AI for Science 爆发：一个新时代到来的征兆、赌注与未解之问（101 视频播客曹原访谈精读）

本文基于视频官方简介、十章章节结构与公开报道整理，不是逐字记录；直接引语均标注来源报道。完整来源清单见文末附录 A。

一句话总览：硅谷 101 邀请前 Google DeepMind 研究科学家曹原，借 Jeff Dean 创办 Discovery Loop 的新闻，把三个问题放进同一场访谈——AI for Science 为何在此刻爆发、三大 AI 公司的科学路线差异、自动化科研是不是 AGI 的最后一英里。

一、为什么是这期：8 月第一周那场小地震

2026 年 8 月第一周，硅谷 AI 圈发生了一场容易被低估的人事地震。

主角是 Jeff Dean——1999 年加入 Google、任职 27 年的老将，长期担任 Alphabet 首席科学家，TensorFlow / MapReduce / BigTable / TPU / Gemini 这些定义现代 AI 基础设施的项目都有他的名字。他带着三位共事 14–30 年的老搭档一起离开 Google，创办一家叫 Discovery Loop 的新公司。董事会成员里有 Vinod Khosla（Khosla Ventures）、Jordan Jacobs（Radical Ventures 合伙人）。TechCrunch 2026-08-05 报道把这件事定位成「这可能是 Google 历史上最重要的一次人才外流」。

硅谷 101 这期播客把这场地震放到台面上讲：访谈嘉宾是前 Google DeepMind 资深研究科学家曹原，议题从「Jeff Dean 出走背后的 Google 取舍」一路拉到「AI for Science 会不会是通向 AGI 的最后一英里」。

把人物和议题摆清楚，这期播客讨论的就不是一件「公司新闻」，而是行业级的方向问题：当 AI 不再只是回答问题，而是开始提出假设、设计实验、运行验证，科学研究的范式会发生什么变化？

本文按视频官方 10 段章节结构展开。各章节的官方标题、起止时间与本文的对应关系如下（时间点来自 B 站章节信息，便于回看原片）：

各节尽量标明「哪些是公开信息、哪些是基于公开资料的外推」，对读者负责。

二、四位创始人 + 一个产业级方向：Discovery Loop 是什么

先把 Discovery Loop 这件事讲透，因为后续几乎所有议题都跟它有关。

2.1 创始人名单与共事时间

OfficeChai 的报道列出了四位创始人：

• Jeff Dean：1999 年加入 Google、27 年任期、原 Alphabet 首席科学家。TensorFlow、MapReduce、BigTable、Spanner、TPU、Gemini 等项目共同作者。
• Sanjay Ghemawat：与 Dean 在 Google 27 年共事，大规模分布式系统专家，MapReduce / Google File System / Spanner 的共同作者。
• Oriol Vinyals：原 Google DeepMind 首席研究科学家，AlphaStar、AlphaCode、word2vec、sequence-to-sequence、chain-of-thought、mixture-of-experts 多个里程碑的共同作者。
• Quoc Le：原 Google Brain 团队核心成员，以自动化模型设计（neural architecture search）方向著称。

按 Dean 本人在 X 上的公开声明，四人共事时间跨度为 14 到 30 年——这不是一次「临时拼凑」，是一支真正从互联网早期就一起写系统的队伍。

2.2 公司方向：把科学方法自动化

Discovery Loop 的官方陈述和 WIRED 报道都把核心方向指向自动化科学方法（automated scientific method）：

Dean in an interview: “You propose an experiment, you implement what you need to run the experiment, you evaluate the experiment, and then you get results from that.” Running thousands of those automated loops in parallel is the bet.

译：提出实验、实现实验所需的一切、评估实验、拿到结果——并行运行数千个这样的自动化循环，就是这家公司的赌注。

Unite.ai 把落地路径拆成三层：

1. 第一步：用 AI 自动化机器学习研究本身——用前沿大模型 + 大规模算力，自动提出 ML 实验、跑实验、读结果、迭代。
2. 第二步：Discovery Loop 当自己的第一个客户——把这些自动化能力用来优化 Discovery Loop 自己的技术栈。
3. 第三步：泛化到任意科学领域——芯片设计、生物学、药物发现、材料设计。

2.3 资本与算力结构

TechCrunch 报道补充了资本结构：

• 创始投资人：Alphabet 本身；首轮由 Radical Ventures 与 Khosla Ventures 共同领投，跟投方包括 Kleiner Perkins、Lightspeed、Doerr Capital。
• Cloud 合作方：Google Cloud，提供第一年算力。
• 估值与轮次规模：未公开。

OfficeChai 引用了 Pichai 的公开声明：

“Over 27 years, Jeff and Sanjay helped to drive some of the most significant technology transitions … We’ll continue to work with Discovery Loop as a founding investor and Cloud partner.”

