---
title: "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"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-11-11"
language: "zh-Hant"
section: "Insights"
answer: "DeepValues Research 於2026年11月11日發布《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。"
canonical_url: "https://research.deepvalues.ai/insights/2026-11-11-ai-and-the-future-of-scientific-discovery-zh/"
markdown_url: "https://research.deepvalues.ai/insights/2026-11-11-ai-and-the-future-of-scientific-discovery-zh/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, 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, https://research.deepvalues.ai/insights/2026-11-11-ai-and-the-future-of-scientific-discovery-zh/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "investing"
sources:
  - title: "Confronting Our AI Future: Closing Keynote \"Discovery Loop\" with Jeff Dean and Fei-Fei Li"
    url: "https://www.youtube.com/watch?v=ooGKNwJWdb8"
audio: "https://anchor.fm/s/119061124/podcast/play/129266649/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-10-11%2F436499287-44100-2-f957970cddb4c8.mp3"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/2ZWkit2dmnhYDQkgOuaZWs"
---

# 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

| 評估維度 | 傳統科技巨頭 AI 研究部門 | Discovery Loop (PBC) |
| :--- | :--- | :--- |
| **組織規模與溝通成本** | 數千人（如 4,400 人組織），面臨大量營運支出（OPEX）會議與跨部門協調開銷 | 扁平極簡團隊，高度聚焦於 4 人創辦團隊與頂尖人才的極致協作 |
| **公司治理與營運目標** | 受到上市公司每季財報與股價壓力，需兼顧既有核心業務的營收保護 | 公共利益公司（PBC），以解決重大科學問題與廣泛分享技術紅利為使命 |
| **基礎設施配置** | 依賴現有通用雲端基礎設施與跨產品線的資源配給競爭 | 自研 Agent-First 專用 Harness 架構，專為超大規模 Agent 自動化實驗設計 |
| **資本效率與決策速度** | 決策鏈長，大型專案拆解後難以彈性重構或重新檢視早期決策 | 敏捷執行，前 3 週完成 400 場面試，內部已快速運作約 20 個自動化改進迴圈 |

---

## 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)

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Bubble Watch)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)