Jeff Dean 等四名 Google AI 研究员离职创办 Discovery Loop：把 AI 用于自动化科学发现

2026 年 8 月，多名 Google 资深 AI 与系统研究员——包括 Jeff Dean、Sanjay Ghemawat、Quoc Le 与 Oriol Vinyals——离职创办 Discovery Loop，目标打造以 AI 自动化完整科研循环为核心的初创公司，先从机器学习研究与工程入手，逐步扩展到医学、材料与清洁能源等领域。公司获得 Radical Ventures、Khosla Ventures 等领投，Alphabet 亦参与投资并提供云计算支持，但尚未公开融资金额与商业化时间表，自动化实验的可验证性与责任分配仍为核心挑战。

2026 年 8 月 5 日，Google 多名资深人工智能与计算机科学研究人员宣布离开公司，共同创办 AI 初创企业 Discovery Loop。创始团队包括 Google 长期技术高管 Jeff Dean、分布式系统专家 Sanjay Ghemawat、Google Brain 早期成员 Quoc Le，以及 Google DeepMind 研究负责人 Oriol Vinyals。

Discovery Loop 的核心方向不是推出另一款面向消费者的聊天机器人，而是尝试让 AI 直接参与科学和工程研究的完整循环：提出实验、执行实验、分析结果，再根据结果设计下一轮实验。公司表示，初期将聚焦机器学习研究与工程，之后再把这套系统扩展到医学、材料、清洁能源和其他工程领域。

这次创业发生之际，Google 正在调整其 AI 领导层。路透社报道，Alphabet 8 月 5 日宣布 Google AI 部门的管理架构变化，Google DeepMind CEO Demis Hassabis 将转向更集中于通用人工智能系统研发的角色，Jeff Dean 等 Gemini 项目相关负责人则离开公司。两件事在时间上同时发生，但 Discovery Loop 的成立和融资安排构成了一个新的公司事件，而不只是 Google 内部人事调整的一部分。

Discovery Loop 想改变的，是科研中最慢的那一环

Discovery Loop 在官网上把科学研究描述为一个长期受限于人工操作的过程：研究人员提出假设，编写和运行实验，查看结果，然后修改方案并重复这一流程。在不少领域，这些步骤仍然以串行方式进行，实验规模和迭代速度受到研究人员数量、工程资源和计算预算的限制。

公司希望以大规模计算基础设施和前沿 AI 模型为基础，同时运行数千个实验。按照其公开描述，系统将负责提出实验方案、执行评估、从结果中学习，并递归地推动下一轮优化。与通常把 AI 定位为研究助手的做法相比，Discovery Loop 试图把 AI 放到研究流程本身的中心位置。

在 Discovery Loop 官网 的表述中，公司首先会把自动化机器学习能力用于优化自身的技术栈，把自己作为这套系统的“第一个客户”。这意味着其早期产品可能并不是一个面向外部科研机构的通用平台，而是内部用于模型训练、算法设计和工程优化的研究系统。

投资方 Radical Ventures 在 宣布投资 Discovery Loop 的文章 中表示，团队计划让 AI 系统并行运行大量实验，并把研究目标逐步推进到工程、医学、材料设计和清洁能源等现实领域。公司长期愿景则与美国国家工程院提出的部分重大工程挑战相联系，例如改进药物、推进健康信息学、降低太阳能成本、提供清洁饮水和保障网络空间安全。

四名创始人覆盖从芯片到模型的完整技术栈

Discovery Loop 的创始团队之所以受到关注，不仅因为成员来自 Google，也因为他们曾分别参与构建现代互联网和人工智能基础设施的多个关键环节。

Jeff Dean 是 Google 最知名的长期技术领导者之一，曾参与创办 Google Brain，并担任 Google DeepMind 和 Google Research 的首席科学家，还是 Gemini 项目的技术负责人之一。Sanjay Ghemawat 与 Dean 长期合作，参与创建 Google File System、MapReduce、Bigtable 和 Spanner 等大规模计算系统。

Quoc Le 是深度学习研究的重要人物之一，曾参与 Google Brain 的早期工作，并与 Oriol Vinyals、Ilya Sutskever 共同推动序列到序列学习研究。这类方法后来成为机器翻译和大型语言模型技术体系的重要基础。Vinyals 则长期担任 Google DeepMind 研究领导者，曾参与 AlphaStar 等项目，并在 Gemini 项目中与 Dean 共同承担技术领导职责。

Radical Ventures 在其投资公告中还列举了团队参与过的其他项目，包括 TensorFlow、TPU、AlphaFold、AlphaCode、AlphaChip、混合专家模型架构、模型蒸馏和多代大型语言模型。Discovery Loop 的定位因此不仅是由知名研究员组成的“科学 AI”公司，也带有明显的全栈计算基础设施色彩：从芯片和分布式系统，到模型、算法和产品化研究流程，创始团队都拥有大规模系统建设经验。

代表 Discovery Loop 处理创办和融资事务的 Wilson Sonsini 律师事务所在 公司成立与初始融资说明 中确认，Discovery Loop 是一家在特拉华州注册的公共利益公司。公司表示，这种法律结构与其试图推动科学和工程进步的长期使命相一致。

