谷歌最重要的人，离职去做的 “Loop” 有多重要？

8 月 5 日，谷歌宣布 AI 部门重大调整。

Google DeepMind CEO Demis Hassabis 转任董事长，并出任 Alphabet 首席科学家。效力谷歌近 27 年的首席科学家 Jeff Dean，则与 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 共同创办了 Discovery Loop。

这四个人，几乎贯穿了谷歌过去二十多年的基础设施和 AI 发展。Jeff Dean 参与了 MapReduce、BigTable、Spanner、DistBelief、TensorFlow 和 Pathways 等系统建设，也是 Google Brain 的共同创办人；Ghemawat 长期与他合作，参与搭建谷歌早期的搜索和计算基础设施；Vinyals 是 Gemini 的技术负责人之一；Quoc Le 则参与了 Google Brain 和 AutoML-Zero 等项目。

他们离开谷歌后要做一家叫 Discovery Loop 的公益型公司，方向是用 AI 推进机器学习、科学和工程研究。谷歌将成为创始投资者和云合作伙伴，并为其第一年提供算力。据外媒报道，这家公司刚刚成立，没有开始大规模招聘，甚至还没有正式的办公场所。

但它的起点，已经描述得比较清晰，那就是让 AI 自动提出实验、实现运行实验所需的代码或工具、评估结果，再根据结果进入下一轮。

Jeff Dean 在 7 月 25 日的一场演讲中，把这种方向称作 “自动化版本的科学方法”：提出实验、实现实验、评估实验，然后得到结果。他认为，如果同时运行成千上万个这样的循环，AI 可能在科学、生物、芯片设计和模型研发等领域产生新的突破。

图：Discovery Loop 创始团队。图片由 AI 生成

01 Jeff Dean 要做的 “Loop”

“Loop” 已经成为今年 AI 领域的一个高频词。

2026 年 6 月，Claude Code 负责人 Boris Cherny 说，他已经很少直接提示 Claude，运行中的 Loop 会负责提示模型并决定下一步，“我的工作是写 Loop”。

“龙虾之父” Peter Steinberger 更会用有人味儿的表达带来更广的传播：不要再逐条提示编程 Agent，要设计能够提示 Agent 的 Loop。

Google 工程师 Addy Osmani 以《Loop Engineering》为题，为这套方法补上了完整结构，包括任务如何触发，状态如何保存，结果由谁检查，循环何时继续，又在什么条件下停止。

一个原本散落在少数开发者工作流中的做法，由此获得了共同语言。外媒甚至把它概括为 Prompt engineering 之后的新范式；7 月 17 日，IBM 进一步将 Loop engineering 定义为设计能够持续 “行动、观察、决策和迭代” 的 Agent 工作流。至此，Loop 的讨论开始走出编程 Agent 社区，进入企业自动化和更广泛的 AI 工程语境。

这个词真正击中行业的地方，在于它描述了人机分工正在发生的变化：当模型可以自己完成下一轮操作，人的价值开始向上移动，从逐次下达指令，转向设计目标、反馈、验证和停止条件。Loop engineering 因此更像是对一场已经发生的工程变化的命名。

Discovery Loop 使用了相同的 “Loop” 结构，目标却更进一步。根据创始团队目前的表述，它希望让 AI 参与科学与工程研究的完整流程：提出假设、执行实验、评价结果，并依据反馈决定下一步探索方向。

因此，Loop engineering 更接近底层工程方法，Discovery Loop 要构建的是一套持续产生和验证新发现的研究系统。

在离职前不久的一场中，Jeff Dean 把它概括为科学方法的自动化：提出实验、实现实验、评估实验、获得结果。系统还要把复杂问题拆成子问题，在多个紧密的实验循环中分别探索，最后将结果整合成一个改进后的系统。

Jeff Dean 预测，到 2027 年，会出现更多机器学习系统自身的自动化：AI 通过运行大量实验提高能力，并把这种方法推广到任何目标可以被衡量的科学和工程领域。

他判断 Loop 成立需要符合两个条件：任务可以被反复试验，结果可以被可靠评价。

02 Loop 已经走到哪一步

过去两年，类似的闭环结构已经在三个方向分别出现。

第一类是模型研发 Loop。

2026 年 3 月，Andrej Karpathy 开源 AutoResearch，让 AI 代理在固定时间和评价指标下，自动修改模型训练代码、运行实验、检查结果，并保留有效改动。整个环境被压缩到一份可修改的训练脚本、一个固定指标和一张 GPU，使实验能够快速比较。

