自動化科學探索的商業與技術邊界：以巴菲特視角剖析 Jeff Dean 創立的 Discovery Loop

本文深入剖析由前 Google 首席科學家 Jeff Dean 離開 Google 後創立的 AI 為科學服務（AI for Science）新創企業 Discovery Loop。該公司旨在透過建構「提案、執行、評估、決策」的自動化實驗迴圈，將人工智慧技術注入機器學習、科學與工程領域。從價值投資的角度審視，Discovery Loop 匯聚了全球頂尖的人才密度與分散式系統建構經驗，具備極深的技術與人力資本護城河；然而，在市場過度炒作「遞迴式自我改進（RSI）」的浪潮下，本文指出 RSI 仍不可避免地受限於物理定律、算力執行與評估的時間成本。Discovery Loop 選擇以公共利益公司（PBC）架構切入，並優先聚焦於全數位化領域，其長期內在價值將取決於能否將領域專家的生產力提升 20 倍至 50 倍，並將其轉化為永續的商業化成果。對於長期價值投資人而言，本篇研究提供了一個理性評估頂級 AI 團隊在資本配置、護城河持久性及技術邊界上的關鍵框架。

商業模式與獲利來源：聚焦數位領域的 AI 科學實驗自動化

根據 Jeff Dean 在 Stanford HAI 的專題演講所述，Discovery Loop 的核心使命是構建能夠自動解決機器學習、科學與工程領域重要問題的人工智慧系統。在科學與工程學科中，普遍存在一個標準循環——即提議實驗（propose）、實施並運行實驗（implement/run）、檢查與評估結果（evaluate），最後決定下一步行動（decide next），而這通常意味著啟動下一輪實驗。Discovery Loop 的商業策略核心，即是將此一「自動化實驗迴圈」極致化，透過縮短單次迭代時間與大規模平行運行實驗，讓每一次評估結果回饋給後續實驗，從而實現突破性的科學發現。

這項使命與解決人類社會最棘手的長遠問題密切相關。根據 Jeff Dean 在演講中的論述，美國國家工程院（National Academy of Engineering, NAE）曾提出 21 世紀重大挑戰問題（Grand Challenge Problems），涵蓋能源、環境、健康與基礎設施等關鍵領域。若將這些龐大的工程挑戰拆解為具體的子問題，自動化探索迴圈將能顯著協助解決其中多個重要領域的技術瓶頸。

在市場切入策略上，Discovery Loop 展現了高度理性的資本配置思維。儘管 AI 在醫療保健（Healthcare）或材料科學等實體科學領域具備極大的應用潛力，但實體實驗受限於物理與化學反應的時間代價與設備限制，無法隨意縮短迭代週期。因此，根據 Jeff Dean 在演講中的說明，Discovery Loop 在初期選擇優先聚焦於「全數位化領域」（Fully Digital Domains），包含機器學習研究、機器學習工程以及晶片與硬體設計。在全數位化環境中，實驗迴圈的運行與評估可以完全在軟體與算力基礎設施中完成，從而將自動化實驗的速率與規模發揮至極致。

在價值主張方面，Discovery Loop 並非以「完全取代人類專家」為目標，而是定位為專家生產力的倍增器。正如 Jeff Dean 所強調，公司的目標是讓領域專家（Domain Experts）的生產力提升 20 倍至 50 倍（20x to 50x）。在傳統的大型工程專案中，專家往往需要花費大量精力進行複雜的問題拆解（Problem Decomposition），並面臨龐大的跨團隊協調成本與資源衝突；一旦初期拆解方向確立，後續極難重新修正早期決策。Discovery Loop 的系統目標是自動化處理龐大的子問題拆解與實驗運行，同時保留人類專家在高層次的方向引導，實現「基底模型 + Agent + 工具」的深度整合，使其能精準嵌合至高科技研發的商業工作流中。

護城河是否持久：人力資本與分散式系統的雙重競爭壁壘

運用巴菲特（Warren Buffett）的「經濟護城河（Economic Moat）」框架評估，Discovery Loop 最為顯著且難以複製的競爭壁壘，建立在其極高的人力資本密度與極深厚的分散式系統開發經驗之上。

1. 頂級創始團隊與極致人才密度

Discovery Loop 由四位前 Google 核心技術領袖共同創立：Jeff Dean、Sanjay Ghemawat、Quoc Le 與 Oriol Vinyals。根據 Jeff Dean 於 Stanford HAI 演講揭露的統計資料，這四位共同創辦人兩兩之間的合作年資長達 14 年至 30 年不等。在過去數十年中，該團隊曾主導或參與開發了 Google 搜尋系統、初代廣告系統、MapReduce、BigTable、TensorFlow、Gemini、AlphaChip 以及 AlphaFold 等奠定現代科技與人工智慧基礎的關鍵基礎設施與模型。

