撰文| 贾可

编辑| 张南

设计| 荆芥

历史是一位吝啬的织布工。她用千万个平庸的日子织成灰暗的底布，只在极少的时刻，才肯把一根金线织进去。而那根金线落下的一瞬，往往安静得让人错过：一封搁置未发的邮件，一道犹豫片刻才推开的门，一个看似与任何重大事件都无关的寻常下午。

奥地利作家斯特凡·茨威格（Stefan Zweig）在将近90年前写下《人类群星闪耀时》。他反复讲述的，正是这种命运突然凝聚的时刻。但茨威格拥有后来者的便利。他知道君士坦丁堡如何陷落，知道滑铁卢的结局，也知道列宁乘坐的列车最终驶向哪里。他从已经完成的历史中回过头去，辨认命运落笔的那一秒。

我们面对的却是另一种时刻：尘埃刚刚扬起，道路仍在向前，结局远未到来。我们不知道眼前四个人的转身，最终会成为一次普通创业、一场技术革命，还是人类知识史上真正的分界线。我们只能站在故事开始的地方，沿着它所指向的方向，估量它最远可能抵达的边界。

2026年8月5日，星期三，美国加利福尼亚州的阳光照旧慷慨而乏味。谷歌山景城总部的数万名员工照常上班，食堂照常供应免费的午餐，一切都和过去二十多年里的任何一天没有区别。

直到一条文字出现在X上。

“我非常激动地宣布，我将与多年的挚友和合作者桑贾伊·格玛沃特（Sanjay Ghemawat）、奥里奥尔·维尼亚尔斯（Oriol Vinyals）、黎越国（Quoc V. Le）一起，创办Discovery Loop——一家公益公司，使命是自动化机器学习、科学与工程，以加速发现与进步。”

发出这段文字的人叫杰夫·迪恩（Jeff Dean），58岁，谷歌首席科学家，也是这家公司的第30号员工。

他随后又补充了一句，像是担心人们低估这四个名字聚在一起的分量：“我们四个人彼此共事了十四到三十年，曾一起参与构建这个世界上使用最广的一些产品、基础设施和AI模型。”

格玛沃特60岁，是谷歌历史上仅有的两位最高技术等级“高级研究员”之一；比尼亚尔斯43岁，是谷歌DeepMind研究副总裁和Gemini项目技术负责人之一；黎越国44岁，是Google Brain联合创始人。两位年近花甲，两位刚过不惑，他们分别参与建造了信息时代的基础设施、神经网络时代的关键模型，以及生成式人工智能最核心的技术体系。

几个小时之内，华尔街作出了它最诚实的回应：谷歌母公司Alphabet股价盘中一度重挫5.4%，近1900亿美元——大约相当于一整个空客公司的市值——随着四个人的离开从市场上蒸发，仿佛命运提前收取的一笔告别税。

但金钱只能衡量他们放下了什么，不能回答他们究竟看见了什么。

他们的新公司名叫Discovery Loop——发现的循环。这个名字没有“征服”，没有“革命”，甚至没有当下人工智能创业公司最喜欢使用的“超级智能”。它近乎平静，像实验室流程图上的一个普通标记。然而，沿着这个循环向前望去，能够看到的却是一个令人眩晕的可能。

这四个人想改变的，不是某一项发现，而是“发现”的生产方式本身。

他们想要建立一个能够自主参与科学研究的人工智能系统：由AI提出假设，设计并运行实验，评估结果、修正方向，再投入下一轮。人类科学家几百年来一次又一次亲手推动的实验循环，可能第一次在机器中持续运行；成千上万个实验并行展开，白昼与黑夜不再构成边界，一次失败也不再意味着漫长的停顿。

如果这个循环真正闭合，它改变的不会只是一种模型、一类软件，或者一家公司的估值。它可能改变人类生产知识的方式。

过去数百年的科学进步，都依赖一个基本结构：人提出问题，人设计实验，人等待结果，人理解失败，再决定下一步。计算机可以协助其中若干环节，却始终没有接管整个循环。一个再伟大的发现者，也只有一双眼睛、一颗头脑和一段有限的生命。牛顿如此，达尔文如此，居里夫人也是如此。文明每照亮一寸未知，都要等待某个人在漫长岁月中耗尽耐心、天赋与运气。

