Discovery Loop

创始团队与履历

• 评论者对这支团队的组合履历印象深刻（核心 Google 基础设施、大规模系统、基础性 ML 工作）。
• 也有人对这种“神话化”提出反驳，列举其前雇主的技术失误和伦理争议（TensorFlow vs PyTorch、碎片化的 AI 技术栈、仓促/搞砸的发布、AI 伦理处理、政府/军事相关工作）。
• 争论点在于，过去的成就是否足以抵消这些批评，以及“传奇地位”是否掩盖了团队其他成员的贡献。

使命：自动化实验循环

• 公司将科学描述为受制于缓慢、手工化的实验周期，并希望自动化提出–执行–分析–迭代的循环，从 ML 开始，延伸到 NAE 的“Grand Challenges”。
• 有些人觉得这很鼓舞人心，将其比作一场新的科学革命，或现有的“autoresearch”代理概念。
• 另一些人则认为这种表述与其他实验室并无二致，只是泛泛的 AI 炒作。

自动化发现的可行性

• 支持者认为，ML/代理已经能在编码、实验设计和高通量实验室工作流方面实现有意义的自动化；至少在 ML 和部分湿实验室领域，这被视为可行。
• 怀疑者指出不可约的物理约束（例如生物生长时间）、多变量现实系统、有限的传感器/具身能力，以及运行大规模物理实验的高昂成本。
• 几位科学家表示，真正的瓶颈不是智能，而是资金、硬件、物流以及各种棘手的边缘情况。
• 也有人担心公司借“科学的方方面面”来拔高叙事，但目前看起来只招了 ML/CS 方面的人才。

权力、准入与不平等

• 关于“少数几个人”就能胜过庞大团队的宣传语，有人将其解读为坦诚的雄心；也有人视其为高度集中的科学权力愿景。
• 还有人担心算力稀缺会形成分层的科学生态，只有资金雄厚的主体才能使用这类自动化系统。
• 另有讨论担忧的是自动化 AI 研究本身，引发关于递归自我改进的对齐/安全问题。

商业模式、结构与竞争

• 公司采用公共利益公司（public benefit corporation）结构；讨论指出这仍然是营利性公司，但允许更明确的非财务目标。
• 有人认为这像是一个“退休沙盒”，或是 Google 支持下用来让关键人才远离竞争对手的方式；也有人认为这是真正的高影响力研究押注。
• 也有人怀疑，在没有专有硬件、数据或特定领域平台的情况下，他们相较其他 AI 实验室并没有明显竞争优势。

关于 Grand Challenges 框架的争论

• 多位评论者表示，所列出的许多挑战（太阳能、水、基础设施、医疗、学习）如今主要是政策/资金问题，而不是核心工程瓶颈。
• 很长的子讨论争辩太阳能是否已经具有经济性，尤其是在把储能和电网可靠性算进去之后。
• 也有人质疑为什么“增强虚拟现实”或“防止核恐怖”会和水与能源被放在同一列表里；有些人觉得这带有一种奇怪的 tech-bro 气质。

网站、审美与沟通

• 首页被广泛认为具有当下流行的“AI 生成创业公司”审美（米色、大号字体、滚动动画）。
• 有人认为这是低投入的 AI 垃圾内容；也有人觉得没问题，并且相较核心工作确实应该被放到次要位置。
• 少数人希望网站在方法、硬件合作以及除 ML 之外的领域上提供更具体的信息。

更广泛的 AI 与劳动背景

• 讨论把 Discovery Loop 与更大的趋势联系起来：自我演化代理、自动化实验室，以及 AI 会缩小还是扩大研究人员需求的问题。
• 有人预期会出现更多创业公司和更多总体科学产出；也有人预见工作岗位流失，以及价值进一步向少数公司和个人集中。