除了創辦人外，公司在成立初期即展現出極強的人才吸引力。根據 Jeff Dean 提供的實證統計資料，Discovery Loop 目前的團隊成員中： * 10% 的員工獲頒 ACM 計算機獎（ACM Prize in Computing）。 * 10% 的員工擁有國際奧林匹克競賽（Olympiad）獎牌。 * 團隊成員涵蓋 Go 語言專案領袖，以及 Gemini、DeepSeek、Kimi K3 等前沿模型的關鍵貢獻者與論文作者（包括 Kimi K3 論文共著者與 Attention Residuals 研究作者）。

這種由頂尖 AI 研究員與資深分散式系統專家高度融合的團隊結構，在當前前沿 AI 領域極為罕見，構成了極深的人力資本護城河。

2. 頂尖人才磁場與「校友網絡」溢價

從長期競爭優勢來看，該團隊不僅具備高度的人力資本密度，更具備強大的頂尖人才吸引力與培育能力。根據 Jeff Dean 在演講中所述，過往從其團隊離開的校友創立了包括 Anthropic、OpenAI 以及 Physical Intelligence 在內的多家當前前沿 AI 企業。這種強大的「校友網絡（Alumni Network）」證明了經營團隊在吸引、辨識與培養全球最頂尖科技人才上的長期優勢，形成同業極難複製的人才磁場效應。

3. 反思市場短視：歷史研究典範的「非共識價值」

價值投資極度重視團隊是否具備獨立思考與挖掘「非共識價值（Non-consensus Value）」的能力。Jeff Dean 在演講中分享了一段關鍵歷史：他與 Oriol Vinyals 及 Geoffrey Hinton 合作的著名模型蒸餾（Model Distillation）論文，在 2016 年投稿至 NeurIPS 時，竟曾被審稿人以「該研究不太可能產生任何實質影響」為由直接拒絕。然而，該論文隨後在 arXiv 發布後，至今已獲得超過 40,000 次引用，並成為現代 AI 推論階段輕量化與高效模型建構的底層基石。這項案例展現了該團隊在面對市場短視與主流偏見時，仍能堅持研究具備長期重大價值課題的逆向思考能力。

4. 專屬 Agent Harness 與超大規模分散式架構

在技術架構層面，Discovery Loop 並未依賴市面上的通用套件，而是自行開發了以 Agent 為核心的 Harness 系統與分散式基礎設施。根據 Jeff Dean 在演講中的詳細介紹，該架構具備以下實質軟體產品特性： * 超大規模擴充性：基礎設施採「Agent 優先（Agent-first）」設計，能夠支援數萬至數十萬個 Agent 同時運作並協同執行實驗，遠超傳統僅能支援幾百人協作的軟體架構。 * 人機流暢協作機制：Harness 系統不僅支援人類專家與模型進行對話，更允許邀請團隊成員共同介入（Invite teammates in）、添加註解，並能在 Agent 正式執行大規模實驗前提交設計審查（Design Review），確保決策品質。 * 跨經驗學習機制：系統不僅能從單一問題的歷史實驗中學習，更能跨越過去處理過的 5,000 個問題，將積累的經驗應用於第 5,001 個新問題上，形成強大的經驗累積效應。

經營團隊與資本配置：從 Google 巨頭到公益企業（PBC）的價值轉變

評估經營團隊的資本配置哲學與公司治理結構，是價值投資分析不可或缺的一環。根據 Jeff Dean 在 Stanford HAI 演講中的坦誠分享，他過去在 Google 管理高達 4,400 人的龐大 Research 與 AI 組織，日常工作充斥著大量的 Q2 OPEX 營運支出會議。隨後，他透過一封電子郵件將直屬報告人數縮減至 4 人（隨後因 Geoffrey Hinton 退休變為 3 人），並最終選擇重新出發，創立僅 4 位共同創辦人的精簡團隊。這一轉變反映了經營團隊對極簡、高效率、技術突破導向之組織結構的強烈偏好。

在公司治理方面，Discovery Loop 選擇設立為「公共利益公司（Public Benefit Corporation, PBC）」。其公共使命為開發解決重大社會問題的技術，並廣泛分享其紅利以改善人類生活。

