Discovery Loop致力于通过自动化实验循环来加速科学发现与工程创新。他们利用前沿AI模型和大规模计算基础设施，并行执行数千个实验，大幅缩短迭代周期，提升科研产出数量与质量，初期聚焦于机器学习领域的自动化研究。

标题：发现循环——持续探索

核心内容：

科学发现正面临瓶颈。尽管科学方法是人类最伟大的工具之一，但其执行过程依赖重复的实验循环，难以通过当前的人工方式规模化。传统上，科学进步依赖于人类逐次迭代，这在许多领域依然缓慢且劳动密集。

方法：自动化实验循环

发现循环公司正构建系统来自动化整个实验循环。通过前沿AI模型和大规模计算基础设施，系统能快速提出、运行实验并从评估中学习。这种方法可并行执行数千个实验，大幅压缩迭代时间，提升科学与工程产出的数量和质量。

初始重点： 从机器学习研究与工程自动化入手。 首个客户： 自身技术栈优化，再扩展至其他领域。 宏大目标： 解决科学与工程中任何可衡量结果的学习循环，最终应对美国国家工程院重大挑战，如改进药物、推进健康信息学、实现太阳能经济化、提供清洁水源、保障网络安全及打造科学发现工具。

使命： 构建能自动解决机器学习、科学与工程重要问题的AI方案，加速科技发现进程，为人类带来全球性福祉。

团队： 创始团队包括杰夫·迪恩、桑杰·格玛沃特、曲磊和奥里奥尔·维尼亚尔斯，他们拥有数十年紧密合作经验。团队涵盖三位AI领域被引用最多的研究者与两位分布式系统领域被引用最多的研究者，曾主导谷歌搜索、广告、翻译、文件系统、MapReduce、TensorFlow、TPU、AlphaFold、Gemini等多项关键基础设施与AI突破。其相对优势不仅在于技术能力，更在于此前构建系统的空前规模，具备从芯片到产品的全栈深度。

未来展望： 设想未来少数人能比现今庞大团队更快速、高质量地完成科研与工程任务。通过自动化发现循环，世界将在众多科学领域实现更迅猛的进步。公司正组建精干、面对面协作的团队来践行这一变革愿景。

以下是对评论内容的总结，涵盖主要观点、论据及不同立场，并保留了关键引用：

主要观点与论据

1. 对自动化科学实验的乐观态度

• 观点：自动化实验循环可能引发科学革命，加速发现。
• 论据：引用Jeff Dean的推文，强调该方法可应用于工程挑战（如能源、健康、虚拟现实等14个NAE大挑战）。
• 关键引用：
  • "This is very cool. It might be a new scientific revolution to have computer-driven discovery." (评论8)
  • "Our general approach is to automate the experimental loop... We think this approach is broadly applicable across many different fields of science and engineering." (评论7)

2. 对自动化局限性的质疑

• 观点：纯逻辑与推理无法替代现实反馈，科学瓶颈的自动化仅适用于狭义定义。
• 论据：科学需要“接触现实”（如物理实验），而非仅靠计算；自动化可能忽略实验的物理约束。
• 关键引用：
  • "I'm skeptical of any Engineering loop that doesn't include reality (as in touch grass) feedback." (评论2)
  • "Computation is not the hard part of discovery." (评论14)
  • "I’ve always felt that the idea that science is bottlenecked and therefore needs more automation only works for a very narrow definition of what science is." (评论5)

3. 对团队背景与竞争力的评价

• 观点：团队（如Jeff Dean）背景强大，但新实验室缺乏差异化优势。
• 论据：人才虽关键，但模型已成商品，应用层（如BaseTen、OpenRouter）可能捕获价值。
• 关键引用：
  • "The problem is all these new labs don't have any competitive advantage amongst each other... Models are commodities." (评论10)
  • "holy shit. I've known this, but..." (评论6，对团队成就的惊叹)

4. 对AI自动化实验可行性的分歧

• 观点：自动化ML/AI研究可行，但其他领域（如物理实验）难以实现。
• 论据：AI在软件、数学证明等“思维领域”可超速迭代，但缺乏物理身体执行实验。
• 关键引用：
  • "Automating ML/AI research seems completely tractable. Most of the other claims seem much less doable." (评论25)
  • "How do you automate experimentation?... it is the lack of a body that constrains it." (评论24)

5. 对项目宣传与现实的讽刺

• 观点：项目描述过于复杂，可能为“空想”（vaporware）。
• 论据：使命声明冗长难懂；网站加载失败；风格类似“Fable”美学。
• 关键引用：
  • "you people worship money and money only and cannot see vaporware because of it." (评论17)
  • "Really seems to embrace the 'Making the world a better place by <>'" (评论22)

6. 对AI就业影响的思考

• 观点：AI自动化可能增加而非减少就业需求。
• 论据：技术解锁新领域，催生更多初创公司，整体人才需求上升。
• 关键引用：
  • "As the technology unlocks things, more startups are created... overall demand for talent still goes up." (评论23)

平衡性总结

• 支持方：认为自动化实验循环是科学革命，团队背景强大，AI可加速ML研究。
• 质疑方：强调现实反馈不可替代，自动化仅适用于狭义科学，项目可能为“空想”。
• 中立/混合：认可团队成就，但担忧实验室缺乏差异化；承认AI在思维领域的优势，但指出物理实验的瓶颈。

关键引用（中英文保留）

• 乐观：
  "This is very cool. It might be a new scientific revolution to have computer-driven discovery." (评论8)
  "Our general approach is to automate the experimental loop... We think this approach is broadly applicable across many different fields of science and engineering." (评论7)

• 质疑：
  "I'm skeptical of any Engineering loop that doesn't include reality (as in touch grass) feedback." (评论2)
  "Computation is not the hard part of discovery." (评论14)

• 讽刺：
  "you people worship money and money only and cannot see vaporware because of it." (评论17)
  "Really seems to embrace the 'Making the world a better place by <>'" (评论22)