Jeff Dean创办Discovery Loop探索AI递归自我改进

在Google工作27年后，曾参与MapReduce、Bigtable、TensorFlow、TPU和Gemini等项目的Jeff Dean选择创业，成立Discovery Loop，研究让AI自主提出实验、验证结果，并从历史研究中持续学习的系统。他在斯坦福大学HAI活动中首次较完整地介绍了公司的方向与进展。

Discovery Loop团队成员来自Gemini、DeepSeek、Kimi等模型项目，也有参与Go语言开发的研究者。公司成立前三周完成约400场面试，约10%成员曾获ACM计算奖，另约10%拥有国际信息学奥林匹克竞赛奖牌，团队刻意结合大规模系统工程经验与年轻研究人才。Jeff Dean还提到，自己过去管理过约600人的Google团队，负责Google Research和AI团队时规模一度达到约4400人。

公司已搭建Agent Harness，用于支持大规模智能体协作，目前运行约20个自动化改进循环，重点研究如何提高实验效率，以及如何利用历史结果指导后续工作。Jeff Dean设想，少数领域专家未来可以借助数以万计的AI Agent并行探索，让系统自动拆分问题、安排实验、整合结果并调整方向，目标是将专家生产力提升20至50倍。相比传统大型项目依赖多团队协调、实验结果难整合且方向难以及时调整，这种方式试图把更多组织工作交给自动化系统。

李飞飞与Jeff Dean随后讨论了递归自我改进（RSI）。Jeff Dean区分称，普通自我改进是围绕可测量目标，例如提升MRI图像识别准确率，自动尝试模型架构和训练方法；递归自我改进则要求系统进一步改进那个负责提出下一步改进方案的基础系统。两人指出，硅谷目前对RSI一词的使用较为宽泛，容易把不同技术概念混为一谈。

Jeff Dean表示，自动化确实能缩短实验反馈周期：实验在凌晨结束后，系统无需等研究人员次日到办公室，就能读取结果并决定下一步行动，还可能比各团队独立决策更好地协调大型项目。但模型训练、计算、数据保存、结果分析和复核都依赖真实硬件与物理时间，因此改进速度不可能无限增长。自动化能够加快科研迭代，却不意味着AI可以无止境地自我加速；过去从Gemini 1推进到Gemini 2，本质上仍依靠大量实际实验和工程整合。两人也将这一讨论延伸到AI解决长期数学难题后，科学家角色可能发生的变化。