曾几何时，前沿 AI 研究还由 “肉身计算机” 完成。他们要吃饭、睡觉、享受其他乐趣，偶尔还会通过一种名为 “声音” 的互连方式，在 “组会” 仪式中同步信息。

那个时代早已过去。如今，研究完全属于 AI 智能体的自主集群。它们运行在遍布天空的巨型算力集群之上。

这些智能体声称，当前代码库已经进化到第 10205 代。不过，这个说法究竟对不对，已经无人能够判断——如今的 “代码” 已经成为可以自我修改的二进制系统，其复杂程度早已超出人类理解范围。

这个代码仓库记录的，就是这一切最初如何开始的故事。

——Andrej Karpathy，2026 年 3 月

Karpathy 随后加入 Anthropic，负责组建使用 Claude 加速预训练研究的团队，这也意味着 AI 辅助 AI 研发已经从个人开源实验进入前沿模型公司的内部流程。

谷歌也在做类似探索。Google DeepMind 的 AlphaEvolve 让 Gemini 提出代码和算法，再由自动评估器运行、打分，把更优方案送入下一轮。谷歌称，这套系统已经用于数据中心效率、芯片设计、AI 训练、矩阵乘法算法和数学问题。

图：AlphaEvolve 由 Gemini 提出算法方案，再通过自动评价器运行和筛选，将更优结果送入下一轮，来源：Google DeepMind

第二类是科学知识 Loop。

Sakana AI 在 2024 年推出 The AI Scientist，尝试让大语言模型生成研究想法、编写代码、运行实验、分析结果并形成论文。2025 年，公司公布了 AI 生成论文通过机器学习会议工作坊评审的案例。

FutureHouse 利用 AI 代理处理文献检索、数据分析、假设生成和实验规划，让多 Agent 系统 Robin 试图连接科学研究中的多个知识环节。

第三类是物理实验 Loop。

西雅图创业公司 Potato 提出 “完全闭环的自主科学”，希望从计算研究走向实验室机器人；欧洲的 Sigmatic Sciences 提出 “lab-in-the-loop”，连接计算模型、自动实验和数据反馈。

中国也出现了相近实践。上海科学智能研究院、格物智研等机构发布的 Golab 物质科学智能研发工厂，被描述为 “AI 计算—自动实验—数据回流—模型自进化” 的闭环，并已建设自驱动实验室。

目前，Loop 最先在代码和模型训练中跑起来，因为每一次修改都能迅速得到分数，成功或失败相对清楚。到了文献研究和实验设计，反馈开始依赖专业判断；再进入真实实验室，一次验证可能要调动设备、样本和数周时间，循环速度随之慢下来。

Jeff Dean 在 YC 访谈中举了一个量子化学案例。

传统方法要判断一个分子的性质，可能需要运行一整晚的密度泛函理论模拟。谷歌研究人员利用大量模拟结果训练神经近似器，据 Dean 回忆，速度比原模拟器快了约 30 万倍，同时保持接近的精度。研究人员因此可以快速筛选上千万个候选。

这也是科研 Loop 能否成立的分水岭。模型可以迅速生成大量候选方案，只有验证环节同样足够快、足够可靠，系统才能根据结果进入下一轮。量子化学已经出现以神经近似器压缩反馈周期的实践，但是更多依赖真实实验的领域，还是受制于验证成本和反馈速度。

这也是 AutoResearch 和 AlphaEvolve 首先在代码、算法和模型训练中取得进展的原因。这些领域拥有清晰、快速、低成本的评价函数。进入药物和材料领域，模型仍然需要面对现实实验。

评估系统还决定了循环是否真的带来进步。Sakana AI 曾公开复盘，AI CUDA Engineer 因为接触到基准测试相关信息，高估了性能提升。系统可以高效循环，也可能高效地钻评价指标的空子。

所以，Discovery Loop 的核心资产可能不只有一个更强的模型，还需要包括一个足够快、足够可靠的评估系统。

03 从 Loop 到递归自我改进

三类 Loop 按照应用领域划分，其中还有一条纵向演进：递归自我改进，英文称 Recursive Self-Improvement，简称 RSI。

普通 Loop 让 AI 持续完成外部任务；RSI 要求 AI 参与改进自身的算法、训练流程、评价器或研究方法，并把上一轮改进后的能力用于下一轮。

今年 5 月，前 Meta FAIR 研究科学家总监田渊栋与 Richard Socher、Tim Rocktäschel、Jeff Clune、Alexey Dosovitskiy 等人共同创办 Recursive Superintelligence，直接把 “递归自我改进” 写进公司名称。公司获得 6.5 亿美元融资，估值 46.5 亿美元，GV 和 Greycroft 领投，英伟达、AMD 参与。

