当前硅谷发生了一件足以改变AI创业方向的事件
Jeff Dean离开谷歌创办Discovery Loop：一场千亿美元级AI科研创业浪潮，正在从“聊天机器人”转向“机器科学家”
2026年8月初，硅谷发生了一件足以改变AI创业方向的事件。
在Google工作近27年、被视为谷歌技术体系核心人物之一的Jeff Dean，正式离开Alphabet，与Sanjay Ghemawat、Quoc Le和Oriol Vinyals共同创办AI公司Discovery Loop。
如果只是又一家“前Google高管创业”，这件事本身并不值得如此大的关注。
真正让资本市场震动的是：这四个人的组合，几乎横跨了过去二十多年Google在分布式计算、深度学习、大模型、AI基础设施和前沿AI研究上的关键技术链条。
更重要的是，他们没有再去做一个ChatGPT竞争者，也没有选择做企业Copilot、AI办公软件或垂直行业应用。
Discovery Loop要做的事情更加激进：
让AI不仅回答问题，而是像研究员一样提出假设、设计实验、调用计算资源、分析实验结果，然后根据结果继续进行下一轮实验。
简单说，Discovery Loop想建立的不是一个更聪明的聊天机器人，而是一套能够持续运转的“AI科研系统”。
而资本已经提前下注。
据近期媒体报道，Discovery Loop正在洽谈一笔规模最高约10亿美元的新融资，估值讨论已达到约100亿美元。需要注意的是，这笔融资仍处于洽谈阶段，具体金额和估值可能发生变化，公司方面也没有公开确认最终交易条款。
一家刚刚成立、尚处于早期阶段、没有成熟商业产品和营收证明的公司，为什么可能获得如此高的估值？
答案或许不只是Jeff Dean值多少钱。
资本真正下注的，是一个更大的问题：
当大模型逐渐具备推理、编程、调用工具和自主执行能力后，AI的下一个商业时代，会不会从“帮助人工作”，进入“直接参与发现新知识”？
四位Google核心人物集体离开，意味着什么？
Discovery Loop最引人关注的地方，是创始团队。
Jeff Dean几乎可以被视为Google过去二十多年技术基础设施演化的见证者和参与者。
他在Google工作近27年，是公司早期核心工程师之一，长期参与Google大规模计算系统和AI技术的发展。公开资料显示，他参与或领导过多个影响深远的项目和技术体系，包括Google搜索基础设施、MapReduce、Bigtable、TensorFlow、TPU以及后来的AI研究工作。
和Jeff Dean一起创业的Sanjay Ghemawat，同样是Google分布式计算体系中的传奇工程师。两人在Google早期就长期合作，参与推动了Google大规模计算和数据处理基础设施的发展。
如果说Jeff Dean代表的是“如何把计算系统扩展到全球规模”，那么Quoc Le代表的则是Google AI研究的另一条主线。
Quoc Le是Google Brain早期核心成员之一，长期从事深度学习、大规模神经网络和基础模型研究。Google Brain后来成为Google AI战略的重要组成部分，而现代生成式AI的很多技术积累，也来自这一时期大量长期研究。
Oriol Vinyals则来自Google DeepMind体系，研究方向覆盖序列建模、强化学习等领域，参与过Sequence-to-Sequence、AlphaStar等重要项目，并参与Google大型AI项目的研发。
这意味着Discovery Loop的创始团队，并不是传统意义上的“科学家创业团队”。
他们实际上拥有一种非常罕见的组合能力：
既理解前沿AI模型，又理解如何把AI系统部署到超大规模计算基础设施上，同时还具备几十年大型科研组织和工程体系的经验。
过去很多AI公司存在明显短板。
