AlphaFold 的奇迹难以复制

AlphaFold 的成功有一个极其特殊的前提：Protein Data Bank。这个数据库汇集了约 17 万个实验验证过的蛋白质结构，背后是 53 年的国际合作和大约 210 亿美元的实验投入。

这种规模的、标准化的、可重复的数据集在科学界非常罕见。蛋白质晶体学本身是一种高度可重复的实验手段，但大多数生物学和化学实验不具备这种条件：细胞系会漂移，试剂会有微量污染，实验室湿度都会变化。要在这些领域建立同样质量的训练数据，可能需要几十年。

真正的科研不是跑模型，而是综合判断

科学家做研究时，从来不会只依赖一种完美数据。他们会把对接计算、已知结构、分子动力学模拟和少量实验结果综合起来，再根据经验判断每种方法的可信度。这种在不确定中权衡、迭代和修正的能力，正是传统大模型难以做到的。

智能体恰好可以模拟这一过程。它不是针对单一问题训练一个巨型模型，而是让一个大语言模型调用多种工具、反复尝试并修正假设。

Google Co-Scientist 验证了这个思路

今年 5 月，Google 发布了 AI Co-Scientist。研究者只给它一个一页纸的任务说明：找出抗生素耐药性如何在细菌物种之间传播。

系统启动了多个子智能体：一个负责从文献中提炼假设，一个像同行评审一样挑刺，一个通过「锦标赛」机制给假设打分，一个负责把优胜假设进一步打磨。最终，AI 得出了一个正确结论——耐药基因会搭乘噬菌体在不同细菌之间转移。

这个结论此前由帝国理工学院的研究团队花了十年湿实验才独立得到，而当时那篇论文还在同行评审中，Co-Scientist 不可能提前看到。

智能体能解决科学界的「复现危机」

学术界长期苦于复现危机：很多实验结果难以被其他团队重复验证，原因之一是研究人员不愿在论文结束后继续整理原始数据和完整代码。

智能体天然会记录每一步操作，留下精确的方法日志。这意味着未来一篇论文背后的完整实验流程可以被自动保存和复刻，复现率有望大幅提升。

此外，智能体还能把实验室里几十年的经验、失败案例和隐性知识集中到一个标准化的机构知识库中，解决研究生只能靠翻前辈笔记本找经验的问题。

速度比争论更重要

当验证一个想法的成本低于开会争论时，人们会直接去做实验。能在一小时内读完一千篇论文、设计出五百个分子、并从失败中学习的智能体，会把科学探索的成本降到前所未有的水平。

作者认为，历史上改变科学面貌的通用工具屈指可数：微积分、统计推断、光谱学、计算机。AI 智能体很可能是下一个。

来源：MIT Technology Review / Eric Schmidt、Suhas Mahesh

当被问到创业者应该切入哪些方向时，迪恩给出的答案是“科学方法的自动化”。他这样描述那套循环：提出一个实验，实现运行实验所需的条件，评估实验，再从中拿到结果。他判断，把成千上万个这样的循环自动跑起来，有可能在科学、生物、芯片设计乃至改进 AI 模型本身等多个领域打开突破口。

台下没有人意识到，他讲的其实是自己刚刚组建的秘密公司。

四个人一起走，等同于抽掉半个技术底座

8 月 5 日消息正式落地：在谷歌工作近 27 年之后，迪恩离职创业，公司名为 Discovery Loop。同行的还有另外三人——桑贾伊·格玛沃特（Sanjay Ghemawat）、DeepMind 研究副总裁兼 Gemini 技术负责人奥里奥尔·维尼亚尔斯（Oriol Vinyals），以及谷歌大脑联合创始人、AutoML-Zero 项目背后的核心科学家 Quoc Le。

这个组合的分量很难被低估。迪恩与格玛沃特是谷歌最早期的员工之一，两人合写了这家公司大量的计算与搜索基础设施代码。极客圈里长期流传着一份调侃迪恩技术能力的“事实”清单，其中一条是：“杰夫·迪恩的简历上写的是他没做过的事，因为那样更短。”《连线》杂志把这次离职形容为米克·贾格尔和基思·理查兹一起退出滚石乐队去组新团。

