“大模型终局在于科学实验彻底自动化。” 李飞飞对谈Jeff Dean：全行业都看走眼了，写代码才是通用推理的万能钥匙

写在前面：

原「AI科技大本营」现已全面升级为「奇点折射」。把 AI 领域最前沿的底层争论、工程踩坑与商业暗牌，折射为国内从业者能看懂、能防踩坑的实战增量。

点击上方蓝字关注「奇点折射」，与全球顶尖 AI 决策者同频。

整理 | 王启隆

出品丨奇点折射（ID：rgznai100）

前段时间，在谷歌工作整整 27 年、统领 4400 人研究团队的Jeff Dean决定离职。他只发了一封离职邮件，带走了与其并肩作战 25 年的底层架构传奇 Sanjay Ghemawat、Seq2Seq 与神经网络架构搜索开创者 Quoc Le，以及主持过 AlphaGo 与 Gemini 的 Oriol Vinyals。

这支被戏称为谷歌“扫地僧四人组”的超强全明星团队，创立了一家名为 Discovery Loop 的公共利益公司（PBC）。他们的目标不是做一个普通的聊天机器人，而是要用大规模并发的 Agent 架构，将整个科学研究的实验循环（提出假说 实施验证 评估指标 迭代沉淀）彻底自动化，把科学家和工程师的生产力拉升 20 到 50 倍。

在刚刚闭幕的斯坦福 HAI 2026 年度峰会上，Jeff Dean 与斯坦福教授、World Labs 创始人李飞飞展开了一场深度对谈。

两人首度回应了 OpenAI 突袭发布 720 篇机器数学证明引发的学界震荡，并曝光了当年奠定现代大模型底座的经典论文惨遭顶会拒稿的内幕。

与硅谷当下动辄鼓吹“超级智能下周灭绝人类”的浮躁叙事截然相反，这两位现代深度学习的奠基人更加冷静：李飞飞用“做煎蛋卷”的通俗逻辑现场厘清了被神化的“递归自我改进（RSI）”；Jeff Dean 则从底层物理定律出发，明确指出所谓“智能无限指数爆炸”在工程现实中只是错觉。

要点速览：

• 反复做煎蛋卷从糊到熟只是普通的“自我改进”；只有在这个过程中大脑突触物理重构、肉身长出第 6 根手指优化煎蛋硬件，系统能自主递归改造本体，才算得上“递归自我改进（RSI）”。当前硅谷严重泛化并滥用了该概念。

• 模型推理、芯片散热、数据落盘以及物理世界的实验反馈全部受制于客观物理定律，没有任何系统能在虚空中以无穷快的速度自我迭代，“无限爆炸”在工程和物理现实中完全不成立。

• 针对 OpenAI 发布的 720 篇机器数学证明，Jeff Dean 坦言机器吐出的 500 页形式化符号虽然冷冰、缺乏人类数学的审美与精妙技巧，但它确凿证实了“问题在现有体系内可解”，能反向激发人类去寻找优雅的解题路径。

• 奠定如今轻量模型基础的《知识蒸馏》开山之作当年曾被 NeurIPS 当场拒稿；Jeff Dean 自曝早年曾误判 MoE 架构会演变为复杂的生物网状拓扑，并且全行业在早期都低估了“代码编写能力”作为通用推理万能钥匙的核心地位。

以下为演讲与对谈全文：

当大模型从聊天写诗走向严肃的科学与工程闭环，真正的门槛早已不是比拼谁的模型参数更大，而在能否让系统在底层物理规则与真实算力限制下稳定迭代。

2026 奇点智能技术大会将于 11 月 20—21 日在北京举行，18 大前沿专题、70+ 一线技术嘉宾，拆解 AI Coding、Agent、Infra、多模态等真实落地路径。

扫码免费领取大会 PPT 与 Agent 实战资料

Jeff Dean 主题演讲：将科学研究的通用循环彻底自动化

Jeff Dean：非常高兴来到斯坦福。今天我要向大家介绍我们的新公司——Discovery Loop。

我们的使命非常纯粹：构建能够自主解决机器学习、科学与工程领域重大难题的 AI 系统。

如果你仔细观察物理、化学、生物、材料或是芯片工程，会发现所有科学与工程领域本质上都在运转同一个基础循环：提出实验假说 实施并运行实验 审视测量数据 规划并开启新一轮实验。

Discovery Loop 的技术路径，就是将这个实验循环彻底自动化。

如果能够大幅压缩单次实验的迭代周期，自动调度成千上万个实验并行运行，同时让系统从每一次的测量反馈中持续学习，后续提出的实验设计就会越来越优质。在规模上同时放大实验的质量与数量，你就能推动科学发现呈指数级提速。

