验—数据回流—模型自进化”的闭环。 这些实践的共性在于：反馈越快、评价越客观、迭代越轻量，Loop就越易启动。代码与算法领域因具备清晰、低成本、毫秒级响应的评估函数而率先突破；而药物发现、材料合成等领域仍受限于真实实验周期长、验证成本高、结果不确定性大等瓶颈。 递归自我改进：Loop的纵向跃迁 三类Loop背后，还存在一条更深层的演进主线——递归自我改进（Recursive Self-Improvement, RSI）。普通Loop优化外部任务；RSI则要求AI参与改进自身：优化训练流程、重设评价器、重构研究方法，并将改进后的能力用于下一轮探索。 今年5月，田渊栋等人创办Recursive Superintelligence，直接以RSI命名公司；6月其系统已在小模型训练速度、GPU Kernel优化等任务中取得领先。尽管当前实践多属“有边界的自我改进”，但技术路径已清晰浮现。 Discovery Loop虽未公开宣称RSI定位，但Jeff Dean描述的路线已与其交汇：AI运行实验→实验成果反哺机器学习系统→新系统支持更复杂实验。Quoc Le甚至指出，该框架有望催生新型Transformer架构。这暗示着Discovery Loop的终极目标，不只是用AI做科研，更是用AI改进“做科研的AI”。 不靠Token，靠发现：一种新的价值度量 Jeff Dean明确拒绝用Token吞吐量衡量Discovery Loop的价值。他提出更本质的指标：“每单位计算输入所产生的发现数量”。 这意味着投入产出关系的根本转换——算力不再只为堆叠更大模型服务，而是转化为实验密度、验证效率与知识沉淀速率。未来可能出售的，不是一套Agent工具，而是被压缩的研发周期、被提升的发现概率、被结构化的科学知识资产。 这一转向也解释了为何选择离开谷歌：大型组织难以在短期内为尚未形成产品的基础科研范式调配足够资源与容错空间。谷歌选择以创始投资与首年算力支持的方式参与其中，既保持战略协同，又释放创新弹性。 科学方法的工业化：一场静水深流的变革 Demis Hassabis退居董事长与Alphabet首席科学家，将日常运营交予Koray Kavukcuoglu，自己聚焦AGI长期路径与Isomorphic Labs的药物研发；Jeff Dean带领团队直指科学方法本身——他们共同相信，AI下一阶段的核心战场，不在更多参数、更大模型，而在能否把人类最古老、最核心的认知方式，变成一套可部署、可复制、可持续进化的基础设施。 Loop是方法，科学发现是入口，递归自我改进是远景。这场变革不喧哗，却正在重写AI与人类智慧协作的基本协议：人定义问题，AI执行探索；人设定尺度，AI填充密度；人守护意义，AI加速抵达。