從價值投資與公司治理的視角深入分析，PBC 結構對於長期資本配置帶來了雙重影響： 1. 優勢：避開短期資本市場壓迫：PBC 結構允許團隊免受上市公司每季財報與 Wall Street 短期營收壓力的干擾，能將資源長期投放在需數年時間研發的突破性技術上。 2. 潛在風險：代理人成本與股東回報衝突：對於少數股東而言，當公共利益優先於股東資本回報時，可能面臨資本被無上限投入純學術研究、卻缺乏實質商業化變現的「代理人成本（Agency Costs）」風險。若公司缺少每季營收壓力，如何設定嚴格的投入資本回報率（ROIC）門檻與 CapEx 紀律，將是衡量其內在價值能否順利實現的核心考量。

在創業執行力與資本效率上，團隊展現了極高的敏捷度。根據 Jeff Dean 所述，創業前 3 週團隊於 Cafe Venetia 密集進行了 400 場面試以遴選頂尖人才，並租用舊 Zibbo 餐廳空間作為辦公空間。目前公司內部已順利運作約 20 個自動化改進迴圈，展現出極高的資本執行效率。

傳統科技巨頭部門 vs. Discovery Loop (PBC) 經營與資本配置比較

資產負債表體質與技術限制：自我改進（Self-Improvement）與遞迴式自我改進（RSI）的現實邊界

從班傑明·葛拉漢（Benjamin Graham）所強調的客觀理性精神出發，分析前沿 AI 企業必須嚴格區分技術的實際可行性與市場過度渲染的迷思。根據 Jeff Dean 在 Stanford HAI 專題演講及與李飛飛（Fei-Fei Li）對談的內容，市場對 AI 的「自我改進」存在關鍵的概念混淆，必須予以精準釐清：

• 自我改進（Self-Improvement）：指系統接受特定目標（例如提升 MRI 影像判讀精準度或優化某項特定演算法），自動進行測試與參數調整，藉此提升該特定目標的表現。在此模式下，提案與優化機制本身並未改變，大部分現有機器學習演算法均具備此能力。
• 遞迴式自我改進（Recursive Self-Improvement, RSI）：指系統改善「提議與優化機制」本身。換言之，系統學習如何「更有效率地提議與設計實驗」，進而遞迴地提升基底系統自身的進步速率。

RSI 的物理邊界與資本邊際效益遞減

矽谷與資本市場常將 RSI 塑造為能夠無限快速、指數級飛升的神話。對此，Jeff Dean 明確指出這是一種脫離客觀現實的迷思。RSI 的運行必然受到以下硬性邊界的約束：

1. 物理定律與計算代價：不論是訓練基底模型或運行實驗，都需要實際的算力執行（Computation）。模型必須將資料進行寫入與儲存，並對實驗結果進行評估與分析，這些過程都需要真實的時間與實體資源代價。
2. 評估的回饋延遲：下一次實驗提案的品質，完全取決於上一次實驗結果的實質回饋。計算機運行程式與處理資料的物理極限，決定了實驗迴圈不可能無限快速地轉動。

從價值投資的財務角度來看，這意味著「資本邊際效益遞減（Diminishing Marginal Returns on Capital）」。推論階段計算擴展（Inference-time Compute Scaling，如 Chain of Thought）與數萬個 Agent 同時運作，意味著極為龐大的算力 OPEX 與 CapEx 支出。若自動化實驗迴圈的改善速率受限於物理與評估時間延遲，其邊際算力投入的資本回報率將迅速遞減，投資人必須對此保持清醒的風險意識。

神經網路架構演進的反思與實證

Jeff Dean 在對談中亦對神經網路架構的發展歷程進行了深刻反思。他透露，過去他曾預期 AI 領域會出現極為奇異、有機且複雜的神經網路架構（例如具備不規則神經柱與稀疏跨層連接的結構）；然而實證顯示，如今主流的混合專家模型（Mixture of Experts, MoE）雖然具備強大的容量與稀疏活化特性，但在結構上依然保持高度規則化。

此外， Jeff Dean 指出了一個過去未能完全預測到的關鍵解鎖因子：模型編程與程式碼能力（Coding Capability）的突破。程式碼能力已被實證明顯是解鎖模型在各類複雜領域（包括自動化科學探索）中展現強大推理與問題解決能力的關鍵樞紐。

目前預期 vs. 保守的內在價值評估與安全邊際

從價值投資的角度評估 Discovery Loop 的內在價值，需要將市場的高昂預期與客觀的財務風險進行對比分析：

市場樂觀預期

市場目前對 AI 在自動化科學探索上的應用寄予厚望。例如近期 AI 系統在數學領域展現的強大能力（如自動證明複雜方程式與極具難度的數學猜想，例如 Navier-Stokes 相關研究等），以及先前 AlphaFold 在蛋白質結構預測上的重大突破，使資本市場期待 AI 能在短時間內完全自動化科學研發，創造無限的商業價值。