有些团队非常懂模型，但不知道如何构建高效的大规模基础设施。
有些团队非常懂工程，但缺乏真正的前沿研究能力。
还有一些团队拥有产品能力，却无法持续获得最顶级的科研人才。
Discovery Loop的特殊之处在于，四位创始人试图把这几种能力同时放进一家新公司。
这也是为什么外界对它的关注度远高于一般AI创业公司。
有媒体甚至直接将其称为硅谷近年来最受关注的AI创业团队之一。
Jeff Dean为什么要离开Google？真正的原因可能不是“创业”这么简单
从职业角度看，Jeff Dean离开Google本身非常值得分析。
他不是一个普通高管。
对于这样级别的人来说，继续留在Google拥有巨大的资源优势：全球顶级算力、数千名研究人员、海量数据、成熟工程体系以及几乎无限的资金支持。
那么为什么还要离开？
核心原因可能恰恰在于：
大公司的资源优势，并不一定等于探索下一代技术范式的最高效率。
过去十年，Google、Meta、Microsoft、OpenAI和Anthropic等公司建立了超级AI实验室。
它们拥有越来越庞大的组织。
但AI的发展速度也带来了一个新的问题：
当一个研究方向开始变得高度不确定时，组织规模越大，未必越容易快速试错。
Discovery Loop瞄准的是一个更加激进的研究方法。
不是让几十名研究人员讨论一个方向。
而是希望AI系统能够自动运行大量实验。
Jeff Dean公开描述过Discovery Loop的基本思路：通过自动化“实验循环”，让系统进行大规模并行实验，并将这一能力应用到机器学习、科学和工程领域。公司希望最终能够同时推进数千个实验。
这实际上意味着一个非常重要的变化。
传统科研通常是这样的：
人提出问题→人设计实验→机器执行→人分析结果→人提出下一步假设。
Discovery Loop希望逐步变成：
AI提出假设→AI设计实验→AI调用计算或工具执行→AI分析结果→AI修改假设→AI继续实验。
人不再参与每一个实验步骤。
人负责设定目标、边界和评价标准。
AI负责在这个范围内进行大规模搜索。
这就是“Discovery Loop”这个名字背后的核心逻辑。
Discovery，不是一次性的答案。
Loop，才是重点。
发现必须形成一个不断自我强化的闭环。
从“大模型回答问题”，到“AI自己做实验”
过去三年，AI行业最主要的竞争是什么？
答案很清楚：
模型参数。
训练数据。
算力。
推理能力。
上下文长度。
多模态能力。
今天的竞争仍然围绕这些方向展开。
但Discovery Loop押注的是AI的下一阶段：
模型能力本身只是起点，真正重要的是模型能否持续行动。
一个大模型即使知识再丰富，如果只能坐在那里等待人类输入，它本质上仍然是一个“被动系统”。
Discovery Loop要做的是主动系统。
比如，未来一个AI系统获得一个目标：
“寻找一种性能更好的电池材料。”
传统AI可能会告诉你：
根据已有论文，建议尝试A、B、C三种材料。
但Discovery Loop设想中的系统可能进一步：
-
阅读已有文献和实验数据；
-
提出几十个候选材料方向；
-
利用模拟系统进行计算；
-
自动筛选表现最好的方案；
-
调整变量；
-
再生成下一批候选；
-
如果接入自动化实验室，则进一步进行物理实验；
-
根据实验结果继续修正模型。
这样，一个AI不再只是“知识问答工具”。
它开始成为一个持续运行的研究系统。
类似方向正在成为AI行业的重要新赛道。近期多家公司和研究团队都在尝试让AI进入科学发现、材料、药物、自动化实验和工程设计等领域。学术界也开始专门研究如何评估AI是否具备通过交互和实验发现新知识的能力。
Discovery Loop的特殊之处，则在于它选择从AI研究本身开始。
先让AI研究AI：这是Discovery Loop最值得关注的一步