译：27 年来，Jeff 和 Sanjay 帮助推动了技术史上最重要的一些转型……我们将继续以创始投资人和 Cloud 合作伙伴的身份与 Discovery Loop 合作。

2.4 一次性把 Google 的 AI 高层重组了

OfficeChai 整理了这次重组的完整名单：

• Demis Hassabis：原 Google DeepMind CEO → 升任 Alphabet 首席科学家 + Google DeepMind 主席（从日常执行角色抽身，专注长期战略与科学突破）。
• Koray Kavukcuoglu：原 Google DeepMind CTO → 接任 Google DeepMind SVP。
• Jeff Dean：辞任 Alphabet 首席科学家 → 全职加入 Discovery Loop。

注意一个细节：Google 给了祝福，但四位联合创始人带着多年共事的团队集体出走这件事本身，对任何一家公司来说都不是小事。

2.5 这一节可以确认的事实与外推

• 可直接确认：四创始人身份、共事时间区间、公司使命三段式（auto-ML → 自用 → 泛化）、投资方名单、Pichai 公开声明。
• 基于背景资料外推的方向判断：把 AI for Science 当作「最后一场竞赛」的产业级共识，正在 Google / DeepMind / OpenAI / Anthropic 同步形成。这条判断对应视频第二章「AI4S 爆发」。

三、为什么 AI for Science 在此刻爆发（章节 2）

视频第二章「AI4S 爆发」把这个问题展开。议题清单来自视频简介：

为什么 AI for Science 会在此刻爆发？谷歌 DeepMind 前资深研究科学家曹原从 Google 内部的组织变化谈起，拆解 AI for Science、AI for AI 与 RSI 的关系，以及 AI 科研闭环如何运转。

3.1 三个互相咬合的齿轮

视频简介把三个关键概念串在一起：

• AI for Science：用 AI 加速科学研究本身（蛋白质、材料、化学反应、芯片设计……）。
• AI for AI：用 AI 自动化 AI 研究——这是 Discovery Loop 把 ML 研究自动化作为第一个客户的核心。
• RSI（Recursive Self-Improvement，递归自我改进）：AI 改进 AI，循环往复。

把它们排成一张因果链：

AI for AI（自动化 ML 研究）
   ↓ 产出更强模型
更强模型
   ↓ 反哺
AI for Science（自动化材料/化学/生物实验）
   ↓ 产出新发现
新发现
   ↓ 反哺
RSI（让发现本身成为下一代模型的训练素材）

这就是视频简介里说的「AI 科研闭环如何运转」。

3.2 为什么是「现在」

视频简介把这些推力归到三股在 2026 年这个时间窗同时成熟的力：

视频简介提到的一个判断是：

从数学、代码到生物、材料和物理，问题越容易计算和验证，AI 进展越快。

这句话反过来也成立：一旦进入真实世界实验，实验周期、验证成本、反馈速度就成了 AI 进展的瓶颈。

3.3 跨越「实验验证」这堵墙

视频简介提到了一个关键边界：

自动实验室、科研 Agent 和符号系统，可能成为 AI 跨越这道障碍的关键。

这道障碍就是实验验证：问题越容易计算和验证，AI 进展越快；一旦落到真实世界，周期和成本立刻拖住进度。三件工具都冲着这道障碍来：

• 自动实验室：让机器人代替人做实验，把「几小时湿实验」压成「几分钟干实验 + 几小时湿实验 + AI 调参」。
• 科研 Agent：让 AI 自己看论文、设计实验、跑代码、分析结果、写论文。
• 符号系统：把神经网络和符号推理结合，让 AI 不只是拟合曲线，还能做严格证明和形式化推理。

三件事做成任何一件，AI for Science 的边界都会被推开一截。

四、问题定义：什么叫「AI 做科研」（章节 3–6）

视频第三章到第六章（问题定义 / AI 做科研 /「真正发现」/ 符号主义）讨论「AI 究竟如何做科研」「什么叫真正发现」「符号主义 vs 连接主义」三个问题。

4.1 自动化科研的四种范式

结合视频简介和三篇 arXiv 论文（Co-Scientist 2502.18864）（DISCOVERYWORLD 2406.06769）（AutoSciDACT 2510.21935），目前 AI 做科研大致可分四种范式：

