Discovery Loop是一家刚刚公开亮相的AI科研创业公司。公司于2026年8月5日宣布成立，定位不是开发普通聊天机器人，而是构建能够自动提出方案、执行实验、评估结果并继续迭代的AI系统，从而加速机器学习、科学研究和工程开发。公司注册为美国特拉华州的公共利益公司，即在追求商业回报的同时，也明确承担推动科学技术进步的公共使命。(探索环)
它到底想做什么？
传统科研通常是一个不断循环的过程：
提出假设 → 设计实验 → 执行实验 → 分析结果 → 修改方案 → 再做实验。
Discovery Loop认为，真正限制科学进步速度的，并不总是缺少理论，而是这些实验循环仍然高度依赖人工，过程缓慢、串行且难以规模化。公司的目标是利用前沿AI模型和大规模计算基础设施，把整套实验循环自动化，使系统能够同时运行数千个实验，并根据结果自动选择下一步方向。(探索环)
例如，在机器学习研究中，系统可以自动完成：
- 设计新的模型结构；
- 编写和修改训练代码；
- 调整数据、超参数和训练策略；
- 批量运行实验；
- 比较不同模型的效果；
- 根据结果提出下一轮实验；
- 不断优化自身使用的算法和基础设施。
它追求的不只是让AI成为研究人员的“助手”，而是让AI逐步承担一部分研究人员本身的工作。
先让AI研究AI
Discovery Loop不会一开始就进入药物、材料或者生物实验室，而是首先从自动化机器学习研究和工程开发入手。
这样做有一个现实原因：机器学习实验主要发生在计算机和云端环境中，实验对象是代码、模型和数据，结果通常可以用准确率、损失函数、推理速度、成本等指标直接衡量，非常适合进行自动化和大规模并行试验。(探索环)
公司的策略可以概括为：
先把自己当成第一个客户。
Discovery Loop将用自己的自动化研究系统优化自己的模型、算法和技术栈。如果系统能够由此发现更有效的神经网络结构、训练方法或者AI基础设施，它本身也会变得更强，然后再把这种能力扩展到其他科学和工程领域。创始团队甚至提到，未来系统可能发现不同于Transformer的新型模型架构。(WIRED)
这实际上形成了一个具有自我强化特征的循环：
AI自动研究机器学习 → 产生更强的AI技术 → 更强的AI进一步提升科研自动化能力。
不过，这并不等于AI会无限“自我进化”。每一次改进仍需依赖明确的实验环境、评价指标、计算资源和安全控制。
创始团队为什么受到关注？
Discovery Loop最引人注意的地方，是其四位联合创始人：
Jeff Dean、Sanjay Ghemawat、Quoc Le和Oriol Vinyals。
他们长期在Google、Google Brain和Google DeepMind从事AI及大规模计算系统研究。公司官网称，团队的能力覆盖芯片、计算硬件、分布式基础设施、机器学习模型和产品开发整个技术栈。(探索环)
其中：
Jeff Dean长期参与Google核心搜索基础设施、分布式计算和人工智能体系建设，是Google Brain的共同创建者之一，并参与领导Gemini等大型AI项目。
Sanjay Ghemawat是大规模分布式系统领域的重要工程师，与Jeff Dean长期合作，参与Google File System、MapReduce、Bigtable和Spanner等基础设施的开发。
Quoc Le是Google Brain早期成员之一，研究方向包括神经网络、模型蒸馏、神经架构搜索、AutoML、序列模型和大型语言模型。
Oriol Vinyals在序列到序列学习、强化学习、AlphaStar、AlphaCode以及Gemini等项目中发挥过重要作用。
这支团队的特殊之处在于，他们不只是擅长训练AI模型，也拥有把研究原型扩展成超大规模计算系统的经验。对于需要运行成千上万次实验的Discovery Loop而言，这种“算法加基础设施”的组合非常关键。(探索环)