很多公司进入AI for Science，第一反应是做药物研发。
因为药物市场巨大。
第二个方向是材料。
第三个方向是能源。
这些领域当然都很重要。
但Discovery Loop的第一阶段选择是：
自动化机器学习研究和工程。
这个选择非常聪明。
因为AI研究本身拥有一个天然优势：
实验可以高度数字化。
训练一个模型。
修改模型结构。
调整超参数。
改变数据配比。
运行评测。
分析结果。
再次修改。
这些过程本质上就是实验。
而且大量实验不需要等化学反应，也不需要等待实验室设备。
它们可以在计算基础设施上进行。
换句话说：
AI可能首先学会研究AI自己。
这会产生一个非常有意思的反馈循环。
人类研究人员开发更好的AI系统。
AI系统帮助人类进行更多AI研究。
AI又帮助开发出更强的AI系统。
这就是一个潜在的技术飞轮。
Discovery Loop实际上是在押注：
未来AI能力的增长，不一定完全依赖更多人类科学家，也可能越来越依赖AI系统本身参与研发。
这比“AI写代码”更进一步。
AI写代码，仍然主要是在执行人的需求。
AI做研究，则意味着系统需要自己面对不确定性。
它需要决定：
下一步应该测试什么？
什么实验最有价值？
哪些结果是偶然现象？
哪些方向值得继续投入计算资源？
这比生成一段代码复杂得多。
因为科学研究的最大问题往往不是“如何执行”。
而是：
下一步到底应该做什么。
为什么资本愿意给一家没有成熟产品的公司如此高的估值？
据Business Insider近期报道，Discovery Loop正在讨论以约100亿美元估值融资约10亿美元，具体交易尚未最终确定。与此同时，公司最初的融资已获得Radical Ventures和Khosla Ventures等机构支持，Lightspeed、Kleiner Perkins和Doerr Capital等也参与投资，Alphabet则被披露为创始投资者之一，并与其建立云计算合作关系。
对于一家成立时间极短的公司来说，这种资本关注度显然异常。
但如果从AI产业逻辑来看，就容易理解了。
资本购买的并不是Discovery Loop现在的收入。
而是三个未来可能性。
第一，购买团队
顶级AI人才已经成为全球最稀缺的资产之一。
今天训练一个模型，可以购买GPU。
数据可以收集。
云计算可以租用。
但真正能够定义下一代技术路线的人，无法快速复制。
Jeff Dean、Sanjay Ghemawat、Quoc Le和Oriol Vinyals这样的组合，最大的价值不是过去的简历，而是他们共同工作了十几年甚至几十年。
创业公司最难建立的东西之一，是：
团队之间的长期技术信任。
很多明星创业团队第一次合作，需要两三年才能建立真正的协作机制。
Discovery Loop的创始人之间已经拥有长期合作历史。
这大幅降低了顶级科研创业最重要的一种风险：核心团队失配。
第二，购买AI for Science的未来入口
今天全球AI公司都在寻找下一个万亿美元市场。
聊天机器人已经开始拥挤。
AI编程也在迅速竞争。
企业软件市场同样竞争激烈。
但科学发现的价值空间更大。
因为一项真正的科学突破，可能创造的不是一家软件公司的收入。
它可能直接影响：
新药。
新能源。
芯片。
材料。
制造业。
航天。
国防。
农业。
甚至新的计算范式。
如果AI真的能够提高科学发现效率，那么它的价值可能远远超过今天的企业AI软件。
资本显然正在提前下注。
第三，购买“AI递归进化”的可能性
这是最激进，也是最具想象力的部分。
如果AI能够帮助开发更好的AI，那么未来AI研发速度可能出现非线性变化。
当然，这距离真正实现还有巨大距离。
今天没有证据证明AI可以完全自主完成复杂科学研究。
即使模型能够运行实验，也存在大量难题：
实验是否可靠？