机器却可以同时走上一万条道路。它不需要睡眠，不会因为失败而衰老，也不会在生命结束时，把尚未完成的问题留给后来者。如果它能够可靠地提出问题、运行实验，并从结果中继续学习，“发现”便可能从少数天才的禀赋，变成一种可以持续运行、并行扩展的能力。

那将不只是更快地找到一种药、一种材料或者一个算法，而是人类第一次开始改变产生知识的方式。

人类科学家几百年来亲手转动的轮子，他们想让它第一次依靠机器持续转动。倘若成功，人类文明这台机器将更换自己的引擎；此后，一种新药、一种新材料、一个新定理抵达人类的时间，都可能需要重新计算。

他们想让AI进入发现者的位置，让“发现”不再完全受制于人类发现者的寿命、注意力和试错次数。这可能是自现代科学方法形成四百年以来，人类对知识生产方式发起的最大胆的一次改写。

这场改写究竟能够推进多远，取决于一条贯穿全文的分界线：科学的实验循环，能否完整封闭在数字疆域之内，还是必须穿透虚拟，进入真实的物理世界？

分界线的一边，是AI势如破竹的数字旷野；另一边，是由物质、生命、时间和风险共同筑成的高墙。

01

冰激凌摊边开始的友谊

要掂量这次转身的分量，得先明白转身的人放下了什么。而要讲清楚迪恩放下了什么，就绕不开另一个人——那个几乎从不说话的格玛沃特。

这段硅谷历史上最著名的技术友谊，并不诞生于谷歌，而是诞生于1990年代DEC公司两间实验室之间的一个冰激凌摊。《纽约客》后来在那篇广为流传的特稿《成就谷歌的友谊》里写道，两个年轻的研究员常在那里碰头，一边吃gelato（意式手工冰淇淋，以牛奶为主，乳脂更低、低速搅拌打入空气很少，质地密实浓郁）一边聊各自手头的难题，聊着聊着，就聊成了此后三十年形影不离的搭档。

他们后来的工作方式，在整个软件行业都成了传说：两个人挤在同一台电脑前，共用一个键盘，一个人敲代码时，另一个人在旁边思考策略，过一阵子再换手——同事们形容，他们两人的思维仿佛跑在同一张神经网络上。

一位共事多年的工程师给过一句流传极广的评语：“杰夫是聪明（smart）的那个，桑贾伊是智慧（wise）的那个。”

迪恩自己对这段关系的总结朴素得近乎家常：“你只需要找到一个思维方式和你兼容的人一起结对编程，让你们两个加在一起，成为一股互补的力量。”

1968年，迪恩出生在夏威夷。父亲研究热带疾病，母亲是医学人类学家——这个家庭的餐桌话题，是疟疾的传播曲线和田野调查数据，而不是股票与房产。22岁那年，这个年轻人的第一份正式工作，是在世界卫生组织的全球艾滋病防治项目里写流行病学软件：用代码，对抗一场正在吞噬人类的瘟疫。

这几乎是一个预言式的开端——36年后，他这次创业的野心，仍然是用计算，替人类承担那些最艰深的苦难。

1999年年中，他走进一家名叫谷歌的小公司，成为第三十号员工。几个月后，格玛沃特也来了——这位出生于印度西拉法叶、童年在拉贾斯坦邦科塔度过、在麻省理工师从图灵奖得主芭芭拉·利斯科夫（Barbara Liskov）的沉默天才，一生几乎不接受采访，极少出现在聚光灯下。

那时的谷歌正被自己的成功淹没：互联网的数据洪流，已经漫过任何一台计算机所能承受的堤岸。这对搭档给出的回答，近乎粗暴又极其优雅：既然造不出一台足够大的机器，那就把不可能的重量拆成千万份，分给千万台平凡的机器同时去扛。这就是 MapReduce。此后是 Bigtable，是Spanner。

