杰夫·迪恩离开谷歌后谈 Discovery Loop：让 AI 进入科学发现闭环

• 原文链接：https://mp.weixin.qq.com/s/c5Os7CVs-rvkU6jS1LYdug
• 作者：苏扬；受访者：杰夫·迪恩
• 发布时间：2026-08-19；获取时间：2026-08-20

核心结论（一句话）

AI 参与科学发现的可操作路径，是把数据、设计、实验、评估和算力调度做成可验证、可迭代且受成本约束的闭环，而不是把“递归自我改进”当成脱离实验系统的模型神话。

分类提炼

• 场景：AI 科研、模型研发、研究基础设施与双重用途治理。
• 标签： #主题/AI科研 #主题/递归自我改进 #主题/Discovery-Loop #主题/MoE #主题/AI安全
• 类型：人物访谈 / 技术路线判断 / 创业方向说明。

知识节点（8 个独立概念）

• 数量级信号：同时改善质量和计算成本的数量级增益，值得长期跟踪。
• 小而稳定的核心：核心框架保持少而稳，生态能力在其上扩展。
• 编码外溢：编码训练目标拆解、执行检查和失败迭代，能改善复杂推理。
• 研究闭环：假设、实验、评估与下一轮决策构成可反馈的研究单元。
• 实验压缩：缩短单轮实验时间能直接扩大可探索的假设空间。
• 实验调度：按预期价值与计算成本选择下一项实验，是研究自动化的控制面。
• 双重用途：安全能力会同时增强防御与攻击，不能只靠模型限制治理。
• 小团队聚焦：小团队的优势不是规模，而是减少目标与决策的分散。

关联图谱

上游（基于 / 来自）

• [[01-ai-agents/Lilian-Weng-Harness-Engineering-自我改进]]：把自我改进拆为工作流、评估与优化对象，避免只谈模型本身。
• [[02-ai-coding/Karpathy-autoresearch-从上下文工程到自主研究循环]]：用固定评分器、预算和账本展示一个受约束的研究循环。

下游（应用于 / 验证于）

• [[01-ai-agents/清华沈阳-自进化AI新物种]]：同样讨论 RSI；本文为其补上实验调度、成本和验证约束的技术视角。

同级（横向 / 并列）

• [[06-ai-tech/OpenMythos循环深度Transformer]]：都关注模型效率与循环机制，但一个是研究运营循环，一个是模型架构路线。

正文要点

• MoE 的思路是让大容量模型按 token 激活局部专家，迪恩将原文所述的约 10 倍改进视作长期技术价值的典型信号；其数值与对比口径未在本次编译中复核。
• TensorFlow 的教训是避免核心层过度膨胀和生态重复：研究者需要的是表达计算意图的稳定接口，而非大量相互竞争的实现路径。
• 从 Gemini 的经验看，多模态应从训练起点整合；编码能力的收益不限于写代码，它训练了规划、验证和重试。
• 递归自我改进已有神经架构搜索、进化搜索等前史。更可靠的表述是让 AI 优化研发的局部环节，并用实验反馈决定后续选择。
• Discovery Loop 的设想是把实验时间压缩并批量并行，同时按价值和成本调度算力；真正的瓶颈从“是否有模型”转为“能否构造可信的评估与实验系统”。
• 网络安全等双重用途领域不应只依赖技术限制，需同时配置法律、责任、监管与社会规则。

备注与限制

• 本页基于公众号二手访谈整理，不是 Discovery Loop 的技术白皮书或独立采访实录。
• 原文的 MoE 约 10 倍、Evolved Transformer 约 30%、实验从周到小时及团队规模，均为受访者或文章转述，未独立复现或核验。
• “科学发现速度发生数量级变化”是条件性愿景；需要在特定领域、指标、成本和安全约束下验证。