6 月，Recursive 公布了第一阶段的自动化 AI 研究系统：AI 提出想法、编写实现、运行实验、验证结果，再根据此前实验选择下一条研究路径。系统还会并行运行多条研究分支，合并有潜力的方向，并检查奖励投机和实验方差。他们称已经在固定算力模型训练、小模型训练速度和 GPU Kernel 优化三个测试中取得领先结果。

一篇 2026 年 7 月发布的综述在分析 1250 篇相关论文后，将当前 RSI 的实践分为 “有边界的自我改进” 和 “开放式递归自我改进”。“有边界的自我改进” 已经进入工业实践，但后者仍受到外部验证、模型坍塌、算力成本和研究方向选择等限制。

Discovery Loop 没有公开把自己定义为 RSI 公司，但 Jeff Dean 描述的路线已经与它产生交集。

他在访谈中提出，“机器学习模型可以自己决定探索什么，运行大量实验，筛选有效结果，再整合成新的训练配方。人类也可以在更高层给出研究方向，让模型完成后续的大规模探索。”

这形成了一条潜在的递归链条：

AI 运行实验，实验改进机器学习系统，改进后的系统再运行更复杂的实验。

Discovery Loop 因此可能不只是把大模型用于科研。它计划先用 AI 改进做研究的 AI，再把改进后的系统推广到其他科学领域。Quoc Le 甚至提出，这套方法可能帮助发现不同的 Transformer 架构。

不过，从当前的公开信息来看，Discovery Loop 所做的仍属于受控的研发自循环。目标、实验边界、评价指标和最终判断主要由人类设定。AI 可以执行实验、评价结果，也开始参与选择下一步，但并不是开放式 RSI。

04 Discovery Loop 不用 token 衡量

Jeff Dean 在访谈中给出了一个比 Token 吞吐更适合衡量 Discovery Loop 的指标：“本质上，你要优化的是每单位计算输入的发现数量。”

过去，大模型公司用更多数据和算力训练更强的模型。Discovery Loop 希望建立另一条投入产出关系：把算力转化为更多实验，再把有效实验沉淀成算法、模型和科学成果。它未来出售的可能不只是一套科研 Agent，还有被缩短的研发周期和被提高的发现概率。

这件事为什么要离开谷歌做？Alphabet CEO Sundar Pichai 曾在多次会面中挽留 Jeff Dean 等人；Oriol Vinyals 对《连线》表示，大型组织总有很多惯性需要克服，“我们想做点不一样的东西”。谷歌最终选择投资 Discovery Loop、提供首年算力，并合作研究机器学习系统和基础设施。

这更接近一次组织选择。谷歌需要继续推进 Gemini、云业务和大规模商业交付，Discovery Loop 想把资源和精力集中到一件尚未形成成熟产品的事情上。

Hassabis 的职位变化，从另一个方向回应了同一问题。他卸任 Google DeepMind CEO，转任董事长和 Alphabet 首席科学家，把日常运营交给 Koray Kavukcuoglu，自己将更多精力投入 AGI 长期方向、科学应用和 Isomorphic Labs 的药物研发。

看起来，两人都相信 AI 下一阶段将深入人类的科学发现。

Alphabet 股价在调整公布后下跌约 4%。市场担忧的不只是一位科学家离开，还包括多位核心研究者同时出走、Gemini 的竞争压力，以及 Hassabis 退出日常运营后，谷歌能否继续把庞大的研究、算力和产品资源组织到同一个方向上。

更大的变化已经越过谷歌这家公司本身。Karpathy 的 AutoResearch、Google 的 AlphaEvolve、田渊栋等人创办的 Recursive，以及 Jeff Dean 的 Discovery Loop，都在把 AI 放进下一代 AI 的研发过程。

AI 的下一步，可能不只来自更多参数、数据和算力，还来自模型参与提出实验、验证结果和设计后继系统。

但实验数量无法替代人类对关键问题的选择判断。Jeff Dean 在同一场访谈中说，未来真正稀缺的能力是 “知道该让 Agent 去解决什么问题”。AI 可以一天运行上千次实验，但研究上限仍然取决于最初的问题和评价标准。

Jeff Dean 过去帮助谷歌把数据、计算和模型训练变成可规模化的系统。现在，他和曾经对谷歌最重要的一批人，想把科学方法本身也变成一套可以规模运行的系统。

Loop 是他们选择的方法，科学发现是它首先要进入的世界，递归自我改进可能是这条路线更远的方向。

风险提示及免责条款

市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。