整整一代互联网公司理解“计算”这个词的方式，都是这两个人趴在同一个键盘上定义的。工程师中间流传的那句评语后来有了新的版本：迪恩负责把不可能变成可能，格玛沃特负责让这份可能永远不会崩塌。

谷歌内部甚至为迪恩生出了一整套“查克·诺里斯式”的都市传说，在工程师论坛上流传了近20年——“编译器不警告杰夫·迪恩，是杰夫·迪恩警告编译器”“杰夫·迪恩的键盘没有 Ctrl 键，因为杰夫·迪恩从来就处于控制之中”。

仿佛这是玩笑，但它标记的是一种真实的地位：在一家以工程师文化立国的公司里，这个人就是工程师们心中的神话本身。

到了2010年代中期，迪恩已经功成名就，完全有资格在既有的荣耀里体面地老去。恰恰在这时，他做了一件后来被反复讲述的事：把自家浴室堆满机器学习教材，像个学生一样从头补课，每周抽出一天，跑去当时还名不见经传的 Google Brain 打下手。一个年近半百、已经站在行业之巅的人，把自己重新放回了课桌前。2015年，他主导的TensorFlow问世；此后他执掌谷歌AI，一路做到首席科学家。

命运就是这样，这个两次登顶的人，等到他58岁这一年，才看到了自己要去推的那扇真正的门。

02

相信尚未发生之事的人

在迪恩和格玛沃特用工程蛮力开疆拓土的那些年，另外两个更年轻的人，正在走一条完全不同的路——不是靠证明，而是靠相信。

黎越国的起点，距离硅谷有一整个太平洋。他出生在越南，在乡下长大——按他早年接受采访时的回忆，那是一个连电都没有通的村庄。这个在煤油灯下读书的孩子，后来一路读到斯坦福，再后来，成了Google Brain的联合创始人之一。

在神经网络还被主流学界视为过时理论遗骸的年代——这门学问在此之前已被冷落了近30年——他做了一个后来被写进无数教科书引言里的实验：让一个神经网络在没有任何人类标注、没有任何明确指令的情况下，独自看过数百万张互联网视频截图。没有人告诉它世界上存在“猫”这种东西。而它，在数据的深渊里，自己摸索出了猫的轮廓。

那是机器第一次，在无人指点的黑暗中，认出了一样东西。一个从没有电的村庄走出来的年轻人，教会了机器如何自己睁开眼睛——历史偶尔也会写出这种过于工整的对仗，工整得让小说家嫉妒。

而黎越国此后的另一项工作，几乎就是Discovery Loop的思想胚胎。2017年前后，他在谷歌主导了神经架构搜索与AutoML项目——让机器自动设计神经网络的结构，也就是说，让AI去发明AI自己的形状。当年这项工作的雄心，是替不懂机器学习的人自动生成模型；十年后回头看，它分明是那个“自动化研究循环”的第一次小规模排练。一个人20年里做的事，常常在他自己都未察觉的时候，悄悄指向了同一个方向。

比尼亚尔斯的路径同样带着传奇的纹理。他1983年出生在西班牙加泰罗尼亚小镇萨瓦德尔，少年时是个游戏高手，痴迷《星际争霸》；多年以后，正是他在DeepMind主持的 AlphaStar 项目，让AI第一次在这款他少年时代痴迷的游戏里，击败了人类职业选手——命运的圆，画了20年才合上。

他在加泰罗尼亚理工大学读数学和电信工程，又在伯克利拿下博士学位，此后加入 Google Brain，再转入 DeepMind，一路做到研究副总裁，并与迪恩共同担任 Gemini 项目的技术负责人——这意味着，谷歌这场 AI 战争里最核心的武器，就握在这两个人手中。8月 5 日那天，科技媒体注意到一个耐人寻味的细节：Gemini的两位技术共同负责人，在同一天双双离职。

