谷歌四将创建Discovery Loop自动科研工厂：AI自跑实验自寻答案
内容提要
谷歌前工程师创办Discovery Loop，旨在用AI自动化科研实验循环，将周期从年压缩至秒，覆盖材料、生物等领域。此举可能颠覆科研权力结构，使AI设计能力成为核心，但也面临高成本和现实数据鸿沟。文章认为这暴露了传统科研效率低下，科学正被资本和代码重塑。
延伸解读
科研效率的痛点
文章指出，传统科研流程以“年”为单位，大量时间耗费在重复劳动和试错上，如博士生读论文、设计实验、跑数据，效率低下。Discovery Loop 试图将实验循环压缩至“秒”，用AI接管整个流程，这直击科研效率低下的痛点。但需注意，这种自动化目前主要适用于可数字化的领域，对于涉及社会、经济因素的复杂问题，AI可能难以应对。
科研权力结构的潜在变革
Discovery Loop 可能重新定义科研的准入资格，使AI设计能力成为核心竞争力，而非传统领域的知识积累。这可能导致科研权力从拥有博士学位和基金的少数人，转移到精通AI系统的少数人手中。文章暗示，这种“知识解耦”可能带来科研主导权的转移，但同时也引发对科研方向控制权的担忧，例如AI可能提出不符合人类价值观的解决方案。
成本与数据鸿沟的挑战
尽管“自动实验循环”在材料科学等领域已有小规模验证，但大规模应用面临高昂成本，如GPU集群的电费。此外，AI只能处理已数字化的信息，对于“清洁用水”等涉及社会、经济因素的问题，AI的优化方案可能忽略现实中的复杂情况，如拆迁补偿。因此，Discovery Loop 的初期策略聚焦于机器学习领域，以降低成本和反馈周期，但长期来看，现实世界的复杂性仍是巨大挑战。
Q&A
Discovery Loop是什么？它的创始人和目标是什么？
Discovery Loop是由谷歌前工程师（如Jeff Dean、Sanjay Ghemawat）创办的公司，旨在通过AI自动化整个实验循环，包括阅读论文、提出假设、设计实验、运行模拟、分析结果并迭代，从而将科研周期从年压缩到秒，覆盖材料、生物等领域。
Discovery Loop如何实现自动化科研？它的核心机制是什么？
Discovery Loop的核心机制是“自动实验循环”，即让AI接管整个实验流程：AI自己看论文、自己提假设、自己设计实验、自己跑模拟、自己分析结果、然后自己推翻再来。这类似于机器学习中的自动实验循环，但应用于物理、化学、材料等更广泛的科学领域。
Discovery Loop对科研权力结构有什么潜在影响？
Discovery Loop可能颠覆科研权力结构，因为它降低了科研门槛，使一小部分人（甚至非科学家）也能完成以前需要整个国家科学院才能完成的研究。这会导致科研核心竞争力从领域知识积累转变为设计AI实验系统的能力，从而引发“知识解耦”和权力转移。
Discovery Loop面临的主要挑战有哪些？
主要挑战包括：高昂的成本（AI和科研结合需要天文数字的资金，如GPU集群和电费）；数据与现实之间的鸿沟（AI只能处理数字化信息，无法应对现实世界的不确定性，如社会、经济因素）；以及技术验证的难度（目前仅在机器学习领域成本较低，扩展到物理、化学等领域需要更多验证）。
Discovery Loop为什么选择先专注于机器学习研究？
因为机器学习领域的实验成本相对较低，反馈快，全是数据流，不需要物理实验设备。这就像先搞个虚拟宇宙，等跑通后再去改造物理宇宙，用软件行业的盈利逻辑撬动硬件行业的成本黑洞。
Discovery Loop与传统的科研方式有何不同？
传统科研流程以年为单位，依赖博士生的重复劳动和试错，效率低下；而Discovery Loop旨在将实验循环压缩到秒，让AI接管重复性工作，将科学家从“搬砖工”解放为“设计师”，从而大幅提升科研效率。
