8月第一周，谷歌灵魂人物 Jeff Dean 与三位元老官宣成立 Discovery Loop，主攻 AI 自主知识发现；在此之前，AlphaFold 之父、诺奖得主 John Jumper 已加入 Anthropic。OpenAI、Anthropic、谷歌与一批初创公司，几乎同时押注同一个方向。
本文与谷歌 DeepMind 前资深研究科学家 曹原 展开对话，拆解这场加速的底层逻辑。
AlphaFold 之父、诺贝尔奖得主 John Jumper 离开谷歌，加入 Anthropic。
Gemini 3.1 Pro 尚属第一梯队；此后数月，被 Anthropic、OpenAI 与中国开源模型快速追赶。
Meta 超级智能实验室在 Alex Wang 加入后，Muse Spark 与编程模型获得外界好评。
Jeff Dean 与 Oriol Vinyals、Sanjay Ghemawat、Quoc Le 共同创立 Discovery Loop，主攻自动化知识发现与自动科研。
OpenAI Astra 推导出 10 道数学难题；Anthropic 未发布模型将黎曼零点下界推进 25.6 个百分点。
时间节点均按公开报道口径排列；「掉队」与「提速」为对话中的定性判断，不代表完整评测结果。
曹原的解读比外界更冷静：说「一个新时代开启、谷歌转向了」，有些言过其实。谷歌仍然拥有从底层芯片到消费级分发的完整全栈能力，问题不是做不好，而是优先级需要重新调整。
但辞职本身，就是最诚实的投票。
AI4S 不是一夜之间冒出来的。AlphaFold、RoseTTAFold 已经铺垫多年，但过去两年 AI 的主战场始终在编程和数学——直到这些能力被练熟，科学问题才成为自然的下一站。
曹原的答案，是一串能力的串联。
一个完整的科学实验闭环是这样的：提出假设（需要推理）→ 写代码分析数据 → 数据异常时自我修正 → 把每次观察写进长期记忆，供下一轮迭代参考。前两年的编程和数学竞赛，恰好把这条链路上的每一项都磨到了可用水平。
科学问题只是范围更广、复杂度更高。就像曹原说的：等代码和数学能力逐渐成熟，下一个让 AI 智能进一步爆发的方向，很自然就是把这种能力推广到更广泛的知识发现上。
对话里反复出现三个词，很多人会混淆。它们的共同内核其实只有一个：让 AI 同时当研究员和实验员，自己跑完整个研究循环。
让 AI 当研究员，研究科学问题——材料、生物、物理、芯片设计，把研究对象换成科学问题。
让 AI 研究 AI 自身：用最少 GPU 把模型训到最好，甚至寻找新架构、不依赖反向传播的新优化算法。
不是任务，是方法——系统通过不断自我迭代，更新方案，把任务越做越好，可同时作用于上述两者。
三者的区别只在「研究对象」：科学问题、AI 自身，还是迭代方法本身；底层的搜索与反馈机制是同一套。
曹原的回答非常直接：问题定义必须由人完成。「AI 目前还没有自己的品位，去找出合适的问题，自己去做研发——人类科学家仍然不可替代。」
AI 的角色，取决于你把它放在哪个位置。
像 IDE 之于程序员。加速实验设计、数据分析、研发流程，但 AI 不一定主动提出新知识。
像 AlphaEvolve。AI 自己提出假设、验证假设、独立产出新知识，人只负责定义方向。
两种角色之外，还有一个决定 AI4S 能跑多快的底层变量：验证速度。
光谱越靠右，AI4S 闭环越慢。可验证性，是这个赛道真正的胜负手。
这也是为什么 Claude 编程智能体能成为目前最成功的商业闭环——代码写完马上能跑，用户敢把完整任务交给它。而科学实验一旦涉及物理世界，验证就没有这么便宜了。曹原的判断很清醒：必须尽量减少物理实验，同时把每次实验做对。
一个诚实的注脚：
无法被测量的东西，就无法被表征。AI 对这类问题目前无能为力——比如大脑的内部状态。这不是 AI4S 独有的问题，而是 AI 本身的边界。
答案并不浪漫。谷歌目前的最高优先级，是把 Gemini 做到 SOTA——至少与 Anthropic、OpenAI 齐平或更好。所有资源、所有团队的节奏，都必须向这个目标倾斜，AI4S 团队的工作重心也随之改变。
「一个团队这么大，又有一个极高优先级的项目，不可能让每个人都完全满意。」曹原的观察是：这本质上是组织管理问题，而不是能力问题。
他给出的判断出乎意料地乐观：「状况在变好。」谷歌正在「革自己的命」，把 Gemini 团队尽可能做得像一家初创公司，快速迭代、快速补能力。与此同时，Demis 虽从 DeepMind CEO 位置退下，但内部邮件确认他仍主管 AGI 与科学部门——AI4S 的长线布局并没有被放弃。
组织问题，正在变成科学问题之外的第二战场。
AI for Science 爆发的真正信号，不是某个模型又解出一道难题，而是一批顶级科学家用脚投票，把 AI 的代码与推理能力引向物质世界。
接下来几年，最大的瓶颈不在模型参数，而在物理验证的速度与成本——谁能先把「实验闭环」做便宜，谁就握有下一代科学发现的定义权。
这场竞赛才刚刚开始，这里没有现成的产品链接，但有三个值得长期跟踪的方向：