2014年，黎越国和比尼亚尔斯，连同后来出任OpenAI首席科学家的伊利亚·苏茨克维（Ilya Sutskever），写下了那篇改变语言技术命运的论文。在此之前，机器翻译是语言学家的手工业：规则靠人写，语法靠人教。

这三个年轻人提出了一个当时听来近乎狂想的主张——什么都不要教，让机器把整句话读进一段抽象的数字，再从这段数字里，生成另一种语言的完整表达。他们赌的是：一个足够大的系统，能自己领悟语言的深层结构。

他们赌赢了。今天你手机里的每一次翻译，追根溯源，都流淌着那篇论文的血。

于是，到2026年这个夏天，历史手里握着两条几乎不相交的血脉：一条相信“没有什么重量是拆不碎的”，一条相信“没有什么规律是学不会的”。前者建成了数据的帝国，后者点燃了智能的火种。它们曾在Gemini项目里拧在一起——而现在，它们要一起离开孕育了它们的地方。

03

离开谷歌的那个下午

辞呈是同一天递出的。声明是同一份。转身，是同一个下午。

这个决定来得比外界想象的仓促。据《连线》记者史蒂文·列维（Steven Levy）对四人的联合专访，创办Discovery Loop 的想法，直到官宣前几周才真正成形。迪恩的解释朴素得出人意料：“我们各自在做不同的事情，但都开始看到了同一种可能——AI 或许能把科学与工程的循环自动化。四条独立奔流了十几二十年的河，在几周之内忽然汇成一股。

事实上，7月底，迪恩已经在Y Combinator创业学校的讲台上，公开勾勒过“自动化科学方法”的构想——那时台下没有几个人意识到，这不是一位功勋科学家的学术畅想，而是一份创业计划书的预演。

至于四人之间谁最先说出“我们辞职吧”这句话，谁说服了谁，他们对“科学能被自动化到什么程度”的判断是否完全一致，新公司里除了迪恩出任首席执行官之外其余三人如何分工——这些，当事人尚未细说，外界暂时无从知晓。

Alphabet首席执行官桑达尔·皮查伊（Sundar Pichai）曾多次开会试图留住他们，但四人最终还是选择了创业公司的自由。谷歌于是乐见其成，成为了Discovery Loop的创始投资方和云计算伙伴——种子轮由Radical Ventures和Khosla Ventures联合领投，Kleiner Perkins、Lightspeed、Doerr Capital跟投。

同一个下午，谷歌AI的权力版图也宣布重排：戴密斯·哈萨比斯（Demis Hassabis）卸任 DeepMind首席执行官，转任Alphabet首席科学家。

四位奠基者离开，老帝国同步换防——从时间安排来看，这更像是一场双方协调过的告别，而非一次措手不及的出走。

迪恩官宣当天在社交媒体上写道：“我们当下最要紧的事，是找到办公空间，并在接下来几周内招募一支出色的创始团队。我们想创造一个绝佳的环境，拥有技术卓越、团队协作、相互尊重和雄心壮志的文化。

请注意这段话的语气。那不是一位功勋科学家的语气，那是 1999 年那个刚到加州、眼睛发亮的年轻人的语气。

迪恩甚至兴致勃勃地把他们给风投看的融资演示文稿拿出来晒，配文带着孩子气的得意：“再放一页我们pitch deck里好玩的幻灯片。那份列满四人过往战绩的文稿，被媒体形容为“离谱的炫技”——当MapReduce的作者、seq2seq的提出者、Gemini的技术负责人一起走进房间，投资人真正的问题从来不是“要不要投”，而是“能不能抢到份额”。

而这份“从零开始”的渴望背后，或许还有一层更冷静的商业计算。在谷歌那样的庞然大物里，任何技术最终都要回头服务于现有的基本盘——搜索、广告、云计算；任何激进的实验，都背负着一家四万亿美元公司的股价、公关、伦理审查和监管目光。