美国国家工程院（NAE）列出了 21 世纪工程面临的重大挑战：廉价太阳能利用、受控核聚变、碳捕集与封存、洁净水资源、个性化医疗新药、大脑逆向工程，以及打造科学发现本身的智能工具。我们相信，全自动化的科学实验闭环能够在所有这些领域成为关键的推进杠杆。

同时，我们在设立公司时做了一个重要决定：注册为一家公共利益公司（Public Benefit Corporation，PBC）。我们的法定章程明确规定，技术研发必须服务于解决重大社会难题，并向全社会提供普惠访问权，确保这项能力切实造福大众，而非单纯被短期商业财报所驱动。

回顾团队背景，我和三位联合创始人——Sanjay Ghemawat、Quoc Le、Oriol Vinyals——彼此搭档的时间从 14 年到 30 年不等。我们共同主导过多代 Google 搜索架构、初代广告系统、Gmail、Google 翻译；打造过支撑分布式计算的 MapReduce、BigTable、Spanner，以及面向深度学习的 TensorFlow 和历代 TPU 硬件。

在算法层面，我们共同探索过模型蒸馏（Distillation）、混合专家模型（MoE）、神经架构搜索（NAS），以及应用于芯片后端布局布线的 AlphaChip、AlphaFold 与气象预测模型。

过去几年，我曾带领 Google Brain 团队扩张到 600 人，后来统领合并后的 Google Research 与 AI 团队，总人数达到 4400 人。坦白讲，当意识到自己大把的时间都被消耗在各个季度的运营成本预算会议（OpEx Meetings）上时，我点击了离职邮件的发送键——直接向我汇报的人数瞬间从 4400 人缩减到了 4 个人。随后第二周 Geoff Hinton 也宣布退休，我手头直接变成了 3 个人。后来我和 Oriol 共同领衔了 Gemini 项目的技术研发，Quoc 统帅后训练（Post-training）。

很多朋友好奇，为什么选择在这个时间点跳出来创业？

因为大模型的演进刚刚跨越了关键临界点。TPU/GPU 等专用硬件、成熟的分布式软件抽象层、从 Transformer 到 MoE 的架构创新、蒸馏与推理计算扩展（Inference-time Compute Scaling）的成熟，让大模型具备了极高的基座能力。

但仅仅拥有一个基础模型去解决科学难题是远远不够的。在传统的科研团队中，面对大课题，人类通常必须艰难地将其拆解为细小的子模块。但在超大型工程中，早期由人工做出的底层拆解架构往往积重难返、极难推翻重来。各个团队平行推进实验，不仅带来巨大的管理协同摩擦，不同模块产出的数据也很难高效汇聚。

我们的思路是：依靠极少数顶尖领域专家统领方向，借助自动化系统自主对复杂工程目标进行任务拆解与子模块攻坚。

系统能够并发调度数万次自动化实验，依靠强化学习与进化策略，精准评估运行实验 A 相比实验 B 的边际价值，动态修正早期的工程设计决策。

在公司成立的前 3 周里，我们在帕洛阿尔托大学大道上的 Cafe Venetia 咖啡馆连续完成了 400 场高强度面试。我们自研了面向 Agent 的自动化软件架构（Agent Harness），并已将其全面用于系统自身的研发协同。这套基础设施从设计的第一天起，就为了支撑数万、数十万个 Agent 并行作业，而不是像传统开发环境那样仅仅服务几百名人类工程师。

目前，我们已经以全自动机制稳定跑通了大约 20 个改进闭环。

我们的初始落脚点非常聚焦：率先实现机器学习自身的前沿研究与工程开发自动化。因为攻克机器学习本身，是打开更大范围自主科学研究的万能钥匙。我们的终极目标，是让各个垂直领域的科学家和工程师的综合生产力直接跃升 20 倍到 50 倍（20x to 50x）。

我们绝不是要将人类踢出科研流程，而是要为真正有远见的学者拆除琐碎的工程脚手架，让他们专注于定义最核心的时代课题。

炉边对谈：李飞飞 × Jeff Dean 为什么必须出走？大模型跨过临界点，回归小团队的魔法

李飞飞：恭喜 Discovery Loop 启航！你们四位联合创始人几乎可以说是谷歌的终身元老，尤其是你，1999 年就加入了。过去一两年里，究竟发生了什么关键变化，让你们认定“必须做这件事，而且在谷歌内部做不成”？

Jeff Dean：我们一直对自动化软件开发充满热情。早在十年前，Quoc 在神经架构搜索（NAS）上就做过大量先驱工作，那其实就是早期形态的自我改进系统——自动寻找最优视觉或语言模型架构。

