Discovery Loop
Discovery Loop 是 Jeff Dean、Sanjay Ghemawat、Oriol Vinyals 與 Quoc Le 等 Google 老將於 2026-08-06 BusinessNext 報導中被介紹的早期研究自動化公司。2026-08-07 的後續報導又把它放回 Jeff Dean 對長時程 agent、模型周邊工程與 AI 新創產品窗口的說明中。文章稱 Dean 出任執行長，Google 轉為創始投資人與雲端算力夥伴；公司登記為 Public Benefit Corporation，但融資與產品仍在早期階段。以下內容是媒體報導歸屬，不代表獨立確認。
核心方向
Discovery Loop 的第一階段目標，是用機器學習自動化機器學習研究本身，再延伸到硬體設計、藥物發現與乾淨能源。其可重用的工作抽象是把傳統科研的「實驗、觀察、修正」循環轉成可由模型與工具反覆執行的 search / execute / evaluate loop，讓人類科學家保留問題選擇、邊界與結果判斷。
這與 empirical-research-assistance 的 scientific coding、coding-agent-as-optimizer 的「修改產物—執行評測—保留改進」模式相鄰，但 Discovery Loop 的報導定位更偏公司與跨領域研究基礎設施，而不是已公開的 benchmark 或完整技術規格。
長時程 agent 與 1% 法則
BusinessNext 2026-08-07 對 Jeff Dean 訪談的整理補上兩個產品邊界：長任務 agent 可能在約十次工具使用後開始失準，因此必須用 agent-skills、多路徑代理與持續測試把回饋放進執行過程；AI 新創則應尋找通用模型成功率只有 0% 至 1%、但自有資料、領域知識或評估方法能逐步推高成功率的問題。這些是訪談與媒體整理的來源歸屬，不是 Discovery Loop 已達成的成功率或產品 benchmark。
可重用的讀法是：Discovery Loop 的研究自動化不只需要 coding-agent-as-optimizer 的 search / execute / evaluate 閉環，也需要人先選定值得解的問題、規格與可接受錯誤，再決定哪些長時程步驟可以交給 agent。這把公司方向連到 model-harness-fit：持久優勢可能來自模型看不到的資料、工具、記憶與驗收流程，而不是單純等待下一代通用模型。
10 倍法則與研究題目的上下界
2026-08-21 的後續報導補上 Jeff Dean 的題目篩選方法：先用 back-of-the-envelope calculation 判斷數量級，再找出相對既有路線約有 10 倍改善潛力的方向。Discovery Loop 把這個尺度套到研究自動化，目標是把原本一天或一週的實驗壓縮到一小時甚至一分鐘；這是文章整理的願景，不是已驗證的產品 benchmark。
同一套方法也畫出風險邊界：兩年內做完且路徑太明顯的題目，可能不足以推動領域；二十年都看不到可解方向的題目，則不適合作為可執行的研究窗口。對 coding-agent-as-optimizer 與 loop-engineering 而言，這補上一個在 search → execute → evaluate 之前的人類 gate：先判斷問題的數量級、可想像的解法與實驗價值，再把可觀測的步驟交給 agent。
與 Google 的關係
- Jeff Dean 由 Google 首席科學家轉為 Discovery Loop 執行長。
- Sanjay Ghemawat、Oriol Vinyals、Quoc Le 被報導為共同創辦人。
- Google 從雇主轉為創始投資人與雲端算力夥伴。
- Ghemawat 表示，新公司希望採用不同於 Google 搜尋、廣告與消費者產品基礎設施的科研自動化架構。
AI Ark 的讀法
Discovery Loop 可作為 loop-engineering 從 coding agent 延伸到 scientific discovery 的案例：核心不是讓模型一次回答研究問題，而是把可觀測的中間產物、評估指標與下一輪修正接回閉環。若未來出現公開的 solver、實驗紀錄、獨立 verifier 或可重跑結果，才適合進一步評估它與 chain-of-evidence-autonomous-research 的證據鏈要求如何接合。
目前不應把媒體報導中的「自動化科學發現」當成已證實的通用能力；可確定的 wiki 價值，是記錄一個把 research loop 作為產品與公司邊界來設計的早期訊號。