哈萨比斯对自我改进循环的公开审慎，既是科学家的责任感，恐怕也有巨头高管的身不由己。迪恩推文里那句“我们想创造一个绝佳的环境和文化”，翻译成商业语言，或许就是：有些实验，在大厂的流程里很难走到立项那一步；想做真正激进的事，先得离开那栋不容许失败的大楼。他们要的不只是白纸，更是一个搞砸了也不会拖垮任何巨头的地方——在那里，失败重新变回一种可以被承受的成本，而不是一场需要向华尔街解释的事故。

有些人穷尽一生想赢得世界；而另一些人赢得世界之后才发现，他们真正想要的，不过是再一次从零开始的权利。

04

墙

现在，必须说清楚他们要去做的究竟是一件什么事——以及，为什么这件事在懂行的人听来，一半是福音，一半是狂想。

迪恩在公告里的表述很克制：“我们的总体方法，是把实验循环自动化。我们认为这个方法可以广泛适用于科学与工程的许多不同领域。

他还补充，公司将首先聚焦机器学习研究与工程本身，但相信这套方法“能对美国国家工程院十四项世纪挑战里几乎每一项的重要子问题有所助益”。而在接受采访时，他说过一句更直白的话：“在很多领域，你完全可以把整个循环彻底计算机化。

他说的循环，是科学方法本身——提出假设，设计实验，评估结果，再迭代。人类用了几千年才磨出这套方法，而 Discovery Loop 想把它整个交给机器，让几亿次实验并行奔跑，昼夜不歇。

听起来像是狂想。但如果剥开修辞，看清这份计划的工程结构，你会发现它精密得近乎冷酷——这不是魔法师对着高墙念咒，这是四位顶级工程师，在设计一台破壁机。

先看清那堵墙的真实构造。科学发现的疆域，历来分成两片。一片是实验闭环可以在数字世界里完全封闭的地方——棋盘、代码、芯片布局、蛋白质结构预测——假设、验证、反馈，全程不需要离开计算机，对错的裁决在毫秒之间。

他们老东家的战绩单证明，在这片疆域里，AI攻城略地，势如破竹：AlphaFold的身后站着十万个前人已解出的蛋白质结构，AlphaGo的身后是一张规则冷酷清晰的棋盘。而另一片疆域，实验的闭环必须穿过真实的血肉与物质——临床试验、核聚变装置、湿漉漉的实验室——在这里，瓶颈从来不是AI不够聪明，而是真实数据的生成速度太慢：一次合成要几天，一场临床要十年。

计算机科学家詹妮弗·利斯特加滕（Jennifer Listgarten）说得冷峻：要探测知识的边界，你需要的是“我们目前还没有的数据”。号称发现数百万种新材料的 GNoME 被独立实验室质疑，Isomorphic Labs 成立五年无药上市——败因都在此处。墙，就砌在这两片疆域的交界线上。

现在看他们的作战计划，你会发现每一步都精确地绕着这堵墙的结构走。

第一步，滩头阵地选在了墙最薄的地方。迪恩说得明白：公司将首先聚焦“机器学习研究与工程本身”。用AI去研究AI——写代码，设计神经网络架构，调优训练方法——这是一个几乎纯粹的数字疆域，实验闭环可以在计算机内部封闭，不需要一滴试剂、一台机械臂、一次临床审批。

需要说清楚的是：在数字世界里，墙并未消失，只是变薄了——反馈更快，实验更便宜，闭环更容易封上。这里仍有它自己的沟壑：评价指标是否真的可靠，跑出来的结果能否泛化到新问题上，海量并行实验的算力从哪里来，训练数据是否被污染，机器自动生成的“研究成果”能否被复现，以及最根本的——问题本身，是否一开始就被人类正确地定义了。

这些都不是修辞能抹平的困难。但相比湿实验室和临床试验的十年之约，这些困难属于工程的范畴——而论纯粹的工程，这四个人就是地球上的天花板。

还有一点必须分辨清楚：让AI辅助研究AI——帮着写代码、搜索架构、调优方案——与一个系统自主设计并制造出更强的后继系统，是两个强度完全不同的概念，前者已在发生，后者仍属未来；《2026国际AI安全报告》也指出，现实中的AI研发自动化，仍卡在目标模糊、验证周期漫长这些瓶颈上。Discovery Loop要做的，是把前者推向极限，并试探它离后者究竟有多远。而哪怕只是把前者做透，这家公司也已经足以写进历史。

