一场震动硅谷的"AI大换防"
2026年8月初，硅谷的AI圈被一条消息炸开了锅：Google CEO Sundar Pichai宣布对AI领导层进行一次规模罕见的重组。这不仅仅是一次普通的人事调整，而是Google成立二十多年来在AI领域最深层的权力与路线重塑。Demis Hassabis从一线运营退居二线，转任Google DeepMind主席和Alphabet首席科学家；而更令人震惊的是，Google最具影响力的四位研究员——Jeff Dean、Sanjay Ghemawat、Oriol Vinyals、Quoc Le——集体离职，创办了一家名为Discovery Loop的公共利益公司。
这件事之所以值得深究，不在于"谁走了、谁留下了"，而在于它折射出的行业深层信号：当大厂的官僚化与"季度交付"压力，撞上一批想做"完整自动化科学发现"的理想主义研究员时，裂痕不可避免地出现了。本文将从Google AI的发展脉络讲起，剖析这次重组的来龙去脉，并深度拆解Discovery Loop的技术愿景、融资逻辑与潜在风险。
Google AI发展简史：从收购DeepMind到双团队合并
要理解今天的震荡，必须先回看Google AI的演进路径。Google的AI版图并非一日建成，而是经历了多次"并购、内耗、合并"的螺旋式发展。
2014年：5亿美元收购DeepMind
2014年1月，Google以约5亿美元收购了当时仅有几十人的伦敦初创公司DeepMind。这笔交易在当时被不少人视为"天价赌注"，但Hassabis团队展现出的AlphaGo潜力，让Larry Page下定了决心。收购后，DeepMind保留了相当大的独立性——独立的品牌、独立的文化、甚至独立的伦敦办公区，这为日后"两个AI团队"的格局埋下了伏笔。
Brain与DeepMind的长期"双轨制"
收购之后的近十年里，Google内部实际上并行运转着两支AI队伍：一支是位于加州的Google Brain（以Jeff Dean、Sanjay Ghemawat、Quoc Le为代表），另一支是伦敦的DeepMind（以Hassabis、Kavukcuoglu为代表）。Brain更偏向工程化与产品落地，贡献了TensorFlow、Transformer架构的重要奠基工作（如"Attention Is All You Need"的作者中有多位与Google相关）；DeepMind则更偏向"科学突破"，产出了AlphaGo、AlphaFold、AlphaStar等里程碑式成果。
这种双轨制在算力充裕、目标分散的年代尚能相安无事，但当生成式AI在2022年底爆发后，问题开始显现：两支团队在某些方向上重复造轮子，资源协调成本高企，对外难以形成统一的"Gemini"叙事。
2023年：Brain与DeepMind历史性合并
2023年4月，Google宣布将Brain与DeepMind合并为Google DeepMind，由Hassabis统一执掌。这是Google AI历史上最大规模的组织整合，目的是集中火力对抗OpenAI与Anthropic。合并后，Jeff Dean被任命为Google Research与Google DeepMind的首席科学家，名义上参与跨团队的技术方向协调。
合并初期确实带来了效率提升，Gemini系列模型快速迭代。但合并也意味着"两种文化"被强行揉进一个屋檐，伦敦的"科学至上"与加州的"工程交付"之间的张力始终没有真正消解。三年后的今天，这股张力终于以人事地震的形式爆发出来。
领导层重组详解：谁走、谁留、谁升
Hassabis的新角色：从操盘手到"AGI战略家"
根据重组方案，Demis Hassabis将卸任Google DeepMind的日常运营领导权，转任Google DeepMind主席（Chairman）和Alphabet首席科学家。表面上这是一次"高升"，实质上更接近"半退休式转向"。新角色让他能专注两件事：
这种安排的好处是显而易见的：Hassabis这类"科学家型领袖"在需要长周期、高风险的科学探索上才能发挥最大价值，而把他绑在日常运营和产品交付上，反而是对人才的浪费。但风险同样存在——"主席"这类虚化头衔在企业里往往意味着"逐步淡出"，Hassabis是否真能在Alphabet体系内维持足够的影响力，仍需观察。
Koray Kavukcuoglu接任：稳健派扛起运营大旗
接替Hassabis运营领导权的是Koray Kavukcuoglu。他是DeepMind的资深研究员，长期深耕强化学习与模型研究，技术口碑扎实，风格稳健。他将同时负责模型、研究和Gemini产品团队——这意味着Google把"技术"与"产品"两条线都压在了他肩上。
Kavukcuoglu面临的挑战不小：
Kavukcuoglu是那种"闷头把事情做对"的人，这类领袖在动荡期往往比明星型领袖更能稳住阵脚。Google选择他，传递的信号是：先把Gemini这条产品线稳下来，再谈未来。
Discovery Loop：四位顶级研究员的"科学自动化"豪赌
这次重组中最具戏剧性的，是Jeff Dean等四人集体离职创办Discovery Loop。这是一家注册为"公共利益公司"（Public Benefit Corporation）的实体，定位是自动化完整的科学实验周期。
四位创始人：Google AI的"半壁江山"
要理解Discovery Loop的分量，必须先看这四位创始人的背景。他们几乎涵盖了Google AI在不同方向上的核心人物：
