Jeff Dean 离开谷歌：四位 AI 大佬创办 Discovery Loop，目标是把科学方法自动化

August 6, 2026 • 8 min read

今天早上（2026-08-06），谷歌 AI 圈发生了一次真正的地震：Jeff Dean 在 Google 工作 27 年后正式离开，与三位 DeepMind/Google 顶级研究员共同创办新公司 Discovery Loop。同日，Demis Hassabis 也卸任 DeepMind CEO 的日常职务——谷歌 AI 的两位标志性人物同一天退场。

这不是又一个”大佬离职创业”的普通新闻。这是 MapReduce、Bigtable、TensorFlow、TPU 的作者组合，把赌注押在了同一个方向上：把科学方法本身自动化。

创始团队：三个时代的拼图

创始人 原职 代表作
Jeff Dean Google DeepMind 首席科学家 MapReduce、Bigtable、TensorFlow、TPU、Google Brain
Sanjay Ghemawat Google Fellow GFS、MapReduce、Bigtable（与 Dean 合作 20+ 年）
Oriol Vinyals DeepMind 研究副总裁 Seq2Seq、Pointer Networks、AlphaStar、Gemini
Quoc Le DeepMind 杰出科学家 AutoML、NAS、EfficientNet、ViT、PaLM/Gemini

Dean + Ghemawat 是计算史上最高产的工程搭档之一——GFS/MapReduce/Bigtable 定义了现代分布式计算，间接孵化出 Hadoop、Spark、Cassandra、HBase 整个生态。Vinyals 代表前沿模型与强化学习时代，Quoc Le 代表 AutoML 与模型设计时代。

这四个人拼起来，恰好是 AI 全栈：

分布式计算（Ghemawat）
   ↓
训练基础设施（Dean）
   ↓
基础模型（Vinyals）
   ↓
AutoML/模型设计（Quoc Le）
   ↓
科学发现（Discovery Loop）

Discovery Loop 要做什么

核心理念是一个自动化的”发现循环”：

  1. 生成科学假设
  2. 设计实验
  3. 执行/编排实验
  4. 分析结果
  5. 自动迭代

目标领域：生物、医学、芯片设计、材料科学、以及机器学习本身。公司注册为公共利益公司（Public Benefit Corporation），由 Khosla Ventures 与 Radical Ventures 领投，谷歌既是创始投资人、又承诺提供第一年的算力——这个安排相当罕见，说明双方都清楚：这四个人出来单干，与其对抗，不如入股。

公司第一个客户就是自己：先用自己的技术改进 AI 系统，再推向科研市场。

更大的背景：谷歌 AI 领导层地震

同一天，Demis Hassabis 卸任 DeepMind CEO 日常职务（Axios、CNBC、Reuters 均有报道），Alphabet 股价当日下跌约 5%（Investing.com）。WSJ 的标题更直白：”Google Overhauls AI Leadership as Longtime Chief Scientist Joins Wave of Exits”——人才外流潮。

这释放了一个信号：谷歌 AI 的组织重心正在从”研究驱动”转向”产品/Gemini 商业化驱动”，而最顶尖的研究人才选择用脚投票，去追逐下一个十年的范式——科学发现自动化。

AI for Science：三代演进

把视野拉远，AI for Science 正在从第二代走向第三代：

  • 第一代（预测工具）：AlphaFold——2021 年蛋白质结构预测，如今 2 亿+ 结构公开
  • 第二代（设计工具）：GNoME、RFdiffusion、MatterGen——设计分子与材料
  • 第三代（自主科学家）：Discovery Loop、FutureHouse、Lila Sciences——假设→实验→学习的闭环

学术界的分布：生物最成熟（AlphaFold 已从论文变成基础设施）、材料最热（”生成 1000 万候选 → ML 筛选 → DFT 模拟 → 机器人合成 → 表征 → 模型更新”的流水线已跑通）、化学与物理次之、数学在靠 AlphaGeometry/AlphaProof 探路。

产业端四大垂直：药物发现（最成熟：Isomorphic、Recursion、Xaira）、材料（Microsoft AI for Science、Orbital）、自主实验室（可能是定义性的基础设施层）、科学智能体（最新浪潮）。

瓶颈很清晰：科学数据稀疏昂贵、实验周期以天/月计、需要因果而非相关性、不确定性量化不足、机器人实验集成困难。

对芯片设计意味着什么

这是与我们最相关的一条线。Discovery Loop 把 芯片设计明确列为目标领域——而这是第一次有 TPU 架构师 + GFS 作者这种量级的团队，公开把”自动化设计循环”作为公司使命。

对 EDA 和芯片后端工程师，我的判断是：

  1. RTL 生成只是开始。上一波 LLM 热潮里，Kimi K3 展示了 48 小时”设计”一颗芯片。但 Discovery Loop 的野心不是生成代码，而是把假设→综合/布局布线实验→PPA 分析→迭代这个循环闭环。这正好落在 EDA ML（Synopsys、Cadence、Siemens 的 DSO.ai / Cerebrus 路线）的延长线上。

  2. 后端物理设计是 AI 最难啃、也最值钱的部分。时序收敛、PDN/IR drop、热、DFM 这些问题的核心是物理直觉与海量仿真数据——正是”发现循环”适合的领域，也恰恰是纯文本训练学不到的部分（硅的工艺特性、3nm 线延迟、库特征化）。短期内 AI 会是”生成方案 → 工程师裁决 → 迭代”的副驾驶，而不是取代。

  3. 职业信号：当构建 TPU 基础设施的人开始押注自动化设计循环，说明这个方向的技术验证期不远了。对后端工程师，最稳的策略依然是守住物理直觉这个不变的核心，同时学会把”发现循环”当工具——这与我们之前聊的 AI ASIC 转型路径一脉相承。

我的判断

如果 2023-2025 是对话式 AI 的时代，2026-2035 很可能属于AI 驱动的科学发现。真正能创造长期价值的公司，不是把聊天界面做得更好的那批，而是能在生物、化学、材料、半导体设计里反复产出可验证突破的那批。

Discovery Loop 的四人组合——分布式系统 + 训练基础设施 + 前沿模型 + AutoML——是迄今为止离开大厂的最强”梦之队”之一。谷歌选择以投资人和算力供应商的身份留在牌桌上，本身就是对这个方向最有力的背书。

对芯片行业的人来说，值得记住今天这个日期：当”自动化科学方法”成为一家公司使命的那一天，芯片设计第一次被放进了同一个括号里。

参考来源

  • ChatGPT 分享对话（创始人梳理 + AI for Science 全景）：chatgpt.com/share/6a73d114
  • WIRED — “4 of Google’s Top AI Brains Are Leaving—and Launching Their Own AI Startup”（Steven Levy）
  • NYT — “Four Top Google A.I. Researchers Form New Start-Up”（Cade Metz）
  • WSJ — “Google Overhauls AI Leadership as Longtime Chief Scientist Joins Wave of Exits”
  • CNBC / Reuters / Axios — Hassabis 卸任 DeepMind CEO、Dean 离职报道
  • Google News 聚合：news.google.com 搜索 “Discovery Loop” Jeff Dean

— Youmoo（㕛木）

Solid as teak.