评价标准是否正确？
AI是否只是在优化已有指标？
是否能够真正发现新的知识？
如何避免系统陷入错误循环？
如何保证结果可以复现？
这些问题决定了“AI科学家”距离真正成熟仍然非常遥远。
但资本市场不需要等到所有问题解决才投资。
风险投资真正投资的是：
如果这条路线成功，它会有多大。
Discovery Loop显然属于这种典型的高风险、高回报项目。
Alphabet为什么支持一批核心人才离开？这才是整件事最耐人寻味的地方
Discovery Loop和传统“Google员工离职创业”最大的不同，是Alphabet并没有完全站在对立面。
公开报道显示，Alphabet既参与了Discovery Loop的投资，也将成为其云计算合作伙伴之一。Google CEO Sundar Pichai此前公开确认将支持Jeff Dean的新公司。
这是一种非常值得中国创业者研究的关系。
过去，大公司最担心的事情是核心人才离职。
因为意味着：
技术流失。
人才流失。
未来竞争对手出现。
但在AI时代，这种关系正在改变。
超级公司开始意识到：
最顶级的人才，有时候并不一定适合永远被关在组织内部。
如果这些人才必须离开才能探索新的技术方向，那么最聪明的方式可能不是完全阻止。
而是：
投资他。
成为合作伙伴。
提供算力。
建立长期技术生态关系。
这样即使未来Discovery Loop成功，Alphabet仍然可能获得多层收益。
第一层，是股权投资回报。
第二层，是云计算收入。
第三层，是技术合作机会。
第四层，是整个Google AI生态仍然与这家公司保持联系。
这实际上是一种新的“大公司—超级创业团队”关系。
过去是：
员工离职=竞争对手。
现在可能变成：
员工创业=投资对象+客户+生态伙伴+潜在技术合作方。
这背后反映的是AI时代创新速度的变化。
即使是Google这样的超级公司，也不可能在内部同时覆盖所有高风险创新方向。
投资外部创业公司，实际上成为一种分布式创新机制。
Discovery Loop并不是孤立事件：硅谷正在出现一轮“AI科学家创业潮”
如果把Discovery Loop单独看，很容易理解为Jeff Dean的一次个人创业。
但放在2026年的AI产业环境中看，它实际上属于更大趋势的一部分。
越来越多来自Google DeepMind、OpenAI等顶级AI机构的研究人员开始创业，新的公司正在进入AI科学研究、AI自动化实验、AI基础模型和自主智能体等方向。
例如，市场近期已经关注到围绕AI科学研究的新公司和融资活动，Periodic Labs等团队正在尝试让AI和自动化系统进入科学发现流程；前OpenAI高管Kevin Weil也被报道正在筹备AI科学创业项目。
为什么会出现这种趋势？
因为AI行业正在发生一次重大转移。
过去，AI公司的核心问题是：
怎么训练出更强的模型？
未来越来越多公司的问题将变成：
更强的模型到底应该去做什么？
这是两个完全不同的问题。
第一阶段是模型竞争。
第二阶段是AI劳动替代。
第三阶段可能是AI发现新知识。
Discovery Loop显然押注第三阶段。
因此，它真正的竞争对手未必只是其他创业公司。
从长期看，它甚至可能与：
Google DeepMind。
OpenAI。
Anthropic。
大型科研机构。
药物研发公司。
自动化实验室公司。
高性能计算公司。
形成不同层面的竞争和合作。
100亿美元估值背后的风险：资本正在为“尚未验证的未来”提前定价
当然，Discovery Loop也不能因为创始人豪华，就被视为必然成功。
恰恰相反，它面临的问题可能比普通AI公司更多。
第一，自动化实验并不等于自动化科学发现
运行一万个实验，并不意味着产生一个重要发现。
科学研究真正困难的部分，往往不是算力不够。
而是问题定义。