第二步，才是带着这台发动机去撞墙——而撞墙的方式，也不是靠冥想。所谓“把实验循环自动化”，在今天的技术前沿有一条清晰的实现路径：让AI直接驱动高度自动化的实体实验室——云端机器人实验室、高通量筛选设备、自动合成平台。机器提出假设，指令自动下发给机械臂，真实的化学反应、生物实验在物理世界里完成，数据自动回传，进入下一轮迭代。

他们不是要绕开物理数据，恰恰相反——他们要用AI指挥自动化设备，以前所未有的速度和密度，去高频制造真实的物理数据。利斯特加滕说机器无法凭空创造它没有的数据，这话没错；但如果机器能指挥一千只机械臂昼夜不停地做实验呢？墙不是被念咒念倒的，墙是被一台数据的挖掘机，一铲一铲拆掉的。

至于那个更玄的问题——机器能否完成爱因斯坦式的“跃迁”，能否推翻框架本身、看见无人见过的宇宙——那是墙后更远处的另一堵墙，四位创始人未必指望撞开它。但他们清楚一件事：历史上的顿悟，常常诞生于海量试错堆到临界点的那一瞬。把尝试的密度提高一万倍，意外撞开那扇门的概率，至少不会更低。这是这份计划的彩蛋，不是它的地基。地基，是前面那两步冷酷的工程。

预测机构 FutureSearch的赔率表，恰好为这套作战逻辑做了注脚：若主攻芯片设计——离数字疆域最近且迪恩本人就是AlphaChip论文共同作者的领域——2028年底前做出举世公认突破的概率约为百分之三十八；新药研发百分之十五；核聚变百分之十二。

需要说明的是，这些数字并非实验统计，而是一家预测机构基于特定期限和特定“突破”定义给出的主观概率，远不是行业共识——它们的价值不在于精确，而在于排序：数字排出的顺序，就是那条“实验闭环离数字世界有多远”的距离表，闭环越容易封闭，胜算越高。

这不是玄学的地形，这是工程的地形——而他们的整个计划，就是从胜算最高的地方登陆，再把闭环的边界，一寸一寸推向物理世界的纵深。

05

问题尚未回答

然而这场豪赌里，还悬着一批没有人回答的问题。

他们要自动化的第一个领域，是机器学习研究本身——用AI去改进AI的研发过程。这条路径的远端，在技术的语汇里有个令人不安的名字：递归自我改进。一旦那个循环真正闭合，系统改进自己的速度，理论上将超出人类监督所能追赶的极限。

这份担忧并非杞人忧天：今年发布的《2026国际AI安全报告》，由上百位独立专家联署，把“因递归自我改进而失去控制”列为最具国家安全级别后果的风险之一；行业里，Anthropic 已披露自家超过八成的代码由自己的模型写出，OpenAI则公开了通往“全功能AI研究员”的时间表。

哈萨比斯——那位一贯审慎的前DeepMind掌门人——说过一句留有余地的话：“这个我们都在追逐的自我改进循环，能否在没有人类介入的情况下真正闭合，还有待观察——其中确实存在风险。

Discovery Loop在这个问题上会怎么做，目前证据寥寥。能看到的线索是：公司公开的招聘页面上，暂时没有出现安全或政策相关的岗位——这只能说明公开职位里尚未见到，并不能证明公司没有安全人员或内部机制。

一家领投机构的合伙人在领英上介绍这家公司时，用了“构建递归自我改进的超级智能”这样毫不迟疑的措辞；第三方预测机构则估算，未来一年内公司出现专职安全人员的概率约三成，正式安全框架可能要等到 2029 年——但这些同样是预测，不是事实，应当与事实分开看待。

