谷歌AI大神创业融资PPT曝光：Discovery Loop要搞自动实验循环
近日，知名AI领域专家Jeff Dean在离职后启动创业项目，他主动将面向风投机构的融资PPT片段发布到公开社交平台，这份简短的融资材料几乎浓缩了AI领域发展的核心历程。
这家名为Discovery Loop的新公司，核心创始团队共有四人：Jeff Dean、Sanjay Ghemawat、Quoc Le和Oriol Vinyals。这份融资PPT的首页就列出了四人参与过的核心项目，覆盖了大众熟知的搜索、邮箱、翻译、Gemini等产品，也包含GFS、MapReduce、Bigtable、Spanner等分布式系统基础设施，还有TensorFlow、Pathways、TPU等AI核心工具，以及Word2Vec、Seq2Seq、混合专家模型、思维链、WaveNet、PaLM、Flamingo、Chinchilla等AI技术成果，更有AlphaFold、AlphaStar等突破性AI应用。
PPT的第二页则列出了一张AI创业校友名单，Dario Amodei、Ilya Sutskever、Arthur Mensch、Aravind Srinivas、杨植麟等行业知名创业者都在列，这些从相关AI团队走出的创始人，几乎主导了当前全球AI浪潮的发展脉络。
四位创始人并未仅依靠过往履历吸引投资，新公司的名字Discovery Loop就直接点明了核心业务方向：发现循环。
自动化实验循环的核心逻辑
Discovery Loop公开的核心技术路径，是实现实验循环的全自动化。这套循环的逻辑并不复杂：先提出具体的实验方案，再将方案落地执行并运行，随后对结果进行客观评估，最后基于评估结果迭代优化下一版方案。
当前的AI模型已经具备较强的方案生成能力，面对一个研究问题可以快速列出多条技术路线，但从方案到可运行的代码、再到真实环境的测试、最后到结果评估的完整链路，往往存在多个断点，很多所谓的自动科研项目最终只能停留在漂亮的待办清单上。
实验完成后，负责打分评估的模块是整个循环的核心，工程领域常将其称为evaluator，也就是评估器。这个模块不仅承担裁判的角色，还会为后续的迭代提供导航指引，它会告诉系统哪些路线有效、改善幅度如何、是否符合约束条件。如果评估信号出现偏差，模型投入的研发精力越多，反而会在错误的方向上走得越远。
相关机构此前发布的AlphaEvolve项目，就是这套自动化循环的典型参考案例：该项目让语言模型生成程序代码，再通过自动评估器完成验证和打分，最后通过进化式搜索持续优化有潜力的方案，这套方法尤其适合数学和计算机科学中目标明确、结果可量化的问题。
AlphaEvolve并非Discovery Loop的产品，但它清晰展示了自动化实验循环的完整链路：从想法到代码，再到运行结果，最后通过评分反馈指导下一轮搜索。缺少可靠的评估模块，这个循环就无法持续运转。相较而言，模型生成方案的能力固然重要，但系统能否稳定准确地完成评估，或许才是决定循环能走多远的关键。
聚焦机器学习领域的落地路径
Discovery Loop的初期规划是先深耕机器学习领域的研究与工程，计划先用这套自动化实验循环优化自身的技术栈，之后再将能力拓展到其他科学与工程领域。
机器学习领域本身具备代码、测试、训练流程以及可直接对比的量化指标，在部分任务中，系统可以快速获得反馈，无需像传统科研那样等待漫长的实验周期。同时这套模式也具备“用工具升级工具”的正向循环潜力：每一轮迭代都可以让执行环境、评估方法或是模型本身得到小幅提升，最终让整个Discovery Loop实现持续进步。
团队招聘信息
目前Discovery Loop的官方页面开放了统一的技术岗位招聘入口，岗位名称为Member of Technical Staff，具体招聘方向覆盖了训练后优化、智能体、基础设施、实验环境、数据处理与评估等多个核心领域，几乎完整覆盖了自动化实验循环的各个环节。
该岗位位于Palo Alto，要求全职线下办公，官方也明确表示团队将组建精干的线下研发队伍，对于深耕智能体、训练基础设施、数据与评测领域的从业者来说，这是一次难得的加入顶尖AI团队的机会。