Google 既是投资者，也是计算资源合作方

Discovery Loop 的初始融资由 Radical Ventures 和 Khosla Ventures 共同领投，Lightspeed、Kleiner Perkins、Doerr Capital 和 Alphabet 参与投资。Alphabet 是 Google 的母公司，这意味着 Google 不仅失去了几名重量级研究人员，也通过资本关系继续参与这家新公司的发展。

Wilson Sonsini 的公告还称，Discovery Loop 已经与 Alphabet 建立长期合作关系，以获得云计算和计算资源支持。对于一家试图同时运行数千个研究实验的公司而言，计算资源可能与模型能力同样重要。云基础设施合作也可能降低其早期建设大规模实验系统的门槛。

不过，Discovery Loop 尚未公开具体融资金额、公司估值、Alphabet 的投资比例，也没有披露产品收费方式或明确的商业化时间表。现阶段能够确认的是投资方、公共利益公司结构以及云和计算资源合作，不能据此推断公司的估值或未来收入规模。

这也是 Google AI 领导层重新分工的时刻

路透社在 关于 Google AI 领导层调整的报道 中称，Google 正在一个关键阶段重整 AI 部门。报道提到，Google 旗舰 Gemini 模型的后续版本此前未按计划在 6 月推出，这一进展也成为外界观察公司 AI 执行能力的背景之一。

Google 方面则在公司公告中表示，Demis Hassabis 将把更多精力放在最先进、负责任的通用 AI 系统研发上，Jeff Dean 此前在公司内部承担的首席科学家和 Gemini 技术领导职责也出现变化。Discovery Loop 的成立使这种调整不再只是组织图上的变化：部分最资深的研究和工程人才开始把自动化 AI 研究作为独立公司的核心使命。

这种人员流动并不意味着 Google 在科学 AI 方向上停止投入。相反，Google DeepMind 近年已经公开了 AlphaEvolve、Co-Scientist 等项目，探索利用 AI 进行算法发现、科学推理和科研协作。Discovery Loop 的不同之处在于，它把这条路线从公司内部研究项目进一步变成了一家独立企业，并把“自动化实验循环”作为产品和公司使命本身。

AIFlux 此前对 科学计算进入 agentic AI 时代、但验证成为新瓶颈 的报道也显示，科研自动化的关键并不只是让 AI 更快地产生代码或实验方案。随着生成和执行成本下降，研究人员仍然需要判断结果是否可靠、是否符合科学目标，以及谁应当对错误负责。

自动化实验能否替代研究判断，仍是核心问题

Discovery Loop 的公开叙事强调了并行实验和递归迭代带来的速度优势，但这并不等同于科学研究已经可以脱离人类判断。实验结果必须被准确测量，目标函数必须足够可靠，系统还要能够识别异常数据、无效假设和看似成功但无法复现的结果。

在机器学习研究中，一些指标可以被自动计算，模型训练也可以大规模并行运行。但当研究目标涉及更复杂的科学问题时，评价标准可能并不完整，实验结果也可能受到数据偏差、测量误差和隐藏条件影响。AI 如果只是更快地运行错误的实验循环，速度本身并不会带来科学进步。

这也是“自动化科学方法”与普通 AI 助手之间的主要差别：系统不仅要生成方案，还要拥有稳定的执行环境、可追溯的实验记录、可信的评估标准和持续纠错机制。OpenAI 对科研计算代理的总结是，研究人员的角色可能从实现者转向验证者和编排者；Discovery Loop 则更进一步，试图把这些验证和编排机制也纳入可扩展的自动化系统。

公司最终能否把这种模式从机器学习工程推广到药物、材料或能源领域，取决于几个尚未回答的问题：实验是否可以被数字化或可靠地模拟，评价结果是否足够快速和客观，系统能否适应不同学科的知识体系，以及自动生成的研究成果如何经过同行审查和现实世界验证。

从“AI 辅助科研”到“AI 驱动科研循环”

Discovery Loop 目前仍处于早期阶段，公开信息主要描述了创始团队、使命和投资关系，尚未提供可供外部复现的产品演示、研究论文、基准测试或客户案例。因此，外界现在可以确认的是它选择了一条清晰的技术路线，而不是已经证明了这条路线能够在现实科学领域稳定工作。

但这家公司成立本身仍具有象征意义。过去几年，AI 在科研中的主要角色通常是搜索文献、生成代码、总结资料或协助研究人员处理数据。Discovery Loop 的目标则是让 AI 参与从假设生成到实验执行，再到结果分析和下一轮设计的完整闭环。

如果这套系统能够在机器学习研究中首先证明价值，之后再扩展到其他工程和科学领域，科研组织方式可能会发生变化：研究团队不再只由更多人组成，而可能由少数研究人员管理大规模并行实验系统。反过来，如果验证和责任问题无法解决，自动化实验也可能只是把科研流程中的试错速度提高，却没有同等提高结论的可靠性。

Discovery Loop 的下一步，将取决于它能否把这套宏大的愿景转化为可验证的研究成果。至少在目前，这场由 Google 顶尖研究人员发起的创业，首先提出了一个比“AI 能否帮助科学家”更激进的问题：AI 是否最终可以参与执行科学发现本身。