Jeff Dean联手李飞飞创立Discovery Loop：以自动化实验循环重构科研范式，挑战递归自我改进物理极限

一句话结论

Discovery Loop利用自动实验循环将领域专家生产力提升20至50倍，同时证实递归自我改进受物理时间限制无法无限加速。

关键要点

• Jeff Dean与李飞飞等共同创立公益公司Discovery Loop，旨在通过自动化实验循环提升领域专家生产力20至50倍。
• 公司目前运行约20个自动改进循环，基础设施设计初期即支持数万乃至数十万智能体扩展及人机协作框架。
• 递归自我改进（RSI）受限于训练、计算、数据保存及评估所需时间，存在物理极限，无法实现无限速度。
• 团队中约10%成员获ACM计算奖或IOI奖牌，创始团队曾在Google共事14至30年，深度参与Gemini、AlphaFold等核心项目。
• 自动实验系统兼具实验与理论研究能力，可解释数据并发现简洁理论，但AI在数学领域虽能生成500页Lean代码证明，仍缺乏人类数学家追求的优雅解法与新工具衍生能力。

背景与事实

Discovery Loop是由Jeff Dean（杰夫·迪恩）、Sanjay Ghemawat（桑杰·格米沃特）、Quoc Le（李奎）以及Oriol Vinyals（奥利奥尔·维尼亚尔斯）共同创立的一家公益公司。该公司的核心目标是通过构建自动化的实验循环，将领域专家的生产力提升20至50倍。这一愿景并非空想，而是基于团队在谷歌长期积累的深厚技术底蕴。创始团队曾在谷歌共事14至30年，期间深度参与了Gemini、AlphaFold、AlphaChip等多个标志性项目的研发。Jeff Dean此前管理的谷歌研究与应用人工智能（Google Research & AI）团队规模高达4400人，这种大规模的工程化经验为Discovery Loop的基础设施搭建提供了坚实基础。公司基础设施从设计初期便面向支持数万乃至数十万智能体（Agent）扩展，并建立了支持人类与Agent协作的框架体系。在公司运营初期，团队展现了极高的效率，前三周在咖啡馆完成了400场面试。目前，团队中约10%的成员获得了ACM计算奖或国际信息学奥林匹克（IOI）奖牌，显示出极高的人才密度。

在技术路线上，Discovery Loop当前聚焦于数字环境中的机器学习研究、机器学习工程和硬件设计，并计划未来拓展至医疗健康领域。其自动实验系统不仅具备执行实验的能力，还拥有理论研究能力，能够解释数据并发现简洁理论。在与李飞飞的对谈中，Jeff Dean深入探讨了递归式自我改进（RSI，Recursive Self-Improvement）的概念与边界。RSI被定义为将自我改进方法作用于负责提出改进方案的基础系统本身，区别于仅提升单次任务的自我改进。Jeff Dean明确指出，RSI存在严格的物理极限。由于计算、数据保存以及结果分析均需消耗时间，系统无法实现无限速度的自我迭代。他认为，人类本身可视为一种RSI系统，通过“学会学习”这一元能力实现递归改进。

在具体的科研进展与认知修正方面，Jeff Dean承认团队曾对某些技术趋势做出误判。首先，他低估了编程能力对模型解决问题影响力的提升。在Gemini项目开发期间，编程虽被关注，但并非最主要关注点，而后续发展证明编程能力的增强对模型推理能力有显著正向作用。其次，他原本期待神经网络演进会出现形态不规则、有机的奇特架构，但实际观察到的主流仍多为规整的混合专家模型（MoE）等结构。然而，神经架构搜索（NAS）得到的模型确实比人工设计更不规则，可能出现连接至第17层等非常规结构，这修正了他对架构发展方向的预测。在数学领域，AI模型已能解决开放难题，部分甚至能生成500页的Lean代码证明，但Jeff Dean强调，其团队更看重人类从机器生成的证明中提炼可复用方法的能力，因为当前AI缺乏人类数学家所追求的优雅解法及新工具衍生能力。此外，Jeff Dean参与撰写了论文《Shaping AI’s Impact on Billions of People》，该研究涵盖就业与经济、AI科学研究、虚假信息等7个领域，并拥有专属网站shapingai.com。该论文指出AI作为通用技术同时影响多个领域，需技术人员、监管者及公众共同参与，以在实现益处的同时减少负面影响，并帮助受影响者获得有报酬的工作。回顾历史，Jeff Dean于2017年6月10日（论文6月12日上传arXiv）读取了Transformer论文；而2016年他与Geoff Hinton（杰夫·辛顿）及Oriol Vinyals撰写的知识蒸馏论文曾遭NeurIPS拒稿，如今引用量已近4万次，这一反差也侧面反映了AI研究评价体系的动态变化。

影响分析

对于中文开发者与从业者而言，Discovery Loop的实践揭示了自动化实验循环在科研与工程开发中的巨大杠杆效应。这种将生产力提升20至50倍的范式，意味着未来AI辅助研发将不再局限于代码补全，而是深入到实验设计、假设验证乃至理论发现的全流程。中文技术团队若能借鉴其支持数万智能体扩展的基础设施架构，将有机会在有限的人力成本下实现研发规模的指数级增长。然而，RSI的物理极限警示表明，追求无限自我迭代的“神谕机器”并非当前技术可行路径，工程实践需关注计算与评估的时间成本。此外，Jeff Dean对编程能力重要性认知的修正，提示国内开发者在构建大模型应用时，应更重视编程智能（Coding Intelligence）对通用推理能力的反哺作用，而非单纯堆砌参数量。对于非纯技术背景的行业从业者，如医学或文学领域，了解并利用AI新兴技术于个人热情所在领域，将是提升职业竞争力的关键策略，正如Jeff Dean在《Shaping AI’s Impact on Billions of People》中所倡导的，跨学科协作与公众参与是平衡AI负面影响、创造正向经济价值的重要途径。

适用边界

本文结论主要适用于数字环境下的机器学习研究、软件工程及硬件设计领域，以及未来计划拓展的医疗健康场景。其中关于神经架构搜索出现不规则连接结构的观察，基于当前特定实验数据，未必适用于所有类型的网络架构设计或所有任务场景。此外，RSI受限于物理时间极限的结论，建立在当前计算架构与数据保存技术的基础上，若未来出现突破性低功耗计算技术或实时推理架构，该物理极限的阈值可能会发生变化。AI在数学领域缺乏优雅解法与新工具衍生能力的判断，也受限于当前模型对抽象逻辑深度理解的局限，随着模型规模与训练算法的演进，这一边界可能存在动态模糊地带。

孤本观察

编辑观察认为，Discovery Loop将科研从“人工假设”转向“机器循环”的尝试，实质上是在构建一种新的科学发现基础设施，其价值不仅在于效率提升，更在于重新定义了人类专家在自动化闭环中的角色——从执行者转变为可复用方法的提炼者。这种对“非共识”路径的坚持，暗示了未来顶级AI实验室的竞争焦点将从模型规模转向实验自动化率与人机协作深度。

来源：量子位