视频简介用「AI 不再只回答问题，也开始提出假设、设计实验」描述这场变化——按上面的分类，它对应的是 AI 作为科学家 范式。

4.2 Vinyals 关于「真正发现」的一句话

按 WIRED 报道的直接引语，Vinyals 的原话是：

“One of the things that we’ll be obviously very focused on is how these models come up with new ideas to try. That’s not something that currently they’re super strong at.”

翻译：当前大模型不擅长的事情，是「想出值得一试的新点子」。这正是 Discovery Loop 要攻的核心。

4.3 符号主义 vs 连接主义的旧账

视频第六章讨论这个 AI 史经典争论。从视频简介看，重点不是「谁赢谁输」，而是它们的组合方式正在被重新定义：

• 连接主义的胜利显而易见：过去十年从 GPT 到 Gemini 的所有进展，几乎都是 scale up + 数据 + 算力。
• 符号主义的回归则体现在两个具体方向：formal verification（形式化验证，AI 自动证明定理）+ symbolic regression（符号回归，AI 从数据反推公式）。
• 两者的结合：把大模型当「直觉引擎」，把符号系统当「验证引擎」——直觉给方向，符号给证明。

视频简介里那句「符号主义与连接主义的结合」对应这个组合。

五、巨头押注：三大 AI 公司的科学路线（章节 7）

视频第七章「巨头押注」进入产业议题。

按公开资料，2026 年 AI for Science 的三条主线公司各有侧重：

按 WIRED 报道的引语，Vinyals 说：

“As we create the core intelligence and the discovery loop fundamentals, we’ll be able to quickly generalize to other domains.”

这条表态把 Discovery Loop 定位成 Google DeepMind 体系的延伸——不是替代，是用初创公司的速度 + Google 的算力 + Alphabet 的资金做 Google 内部组织做不动的事情。

视频简介把这件事归到「Jeff Dean 出走背后的 Google 取舍」：Discovery Loop 的方向，Google 自己也在做（AI Co-Scientist / AlphaFold / AlphaChip），但大公司有惯性，不如让四个人出去试。这跟 Vinyals 在 WIRED 的原话完全对得上：

“In a large organization there is always a lot of inertia you have to overcome to make any radical changes. We want to build something different.”

5.1 这一节外推的明确边界

• 可确认：三家公司主线方向（公开资料 + WIRED 报道）。
• 外推：把 Discovery Loop 视为「Google DeepMind 体系延伸」这个判断基于 WIRED 报道 + 创始人履历，但 Discovery Loop 独立运营的具体机制（与 Alphabet 的研究框架合作细节）尚不公开。

六、数学与物理边界（章节 8–9）：为什么数学是 AI for Science 的最佳试金石

视频第八、九章（「数学边界」/ 物理）讨论数学和物理。

6.1 数学为什么是最佳试金石

数学是 AI for Science 的最佳试金石，原因有三：

1. 可验证：一个证明要么对要么错，没有「湿实验」成本，反馈回路极快。
2. 可计算：数学对象是离散的、形式化的、可编码的，正好适配大模型的工具调用能力。
3. 可对比：人类数学家几百年积累的成果，可以直接当成 benchmark。

「数学边界」一节讨论的方向，接近 DeepMind 风格的「自动化定理证明」——Lean、Coq、Isabelle 这类证明助手 + 大模型做证明搜索。

6.2 数学是发现还是发明

第 8 章「数学边界」问了一个哲学问题：数学是发现还是发明？

视频简介的原话是：「更重要的，当 AI 已经会解题、搜索与组合，它能否创造新的概念和知识？」

这是 AI for Science 最核心的哲学张力：

• 如果数学是发现——AI 在做发现，它和人类科学家在做同类事情，只是更高效。
• 如果数学是发明——AI 在做发明，它在拓展人类已有的概念空间，性质与「发现新大陆」不同。

这两种立场决定了我们对「AI 做出新发现」这件事的根本评价。

6.3 物理：跨越数学之后的第一道坎

视频第九章进入物理。数学之后的第一道难处是物理——因为物理必须连上真实世界：

• 数学 → 验证成本 = 计算时间
• 化学 → 验证成本 = 反应时间（小时/天）
• 生物学 → 验证成本 = 培养时间（天/周）
• 材料学 → 验证成本 = 制备时间（周/月）