未来可能进入哪些领域？
在机器学习之外，Discovery Loop希望把自动实验循环扩展到：
- 芯片设计；
- 药物发现；
- 生物学研究；
- 新材料设计；
- 医疗信息学；
- 太阳能技术；
- 清洁水处理；
- 网络安全；
- 科研工具开发。
公司的基本判断是：只要一个科学或工程问题能够形成提出方案、执行试验、获得可测量结果、继续优化的闭环，就有可能被AI部分自动化。(探索环)
但不同领域的难度差异很大。机器学习实验可以完全在数据中心里完成，而药物、材料和生物研究往往需要机器人实验室、精密仪器、样品制备、质量控制和现实世界验证。因此，从“自动训练模型”扩展到“自动完成物理实验”，将是公司未来必须跨越的一道重要门槛。
融资与Alphabet的关系
Discovery Loop的首轮融资由Radical Ventures和Khosla Ventures联合领投，参与者还包括Lightspeed、Kleiner Perkins、Doerr Capital和Alphabet。公司目前没有公开融资金额和估值。(威尔逊·桑尼专业公司首页)
Alphabet不仅是创始投资者，还与Discovery Loop建立了云计算和算力合作关系。公开报道显示，Google将为其早期发展提供计算资源。对于一家需要大规模并行运行AI实验的公司而言，这种算力支持可能比普通财务投资更加重要。(WIRED)
这也说明Discovery Loop与Google并不是彻底分离或对立的关系。几位创始人离开Google创建独立公司，但双方仍保留投资、云服务和研究合作。
它将如何赚钱？
目前Discovery Loop尚未公布正式产品、价格体系或清晰的商业模式。
根据其技术路线，未来可能出现几种模式：
科研平台模式：向制药、材料、芯片和能源企业提供自动化科研平台。
项目合作模式：与企业共同解决具体研发问题，按照项目、成果或里程碑收费。
基础设施模式：把自动实验、模型评估和科研智能体能力做成云端服务。
自主研发模式：利用自己的系统发现新算法、材料或药物，再通过授权、专利或成立专项公司实现商业化。
以上是根据公司公开路线作出的推断，并非已经公布的商业计划。创始团队表示，未来既可能让小型科研团队使用其系统，也可能由公司自己运行研究闭环并商业化其中的发现。(WIRED)
它与一般“AI for Science”公司有什么不同？
许多AI科研公司专注于某一个垂直领域，例如蛋白质、药物、材料或者化学模拟。Discovery Loop的目标更加底层：它想构建一种通用的自动发现引擎。
它关心的不是某一种分子，而是如何自动完成“下一步该试什么”的决策过程；不是只预测实验结果，而是把提出假设、运行工具、分析结果和继续迭代连接成完整闭环。
从这个角度看，它更像是：
面向科学与工程研究的自动化操作系统。
这种通用路线一旦成功，应用范围可能非常广；但由于不同科学领域的数据、工具、实验规则和评价标准差异巨大，通用化也会比单一领域的AI产品困难得多。
当前阶段和总体判断
截至2026年8月6日，Discovery Loop仍处于非常早期的创业阶段。公司正在组建一支精干、线下协作的团队，尚未发布可供外部客户使用的产品，也没有公布实际实验结果、性能指标或商业客户。(探索环)
它目前最大的优势是创始团队：既懂最前沿的AI模型，也懂超大规模计算系统，还拥有Alphabet的算力支持和顶级风险投资机构的资金。
最大的风险则在于，它试图解决的是科学研究中最困难的问题之一——不仅让AI读论文、写报告或者推荐候选方案，而是真正让AI持续提出有价值的新想法，并通过可靠实验验证这些想法。
因此，对Discovery Loop比较准确的评价是：
这是一家阵容极其豪华、目标极其宏大的“AI自动科研”公司，但它现在仍主要是一套愿景和技术路线。其真正价值，需要通过未来发布的系统、实验成果以及实际科学发现来证明。