| 创始人 | 在Google年限 | 代表贡献 | 技术风格 |
|--------|-------------|---------|---------|
| Jeff Dean | 27年 | MapReduce、BigTable、TensorFlow、Gemini | 系统级工程与大规模基础设施 |
| Sanjay Ghemawat | 约25年 | 与Jeff Dean搭档的分布式系统奠基人 | 高性能系统与底层工程 |
| Oriol Vinyals | 13年 | Sequence-to-sequence学习、AlphaStar、Gemini | 强化学习与游戏AI |
| Quoc Le | 约15年 | Seq2Seq、文档理解、神经网络架构 | 深度学习架构与表示学习 |
Jeff Dean在Google工作了整整27年，是公司公认的"传奇工程师"，几乎每一代核心基础设施都有他的 fingerprints。8月6日是他的最后一个工作日，这个时间点本身就成了一个标志性时刻。Sanjay Ghemawat是Jeff Dean长达二十多年的"黄金搭档"，两人合写的MapReduce论文定义了大数据时代。Oriol Vinyals参与过sequence-to-sequence学习、AlphaStar（星际争霸AI）、Gemini等多个里程碑项目，在Google工作13年。Quoc Le则在序列建模与神经网络架构上有深厚积累。
四个人凑在一起，等于把Google在"系统、架构、强化学习、表示学习"四个维度的顶尖经验打包带走了。这种"组团出走"在硅谷并不多见，也难怪会引发"Google AI是否在流失核心"的担忧。
技术愿景：让Agent完成完整的实验循环
Discovery Loop的核心愿景，是让AI Agent能够自主完成一个完整的实验周期。具体来说，一个理想的自动化研究循环应该包含以下环节：
他们选择从"机器学习研究"本身切入——即让AI做"关于AI的研究"。这是一个聪明的起点：ML实验高度可自动化（代码即实验），反馈信号清晰（loss、accuracy等指标），且算力可以规模化。Prime Intellect近期展示的Prime Agent已经为这条路做了预演：它使用Anthropic的Opus 5，在ARC-AGI-3基准上拿到了95.5%的分数，还从零构建了SEGA Genesis和Game Boy Color模拟器。这说明"Agent自主完成复杂工程任务"已经从科幻走向可演示的现实。
融资与利益安排：Google既投又给算力
Discovery Loop的融资结构同样耐人寻味。种子轮由Radical Ventures和Khosla Ventures领投，Lightspeed、Kleiner Perkins、Doerr Capital以及Alphabet参投。换言之，Google（通过Alphabet）既是"送走"他们的人，又是"投资"他们的人。
更关键的是，Google将保留Discovery Loop的股份，并为其提供第一年的计算资源。这种安排有几个好处：
Vinod Khosla公开表示，Discovery Loop的潜在影响可以匹敌他2018年对OpenAI的那笔投资。考虑到OpenAI后来的行业地位，这无疑是一个分量极重的背书。
自动化科学研究：前景诱人，风险同样真实
Discovery Loop押注的方向——自动化科学研究——是当前AI最激动人心、也最具争议的赛道之一。我们有必要冷静地拆解它的前景与风险。
前景：把"科学家产能"提升几个数量级
人类科学家的瓶颈在于：一个人能同时跟踪的假设数量有限，能亲手运行的实验数量更有限。而Agent理论上可以7×24小时不间断地生成假设、调度实验、分析结果。如果这套循环跑通，意味着：
在ML研究这样的"高自动化友好"领域，这种模式很可能率先开花结果。
风险：从"幻觉假设"到"自我强化陷阱"
但乐观之下，风险同样不容低估：
Discovery Loop以"公共利益公司"注册，某种程度上是对这些风险的事前回应，但治理框架的真正落地还有很长的路要走。
用Python理解自动化实验循环
为了把概念讲清楚，下面用一个高度简化的Python示例，展示"假设-实验-分析-迭代"循环如何被程序化。这不是Discovery Loop的真实实现，而是帮助理解其骨架的最小化模型：
import random
from dataclasses import dataclass, field
from typing import List, Dict
@dataclass
class Hypothesis:
"""一个可被实验验证的研究假设"""
idea: str
params: Dict[str, float]
expected_gain: float = 0.0
@dataclass
class ExperimentResult:
"""单次实验的产出"""
idea: str
params: Dict[str, float]
score: float
def propose_hypotheses(budget: int, knowledge: List[ExperimentResult]) -> List[Hypothesis]:
"""基于已有知识，生成一批新的候选假设。
在真实系统里，这里会调用LLM结合检索来完成。"""
hypotheses = []