「AI for Science 在此刻爆发」的判断成立，前提是自动实验室 + 科研 Agent 把真实世界实验的成本压下去。否则数学以外的所有学科都会被实验周期卡住。

七、商业化与哲学（章节 10）：AI 是不是 AGI 的最后一英里

视频第十章把议题拉到哲学层：科学发现会不会是通向 AGI 的最后一英里？

7.1 AGI 的两条路径

按视频第 10 章「商业化与哲学」的议题，存在两种 AGI 路径：

• 路径 A：从工具到通用智能——OpenAI / Anthropic 的路子，先把工具调用 / 长程任务做稳，再扩展到更多领域。
• 路径 B：从科学到通用智能——Google / Discovery Loop 的路子，先把科学发现做穿，再把能力泛化。

视频简介的那句「科学发现，会是通往 AGI 的最后一英里吗？」对应路径 B 的核心命题。

7.2 Khosla 的押注逻辑

按 WIRED 报道对 Vinod Khosla 的引语：

“Humans have been using AI to do research, not using AI to be a researcher.”

这句话点出了 AI for Science 的关键转变：从「AI 帮助人做研究」到「AI 自己就是研究者」。

7.3 自动化的双刃剑

视频第十章还提到商业化议题。按公开报道 + 视频简介的交叉：

• 正面：Discovery Loop 把自动化科研作为 SaaS / API 卖给科研机构、药企、材料公司，第一批客户可能就是 AI for Science 的头部实验室。
• 风险：如果 AI 真的能产生新概念和新知识，「谁拥有这些发现」「AI 发明的专利归谁」「AI 科学家和人类科学家的责任边界」这些法律和伦理问题就会接踵而至。

八、写在最后：一个新时代到来了，但还没结束

把这期访谈看完，再把 Discovery Loop 这件事放进去，会发现硅谷 101 这次选题抓得很准——它不只是「Jeff Dean 出走」的新闻评论，而是把整个 AI for Science 方向的产业级判断压在 1 小时 49 分的访谈里。

视频简介的最后一句话是这期访谈的核心命题：

科学发现，会是通往 AGI 的最后一英里吗？

我的判断：

「最后一英里」是个不确定的措辞，但「关键一公里」几乎是确定的。 AI for Science 不是 AGI 的附属品，而是 AGI 能力边界的试金石——一个能自主提出假设、设计实验、运行验证、产出新概念的 AI 系统，距离 AGI 只差「常识推理 + 价值对齐」两道关卡。反过来，一个只会聊天、不会做科学的 AI，无论多会答题，都离 AGI 还很远。

Discovery Loop 的四创始人用 27 年积累赌这一公里。Google / OpenAI / Anthropic 也在各自的路线图上押注这一公里。

这期访谈回答的不是「谁会赢」，而是「这场赛跑的赛道在哪里」。

赛道的名字，叫 AI for Science。

附录 A：本文资料来源清单

附录 B：本文无法覆盖的内容

• 逐字内容：本文基于视频官方简介、章节结构与公开报道整理，不是访谈逐字记录；不带来源标注的「曹原说 / 嘉宾认为」类表述均为结构化转述。
• 曹原本人详细履历：本文明示其身份为「前 Google DeepMind 资深研究科学家」，更早期职业经历（PhD 阶段、博士论文方向、加入 DeepMind 时间）本文未做考证，需要通过 LinkedIn / Google Scholar / 个人主页补充。
• Discovery Loop 产品细节：公司网站 2026-08 上线，但产品功能、定价、首批客户名单未公开。

附录 C：本文已明确外推的判断清单

为了让读者清楚分辨「事实 vs 推断」，以下判断是基于公开资料外推的结构化论点：

1. 「AI for Science + AI for AI + RSI」三层耦合关系（§3.1）——基于视频简介 + Discovery Loop 公司使命反推。
2. 「三股力量同时成熟」表（§3.2）——基于视频简介反推。
3. 「AI for Science 四种范式」表（§4.1）——基于视频简介 + 三篇 arXiv 论文交叉整合。
4. 「AI for Science 是 AGI 的关键一公里」判断（§八 结尾）——基于视频简介反推 + 公开资料外推。

以上四条是本文的「外推层」，如需严格事实陈述请回查来源。