如果问题定义错误，AI只会更快地做更多无效实验。
因此，Discovery Loop必须解决一个非常复杂的问题：
AI如何判断什么问题值得研究？
这是目前很多Agent系统仍然没有真正解决的难题。
第二，数字世界和物理世界之间存在巨大鸿沟
在机器学习领域，AI可以直接训练模型。
但进入材料、能源、生物医药之后，实验开始进入物理世界。
计算实验可能只需要GPU。
真实实验则需要：
机器人。
实验设备。
传感器。
实验材料。
供应链。
安全系统。
质量控制。
这意味着Discovery Loop未来如果真正进入AI for Science，可能会从一家软件公司逐渐变成“AI+科研基础设施公司”。
商业复杂度将急剧上升。
第三，算力成本可能非常惊人
“并行运行数千次实验”听起来很有吸引力。
但问题是：
谁来支付计算成本？
如果每次实验都涉及大型模型训练，那么成本可能迅速增长。
这也是为什么Alphabet成为云合作伙伴具有重要战略意义。
Discovery Loop的未来竞争力，很可能不仅取决于算法。
还取决于：
单位实验成本能不能持续下降。
真正优秀的AI科研系统，不应该只是“花更多GPU跑更多实验”。
而应该做到：
用更少的实验找到更有价值的方向。
第四，超级团队不一定等于超级公司
科技史上有很多著名科学家创业失败的案例。
原因很简单。
研究能力和商业能力不是一回事。
即使Discovery Loop拥有世界级研究团队，未来仍然需要回答：
谁是第一个客户？
第一个商业产品是什么？
收入模式是什么？
卖软件、卖研究成果，还是自己拥有知识产权？
如果AI发现一种新材料，Discovery Loop是卖平台，还是自己做材料公司？
如果AI发现药物，谁拥有药物知识产权？
这些商业问题可能比训练一个模型更加复杂。
因此，今天的100亿美元估值，本质上并不是公司已经证明了价值。
而是资本正在提前给未来定价。
真正的启示：今天创业者不能再只问“AI能帮用户做什么”
Discovery Loop给当今创业者最大的启发，不是：
“找几个大牛就能融资。”
普通创业者复制不了Jeff Dean。
也没有必要复制。
真正值得研究的是他们选择问题的方式。
今天大量AI创业项目都集中在一个层面：
AI帮企业写文章。
AI帮员工写邮件。
AI帮客服回答问题。
AI帮程序员写代码。
这些市场当然存在。
但越来越拥挤。
当所有人都能调用同样的大模型时，创业者真正需要思考的是：
AI能力是否能够重新设计一个行业的工作流程？
这比简单增加一个聊天框更重要。
例如：
传统科研流程是否必须由人一步一步推进？
传统工厂调度是否必须由人工制定计划？
芯片设计是否必须按照过去的工程流程进行？
企业决策能否让AI持续运行数千种方案模拟？
金融风控能否从“人工制定规则”转向“AI持续发现新的风险模式”？
创业者应该逐渐从：
“AI能生成什么？”
转向：
“AI能不能接管一个完整的循环？”
这是Discovery Loop最值得学习的地方。
它不是简单给科研人员增加一个AI助手。
它想直接重构科研的工作循环。
第二个启示：不要只盯着产品，要寻找“飞轮”
很多创业项目的问题是：
用户使用一次。
获得一个结果。
结束。
但真正有长期竞争力的AI公司，未来可能越来越依赖“数据—行动—反馈”的循环。
Discovery Loop的核心结构就是：
提出假设→实验→获得结果→学习→下一次实验。
每完成一次循环，系统理论上就获得更多经验。
创业者同样应该寻找自己的循环。
例如AI客服：
客户问题→AI回答→用户反馈→问题分类→改进知识库→下一次回答。
AI销售：
寻找客户→触达→获得回复→分析转化→调整策略→再次触达。
AI运营：
发布内容→获取数据→分析效果→修改策略→再次发布。
未来真正强大的AI产品，不一定是一次性生成结果最惊艳的产品。