base_lr = 0.01
for i in range(budget):
# 受过往最优结果启发，在参数空间中做扰动
lr = base_lr * (1 + random.uniform(-0.5, 0.5))
dropout = random.uniform(0.0, 0.5)
hypotheses.append(Hypothesis(
idea=f"hypothesis_{i}",
params={"lr": lr, "dropout": dropout},
expected_gain=random.random(),
))
return hypotheses
def run_experiment(h: Hypothesis) -> ExperimentResult:
"""运行一次实验并返回结果。
这里用伪函数模拟训练并评估的过程。"""
lr = h.params["lr"]
dropout = h.params["dropout"]
# 模拟一个非凸的目标：存在一个较优区间
score = -((lr - 0.012) ** 2) * 1e5 - (dropout - 0.2) ** 2 * 10
score += random.gauss(0, 0.01) # 加入噪声
return ExperimentResult(idea=h.idea, params=h.params, score=score)
def analyze(results: List[ExperimentResult]) -> ExperimentResult:
"""从一批结果中挑出最优，作为下一轮的'知识'输入"""
return max(results, key=lambda r: r.score)
def discovery_loop(rounds: int = 5, budget: int = 50) -> List[ExperimentResult]:
"""完整的发现循环：提出->实验->分析->迭代"""
knowledge: List[ExperimentResult] = []
best_history = []
for r in range(rounds):
hypotheses = propose_hypotheses(budget, knowledge)
results = [run_experiment(h) for h in hypotheses]
best = analyze(results)
knowledge.append(best)
best_history.append(best)
print(f"Round {r + 1}: best_score={best.score:.4f}, "
f"lr={best.params['lr']:.4f}, dropout={best.params['dropout']:.4f}")
return best_history
if __name__ == "__main__":
history = discovery_loop(rounds=5, budget=50)
print("最终最优参数:", history[-1].params)这段代码揭示了一个关键点：自动化研究的真正难点不在循环骨架，而在propose_hypotheses与analyze两个环节的"智能含量"。Discovery Loop的竞争力，恰恰在于它拥有能把这两个环节做到"科学家级"水平的人才与算力。
对Google与AI行业的深远影响
对Google：失血还是排毒？
表面上看，Jeff Dean等人的出走是Google的巨大损失。但换一个角度，这未必全是坏事：
但风险在于：如果Discovery Loop真的在自动化研究上取得突破，Google将面对一个"自己投资、却不在董事会主导"的强力竞争者。这种"养虎为患"的剧本，在硅谷并不鲜见。
对竞争格局：OpenAI、Anthropic如何应对？
Discovery Loop的成立，让原本"OpenAI vs Google vs Anthropic"的三角格局变得更复杂。它切入的不是"做一个更强的对话模型"，而是"做一个能自主做研究的Agent"——这是一个更上游、更长期、也更难被短期产品节奏裹挟的赛道。
可以预见，2026年下半年，"自动化科学研究"将成为继"推理模型""Agent"之后的下一个热点叙事。
结语：一次值得记录的"AI权力交接"
Google这次AI领导层重组，本质上是"科学探索"与"工程交付"两种价值取向的一次正式分家。Hassabis转向长期AGI与Isomorphic Labs，Kavukcuoglu扛起Gemini的产品大旗，而Jeff Dean率队创办Discovery Loop，把"自动化科学发现"这条最难也最迷人的路，交给了一支经验与理想兼具的团队。
对从业者而言，这件事给出的启示是清晰的：当AI的能力边界从"对话"扩展到"自主实验"，真正稀缺的不再是模型本身，而是能把"假设-实验-分析"闭环跑通的系统级思维与人才。无论是留在巨头体系内做产品，还是出去做前沿探索，理解这套循环的本质，都将成为未来几年AI从业者的核心竞争力。
至于Discovery Loop能否真的兑现"AI科学家"的承诺，我们拭目以待。但至少在2026年8月这个节点，它已经为整个行业点亮了一盏方向感十足的灯。
💬 评论区 (0)
暂无评论，快来抢沙发吧！