对正在 AI 模型竞赛中疲于追赶的谷歌而言，这是一次实打实的重击。谷歌会持股这家新公司，但人确实走了。

让 AI 自己当研究员，而不是当研究工具

在接受《连线》采访时，迪恩说这个想法几周前才冒出来。另外三人很快加入，他们不只是多年同事，也是会一起休假的朋友。“我们各自在做不同的事情，但都开始看到 AI 有可能把科学和工程的循环自动化。”

Discovery Loop 的路线图里，第一个客户是它自己。团队最初搭建的自动实验循环会用于改进公司自身的机器学习算法，改进后的软件再成为一套 AI 系统的内核，去处理后续领域的问题。“我对自动化机器学习非常兴奋。”Quoc Le 说，“也许我们会发现一种不同的 Transformer 架构。”

再往后，目标涵盖芯片设计、生物、药物发现和材料设计。维尼亚尔斯提到了当前模型最薄弱的环节：“我们显然会非常关注的一件事，是这些模型如何提出值得一试的新想法。这不是它们目前特别擅长的地方。”

初期这些想法仍由人与模型共同产生，但团队的目标是把过程深度自动化。按他们的设想，如果路线走通，少数几个人借助 Discovery Loop 就有可能在发明产出上超过全球最大的研究机构——而这些小团队大概率会成为它的客户。这家公司也可能自己运行一部分循环，去寻找并商业化突破成果。

几张幻灯片，换来顶级风投的支票

融资过程简单得有些反常。团队做了一份朴素的路演材料，公司注册为公益性质企业。“我们只放了几页幻灯片，写了各自的背景，以及我们认为这套方法能在多个方向上成功的粗略思路。”迪恩说。材料本身没有用 AI 生成。

真正起作用的是人。风险投资人维诺德·科斯拉（Vinod Khosla）在一个周六把他们约到自己在沙丘路的办公室，避免消息走漏。“有这个团队在，我根本不需要知道他们要做什么就会投。”科斯拉说，“这是终极的全明星阵容。”他同样认可这个方向：“人类一直在用 AI 做研究，而不是让 AI 成为研究者。Discovery Loop 最根本的一点，是 AI 就是那个研究者。”

其余会面安排在迪恩家中。最终，科斯拉创投与专注 AI 的 Radical Ventures 领投，另有若干机构跟投。创始人没有披露融资金额和估值——但可作参照的是，眼下有公司为单个 AI 顶尖人才开出数千万甚至上亿美元的价码。Radical 管理合伙人乔丹·雅各布斯（Jordan Jacobs）将加入董事会，他的评价是：“做一个能解决所有这些问题的东西，是个很有力量的想法。这些人过去一直在做这类工作，他们知道自己在干什么。”

谈判很痛苦，最后谷歌选择了投资

从谷歌脱身的过程要难得多。迪恩透露，Alphabet 首席执行官桑达尔·皮查伊在多次会面中试图挽留他们。团队最终还是选择了创业带来的乐趣与自由。

“在大组织里，你要做任何激进的改变，都得先克服大量惯性。”维尼亚尔斯说，“我们想造点不一样的东西。”

谷歌最后给出了祝福，同时附上一笔投资和第一年的算力支持。皮查伊在声明中表示：“27 年里，杰夫和桑贾伊推动了一些最重要的技术转折，从早期的搜索基础设施到催生现代 AI 时代的神经网络。我们将继续作为创始投资人和云合作伙伴与 Discovery Loop 合作，共同推进机器学习系统及相关基础设施的研究框架。”

值得注意的是，团队目前还没开始招人（这可能意味着谷歌会流失更多人），连办公室都没租。被问到谁是首席执行官时，出现了短暂的停顿。“我想是我吧。”迪恩有些不好意思，“大家都指着我。”

愿景不新鲜，问题是谁能真的做出来

“AI 将成为科学发现引擎”这个说法并不新鲜。达里奥、萨姆、黄仁勋——几乎每一位 AI 领域的重量级人物都在某个场合表达过类似判断：AI 终将解决人类自己攻不下的难题。

Discovery Loop 押的是这支团队的知识与工程能力，足以把一套真能做出突破的系统造出来。而在那个远景之外，它还面临一个更窄、也更现实的评判标准：这家创业公司做出的成果，能不能抵得上他们离开谷歌所留下的人才缺口？

来源：WIRED（Steven Levy）