保守內在價值評估

根據 Jeff Dean 在演講中揭露的現狀，Discovery Loop 目前仍處於極早期階段（主要完成人才招募、舊 Zibbo 餐廳辦公空間建置與 Agent Harness 基礎架構開發）。公司的內在價值高度依賴於其能否將數位領域（機器學習研究、工程與晶片設計）的自動化改進迴圈商業化，並切實兌現「提升專家 20x 至 50x 生產力」的承諾。根據 Jeff Dean 於演講中的說明，在尚未轉入實體科學領域（如醫療保健）之前，其潛在市場規模（TAM）仍主要集中於高科技與半導體研發領域。

安全邊際（Margin of Safety）考量

長期投資人若評估該領域的資本投入，根據 Jeff Dean 在演講與對談中揭示的技術與市場現實，必須考量以下風險因子並保留充足的安全邊際： * 算力與硬體成本負擔：推論階段計算擴展與數萬個 Agent 同時運作需要消耗巨大的 TPU/GPU 算力資源，若邊際成本高於產出的商業價值，將侵蝕毛利率。 * 頂尖人才競爭與稀釋：市場上由 Google 或其他巨頭離職頂尖人才創立的新創企業（例如 Anthropic、OpenAI、Physical Intelligence 等）眾多，人才與技術的競爭極為激烈。 * 商業化落地時間軸：從自動化機器學習研究延伸至實體醫療或材料科學，需要結合實體實驗流程，商業化變現週期可能長於市場預期。

關鍵數字

• 27 年：Jeff Dean 在 Google 任職的時間（1999 年加入至創立 Discovery Loop）。
• 4,400 人至 4 人：Jeff Dean 在 Google Research 與 AI 管理的團隊規模，以及發送郵件後縮減的直屬報告人數（後續因 Geoffrey Hinton 退休變為 3 人）。
• 400 場：Discovery Loop 創立前 3 週於 Cafe Venetia 密集進行的面試場數。
• 20x 至 50x：Discovery Loop 旨在提升領域專家生產力的目標倍數。
• 10%：公司員工中獲得 ACM 計算機獎（ACM Prize in Computing）的比例。
• 10%：公司員工中獲得國際奧林匹克競賽（Olympiad）獎牌的比例。
• 20 個：公司內部目前已在運行與評估改善的自動化改進迴圈數量。
• 14 至 30 年：四位共同創辦人兩兩之間的合作年資範圍。
• 2017 年 6 月 12 日：Transformer 關鍵論文（"Attention Is All You Need"）上傳至 arXiv 的歷史日期。

什麼情況會改變我們的看法

作為理性客觀的長期價值投資分析師，若出現以下具體可觀察的發展指標，將促使我們重新評估對 Discovery Loop 及該領域的內在價值與護城河看法：

1. 實體領域擴展進度：公司是否能成功將全數位領域（機器學習工程、晶片設計）的自動化迴圈，順利延伸至需要實體實驗與複雜物理化學反應的領域（如醫療保健或材料科學）。
2. 專家生產力實證結果落地：是否有外部客戶、合作夥伴或實證案例，確認領域專家的生產力確實達到 20x–50x 的大幅提升，並轉化為實質營收與商業化利益。
3. 關鍵人才流失或組織膨脹：頂尖 AI 與分散式系統人才密度是否因公司規模擴大而稀釋，或核心創辦團隊出現分歧與關鍵人才流失。
4. RSI 算力效益遞減：推論階段計算擴展（Inference-time compute scaling）與超大規模 Agent 自動化實驗的算力成本是否過高，導致邊際效益低於資本投入，拉低投入資本回報率（ROIC）。

我們的立場

中性

Discovery Loop 擁有全球最頂尖的 AI 與分散式系統創始團隊，且自動化科學迴圈的潛在市場價值巨大；然而公司目前尚處於極早期階段，商業化路徑與 PBC 結構下的資本回報機制仍有待時間驗證，長期投資人應保持理性觀察，並等待更明確的財務與業務實證資料。

如果您希望深入了解更多前沿科技企業的深度基本面分析，歡迎造訪 DeepValues Research 網站閱讀免費開源的公司研究報告，或下載 DeepValues App 隨時查詢個別企業的內在價值評估與安全邊際。

本文僅供教育與研究用途，不構成任何投資建議或買賣指示。

資料來源

• Stanford HAI: "Confronting Our AI Future: Closing Keynote 'Discovery Loop' with Jeff Dean and Fei-Fei Li" (Speakers: Jeff Dean, Fei-Fei Li)