比起指控他们“没系安全绳”，更有价值的，是把那些他们迟早必须回答，而至今没有答案的问题一一摆上桌面：

自动生成的实验，由谁来设定目标？哪些等级的改进，必须经过人类批准才能执行？当系统学会钻评价指标的空子——在 AI 研究里这几乎是必然发生的事——由什么机制来识别和纠正？如果某个实验循环开始出现失控或异常，谁有权限、用什么手段将它中止？当这套循环未来伸向生物与化学领域，面对那些既能造药也能造毒的实验能力，访问控制的边界画在哪里？以及最基本的一条：这家公司，打算向公众公开一份什么样的安全框架？

四位创始人恰恰来自全世界对这些问题讨论最深的机构。他们不可能没有想过。他们只是还没有回答。而在这个领域，沉默持续得越久，分量就越重——历史会给出评判，但历史从不提前给。

06

发现者，究竟是谁

►从左到右：Jeff Dean、Oriol Vinyals、Quoc V. Le、Sanjay Ghemawat

即使Discovery Loop最终成功，人类攻克难题的速度将被推向前所未有的高度。可即便如此，仍有一个更古老的疑问悬而未决：那个昼夜不停奔跑着的发现的循环，究竟是机器自己在渴望着什么，还是碳基的生命，借着硅基的躯壳，在放大自己亘古的意志？

迄今为止，没有任何一台机器，曾在无人吩咐的情况下，自己决定“这个问题，值得我凝视十年”。那种无中生有的渴望，是生命在数十亿年的生存重压下淬炼出的、至今无法复制的东西。或许Discovery Loop最终造出的，并不是一个新的智慧物种，而是一具空前的放大器——如同望远镜之于眼睛，它延伸的，始终是人。

人类文明的每一次跃迁，都不是因为工具获得了人的灵魂，而是因为人借助工具抵达了自身原本无法到达的地方。

让我们再次记住2026年8月5日，这个星期三的下午，四个人转过身去。最年长的60岁，最年轻的43岁；一个来自夏威夷的科学家家庭，一个来自印度的小城，一个来自加泰罗尼亚的游戏厅，一个来自越南没有电的村庄。

他们的人生，早已无需再向任何人证明任何事。可他们还是要再一次证明自己或者证明人类本身——恰如迪恩自己所言，他们“对能把注意力转向这项雄心勃勃的事业干到兴奋”。这四个要去做的，是人类历史上只有极少数人敢于伸手去碰的那件事——改写人类获取知识的方式本身。

想一想这个野心的真实尺寸。自从第一个智人在洞穴的火光边追问“为什么”，发现，就始终是人类这个物种最昂贵、最缓慢，也最神圣的劳动：一个天才要耗尽一生，才能照亮知识版图上一寸新的疆土；一场瘟疫的解药，要用几代人的白骨去铺路。

而这四个人想终结的，正是这种缓慢本身。倘若发现真的可以被计算机化，倘若那个循环真的能够昼夜不停地自己奔跑——那么癌症、衰老、能源、气候，这些悬在人类头顶几个世纪的巨石，坠落的时间表都将被改写。

这不是又一次创业，这是对普罗米修斯神话的第二次僭越：第一次，人类从神那里盗来了火；这一次，他们想盗来的，是“盗火的能力”本身。

他们应该知道自己可能失败。以他们对那堵墙的了解，他们比任何人都清楚失败的概率有多大。但这正是这次转身最动人心魄的地方：四个已经拥有一切的人，在人生的黄昏与正午，心甘情愿地把全部筹码推向桌心。

赢了，他们将和哥白尼、达尔文、爱因斯坦站在同一排——不是作为又一位发现者，而是作为让发现本身获得自由的人，人类文明的加速度，将从他们这里换挡。输了呢？输了也无憾。因为对他们这样的人而言，真正无法忍受的从来不是失败，而是不能再次实现自己。

于是，他们此刻动身，为此生的使命，在群星尚未落笔的那一页上，写下开篇的第一行——若是写对了，人类的历史将因这一行而转向；若是写错了，后来者也将踩着这行错字，找到正确的方向。无论哪一种，那一页，从此都将以他们的笔迹开篇。