而可能是：
运行时间越长，系统越了解任务，效果越好的产品。
这就是从“AI工具”走向“AI系统”的区别。
第三个启示：顶级创业机会往往诞生于技术能力和行业瓶颈的交叉点
Discovery Loop并不是因为“AI很热门”才成立。
AI热门只能解释为什么今天有人愿意融资。
但不能解释为什么这家公司值得做。
真正的逻辑是：
现代AI能力正在提升。
同时，科学研究存在效率瓶颈。
两者发生交叉。
于是产生了一个新的创业方向。
这给普通创业者的启发非常直接。
不要简单问：
现在什么赛道最热门？
应该问：
哪些行业存在长期没有解决的效率瓶颈，而AI刚好开始具备解决能力？
例如：
医疗数据处理。
工业设计。
工程仿真。
供应链调度。
法律研究。
财税审核。
建筑设计。
科研实验。
教育个性化。
大量行业过去并不是“不需要自动化”。
而是过去的AI能力不足。
今天模型能力变化后，一些原来无法自动化的流程，突然变得有可能。
真正的创业机会，就出现在这种“昨天做不了，今天刚刚可以做”的临界点。
第四个启示：未来创业竞争的核心，可能从“模型能力”转向“组织能力”
过去创业公司竞争：
谁的技术更强。
未来可能越来越变成：
谁能够把AI、数据、工具、人类专家和真实业务连接起来。
一个模型再强，也不会自动产生商业价值。
Discovery Loop未来如果要进入药物研发，就必须连接：
AI模型。
生物学数据。
实验设备。
科研人员。
药企。
监管体系。
资本。
知识产权体系。
因此，下一代AI创业者需要具备一种新的能力：
把模型变成组织系统。
AI只是“大脑”。
还需要：
眼睛。
手。
记忆。
工具。
反馈机制。
评价机制。
商业闭环。
未来最成功的AI公司，可能不是拥有最强模型的公司。
而是最擅长让AI进入真实工作循环的公司。
股融易编者结语：Discovery Loop真正下注的，是“AI成为生产力主体”
Jeff Dean和三位Google顶级研究人员创办Discovery Loop，表面上看，是一次明星科学家创业。
但如果把时间拉长，这可能代表AI产业的一次方向变化。
过去，我们让AI：
理解语言。
生成内容。
回答问题。
写代码。
下一步，人类开始尝试让AI：
提出问题。
设计方案。
执行实验。
分析结果。
自己决定下一步行动。
从“回答”到“行动”，再到“发现”，这是AI能力层级的一次升级。
Discovery Loop能否成功，现在还远远无法下结论。
约100亿美元估值和约10亿美元融资洽谈，也仍然属于资本市场对未来潜力的提前押注，而不是商业成功的证明。
但无论这家公司最终结果如何，它已经提出了一个值得所有创业者认真思考的问题：
如果AI越来越强，我们究竟应该继续把它做成一个更好的工具，还是应该开始重新设计整个行业的工作方式？
过去的互联网创业，是把线下流程搬到线上。
移动互联网创业，是把服务装进手机。
生成式AI创业，首先是让机器开始理解和生成。
而Discovery Loop代表的下一种可能性是：
不再只是让AI辅助人类完成工作，而是让AI逐渐进入“提出目标—执行任务—获取反馈—持续改进”的完整生产循环。
这可能才是未来十年真正巨大的创业机会。
因为当AI从一个软件功能，变成一个能够持续运行的“数字研究员、数字工程师和数字执行系统”时，它改变的将不再只是某一个产品。
它可能开始改变人类创造知识、开发技术和推动产业进步的基本方式。
而这，也正是为什么一家刚刚成立的公司，会在硅谷引发如此大的关注。
Discovery Loop现在卖的不是产品。
资本真正购买的，是一个可能性：
如果未来AI能够参与发现新知识，那么谁将拥有第一批真正的“机器科研组织”？
Jeff Dean和他的团队，显然希望答案是Discovery Loop。
相关资讯
更多 »
