Discovery Loop成立：AI自动化科学发现的公益企业

重量级创始团队与公司使命

AI领域近日迎来一则重磅消息：由多位业界资深专家共同创立的新公司 Discovery Loop（@DiscoLoopAI）正式宣布成立。这家公司注册为公益企业（Public Benefit Corporation, PBC），使命直指一个宏大目标——自动化机器学习、科学与工程，以加速人类的发现与进步。

创始团队阵容堪称豪华，包括 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 等在计算机系统与人工智能领域享有盛誉的技术领袖。根据官方声明，四位创始人彼此合作已长达14至30年，共同参与打造了世界上被广泛使用的一批产品、基础设施与AI模型。如今，他们决定将全部精力投入到这一雄心勃勃的新事业中。

Discovery Loop的核心理念：自动化科学发现闭环

从「Discovery Loop（发现循环）」这个名字，可以窥见公司的核心理念。所谓「Loop（循环）」，暗示的是一种自我强化、持续迭代的闭环系统：AI不仅辅助人类进行科学研究，更要能够自主地提出假设、设计实验、验证结果，并在此基础上不断优化，形成一个自动化的科学发现飞轮。

从「工具」到「科学家」的范式跃迁

过去十余年，AI更多扮演的是「工具」角色，帮助研究者处理数据、加速计算。而 Discovery Loop 描绘的愿景，是让AI在科学与工程的发现过程中承担更主动的角色。这与近年来 AI for Science 浪潮高度契合——从 AlphaFold 破解蛋白质结构预测难题，到AI辅助材料科学和药物研发，业界已经看到自动化科研的巨大潜力。

Discovery Loop 的目标显然更进一步：不只是解决单个科学问题，而是构建一套通用的、可复用的自动化科学发现引擎。如果说以往的AI是在特定任务上超越人类，那么这家公司试图挑战的是科学研究方法论本身的自动化。

AlphaFold 是理解这一范式跃迁的最佳参照系。DeepMind 于2020年发布的 AlphaFold2 在 CASP14 蛋白质结构预测竞赛中以压倒性优势超越所有对手，将困扰生物学界50年的蛋白质折叠问题基本攻克。它的意义不只在于预测精度，而在于将原本需要数年实验室工作的结构解析压缩到数小时内完成。此后，AlphaFold 数据库已覆盖超过2亿个蛋白质结构预测，为药物研发、疫苗设计和基础生物学研究提供了前所未有的基础设施。然而，AlphaFold 本质上仍是一个「单点突破」——它只解决了结构预测这一特定问题，并不能自主提出新的研究假设或设计下一步实验。Discovery Loop 所瞄准的，正是超越这类单一任务突破，构建能够在整个科学发现周期中持续运转的系统。

公益企业定位意味着什么

Discovery Loop 选择注册为**公益企业（PBC）**而非传统营利公司，这一法律架构意味着公司在追求商业利益的同时，被赋予了明确的社会使命责任——在决策时需要兼顾股东利益与更广泛的公共利益。

这种选择在前沿AI公司中并不罕见，例如 OpenAI、Anthropic 等均采用了类似或相关的治理结构。它反映出创始团队对于「AI加速科学进步」这一目标的社会属性有着清醒认知：自动化科学发现关乎人类整体福祉，而非单纯的商业变现。将使命写入公司基因，也是对未来发展方向的一种约束与承诺。

公益企业（Public Benefit Corporation, PBC）是美国特拉华州等地设立的一种特殊公司形态，在法律层面要求董事会在商业决策中同时考量公共利益，而不仅仅对股东负责。这与传统的 C-Corp 形成对比——在传统结构下，管理层若以牺牲股东利益为代价追求社会目标，可能面临法律责任。PBC 结构在法律上为这种权衡提供了保护。值得注意的是，OpenAI 最初以非营利组织起家，后来引入「有限营利」子公司结构以吸引外部投资，其治理演变引发了外界大量讨论。Anthropic 则注册为公益公司并采用「长期利益信托」机制。这些不同的法律结构反映出前沿 AI 机构在使命锁定与资本吸引之间寻求平衡的共同困境，也是监管机构和研究者持续审视的焦点。

行业意义与未来展望

在大模型竞赛日趋白热化的当下，Discovery Loop 的成立提供了一个值得关注的差异化方向。当多数公司仍聚焦于通用聊天助手、代码生成等应用层竞争时，Discovery Loop 将赌注押在了科学与工程的自动化这一更底层、更具长期价值的赛道上。

落地过程中的潜在挑战

愿景越宏大，落地难度也越高。自动化科学发现面临诸多现实挑战：

• 可验证性问题：AI提出的科学假设如何被高效、可靠地验证？
• 领域知识壁垒：不同学科的科研范式差异巨大，通用引擎能否真正跨领域适用？
• 人机协作边界：在科学发现中，AI与人类研究者的职责如何合理划分？

这些问题没有现成答案，也正是 Discovery Loop 需要在未来逐步探索的方向。

自动化科学发现还面临一个更根本的认识论挑战：科学进步并非总是线性、可形式化的过程。托马斯·库恩在《科学革命的结构》中指出，真正的科学突破往往来自「范式转换」——即对原有框架的颠覆，而非在既有框架内的优化迭代。当前的 AI 系统，包括大语言模型，本质上擅长在已知模式空间内插值，对于需要跳出既有知识框架的「远迁移」推理仍存在明显局限。因此，「自动化科学发现引擎」在近期更可能在数据驱动型学科（如基因组学、材料科学）取得突破，而在需要高度创造性重构的理论物理或数学领域，人机协作的边界将更加微妙。这也意味着 Discovery Loop 在不同学科的落地路径和时间表可能存在显著差异。

结语

凭借创始团队深厚的技术积累与长期协作默契，Discovery Loop 无疑是一家自诞生起就备受期待的公司。它所代表的「用AI自动化科学发现」的理念，或许正是下一个十年AI真正改变世界的关键路径之一。这个「发现循环」能否如愿转动起来，值得持续关注。

更多信息可访问 Discovery Loop 官方网站了解。

（注：本文基于官方发布的公告整理，部分细节以官方后续披露为准。）