参考资料：

创业事件与官方声明

1.Jeff Dean 在 X 上的创业官宣推文（2026 年 8 月 5 日）：创办Discovery Loop 的声明

2.Jeff Dean 在 X 上的推文：关于自动化实验循环的方法论

3.Jeff Dean 在 X 上的推文：关于找办公室与组建创始团队

4.Jeff Dean 在 X 上的推文：晒出pitch deck 幻灯片

5.TechCrunch:Jeff Dean and other top AI researchers are leaving Google to launch their own startup(2026 年 8 月 5 日，首发报道，含融资阵容与股权动因分析）

6.CNBC:(同日谷歌 AI 高层重组的报道）

7.GeekWire:(含迪恩"fully computerize that whole loop”访谈原话）

8.Quartz: Jeff Dean leaving Google after 27 years to co-found Discovery Loop

9.Yahoo Finance:Jeff Dean's new startup pitch deck slides are an insane flex(“离谱的炫技”评语出处）

10.the-ai-corner:(谷歌反向投资的深度分析）

11.《连线》（Wired),Steven Levy 对四位创始人的联合专访（经Techmeme与Unite.AI转述；创业想法数周前才成形、“我们各自在做不同的事情”引语、皮查伊多次开会挽留等细节出处）

12.The Next Web:Google named the new boss of Gemini. Both of Gemini's co-leads quit the same day(Gemini 两位技术共同负责人同日离职）

13.Y Combinator Startup School(2026 年 7 月底，迪恩公开勾勒“自动化科学方法”构想的场合，经多家媒体转述）

人物生平与故事

1.《纽约客》，James Somers:The Friendship That Made Google Huge（《成就谷歌的友谊》，2018 年 12 月；冰激凌摊相识、同一键盘结对编程、“Jeff is the smart one, Sanjay is the wise one”评语均出于此文）

2.Wikipedia:(出生年份、WHO 艾滋病项目经历、教育背景）

3.Wikipedia:(出生年份、师承 Barbara Liskov）

4.Wikipedia:(出生年份、加泰罗尼亚背景、AlphaStar 项目、Gemini 技术共同负责人）

5.Wikipedia:(出生年份、seq2seq 论文、Google Brain 履历、AutoML/神经架构搜索工作）

6.BusinessToday:(格玛沃特印度背景）

7.MIT Technology Review早年 Innovators Under 35 专访（黎越国越南乡村成长经历）

8.officechai：四人对谷歌的技术贡献综述

前景预测与技术分析

1.FutureSearch,Dan Schwarz:Jeff Dean's Discovery Loop Should Automate Chip Design First(2026 年 8 月 5 日；芯片设计 38%、新药 15%、核聚变 12% 等条件概率为该机构基于特定期限与“公认突破”定义给出的主观预测，非行业共识；DeepMind 应用科学战绩单分析、安全人员配置概率预测亦出于此文）

2.Phys.org:New 'AI scientists' are improving—but reveal their fundamental limits(AI 科学家的根本局限）

3.Science News:Have we entered a new age of AI-enabled scientific discovery?(Jennifer Listgarten“我们还没有的数据”论述出处）

4.Stanford HAI:How AI is Transforming Scientific Discovery While Keeping Humans at the Center(2026年 5 月 AI+Science 会议观点）

AI 安全与治理

1.(百余位独立专家联署，将递归自我改进列为国家安全级风险，同时指出现实 AI 研发自动化仍存在目标模糊、验证周期长等瓶颈)

2.Cloud Security Alliance:Recursive Self-Improvement Signals: Security Implications(Anthropic 80% 代码由模型编写、OpenAI研究智能体时间表)

3.Foom Magazine:Is research into recursive self-improvement becoming a safety hazard?(Demis Hassabis 关于自我改进循环风险的原话出处)

4.领投机构合伙人Rob Toews在LinkedIn 上关于“递归自我改进的超级智能”的表述