但当年的搜索空间，全靠人工手写极其繁琐、笨拙的 Python 代码来定义。而今天，你可以直接用自然语言指挥一个“模型 + 智能体”系统去探索针对特定医疗影像的新型架构，它能在后台自主完成整个闭环。这是一个根本性的范式跃迁。

此外，在大公司管理数千人固然能调动庞大资源，但我们始终无比怀念极小规模团队的纯粹魔法——五个人围坐在一张桌子前捣鼓一个新构想，接着加入第六个人、第十个人。加之以公共利益公司（PBC）的性质去长线运作，我们觉得能更坚决地践行我们的价值观。

李飞飞：这太能引起共鸣了。我们创立 World Labs 时也是如此：当看清计算机视觉与生成式模型深度交汇的历史拐点时，你就知道必须跳出来做全新的三维空间模型。

现场打假 RSI：做蛋卷不是递归，肉身长出第 6 根手指才是

李飞飞：接下来我想聊点严肃的技术本质。作为同辈学者，我一直在看这个领域不断更换包装词汇：增量学习、持续学习、元学习、终身学习、NAS，现在变成了自我改进（Self-improvement）和“递归自我改进”（RSI）。

硅谷现在充斥着狂热的噪音，把公众吓得以为人类下周就要被无限加速的 AI 淘汰。我们必须在台上把事实和噱头划清界限：到底什么是自我改进？什么又是严格意义上的 RSI？

Jeff Dean：这是一个非常关键的边界区分。

所谓一般的自我改进系统，是指你给系统设定一个可量化的客观指标（比如 MRI 影像诊断的准确率）。系统在运行中会自动尝试不同的架构组合，随着实验推进，模型的准确率逐步攀升。但在整个过程中，那个“负责提出下一步该做何种实验”的基础系统本身，并没有发生任何改变。

而递归自我改进（RSI）的核心逻辑在于：系统不仅在解决外部任务，还能把优化能力反哺作用于“负责提出改进方案的基础模型与架构本体”，实现底层生成能力的自主强化。

李飞飞：没错，公众对此有着极大的误解。我打个通俗的比方：我个人的厨艺非常糟糕，如果让我做西式煎蛋卷，前几次大概率全都会烧糊。做了 10 次之后，我掌握了火候，能做出一份合格的蛋卷，这叫自我改进，现有的机器学习系统一直都能做到。

但要真正称得上递归自我改进（RSI），必须满足极其严苛的条件：在我做蛋卷的过程中，我的大脑神经回路必须发生根本性的自主重构，甚至肉身直接长出了第 6 根手指来优化做蛋卷的硬件效率；不仅如此，这个进化出第 6 根手指的新系统，还能继续无限自我重构。如果做不到这一点，就根本谈不上是真正的 RSI。

Jeff Dean：从认知机制上看，人类其实两者兼备。你不仅学会了煎蛋卷的具体技能，而且在做蛋卷的过程中掌握了“如何学习”（Learning how to learn）的元能力。一旦参透了这种元学习机制，你再接触新领域时就能以更快的速度内化吸收。

破除无限爆炸神话：芯片要散热、数据要落盘，物理铁律不可逾越

李飞飞：既然界定了定义，我们再来看看 RSI 的物理极限。现在很多人把 RSI 描绘成一种可以脱离物理规律、在虚空中无限自我加速直到智能爆炸的怪兽。这里的泡沫究竟有多大？

Jeff Dean：回顾过去 15 年模型能力的演进，现实逻辑非常平实：顶尖工程师和学者先在小规模上跑海量试探性实验，找出哪些有效、哪些无效，然后把有效经验融入下一代模型的架构中——从 Gemini 1 到 Gemini 2 正是这么走过来的。

自动化系统的确能大幅加速这个迭代流程：人类工程师提交完实验需要睡觉，等到第二天早上才能看指标；自动化系统能在凌晨 2 点实验跑完的瞬间立刻分析结果，毫秒级推进下一轮实验调度。

但这绝不意味着它可以“无限加速”。因为打造模型和验证假说，受制于冷冰冰的客观物理定律。

芯片必须真金白银地进行晶体管通电计算；硬件跨节点互联存在物理延迟与散热极限；庞大的训练权重必须完成物理落盘存储；实验结果需要调用其他模型或系统进行严谨核验。没有任何自动化闭环能在真空中脱离物理载体瞬间完成。

自动化工具会显著提升迭代效率，但所谓“无上限的瞬时智能爆炸”在工程现实中完全是一个错觉。把它看作一个务实的工程系统，这种恐慌就会彻底消解。

为什么不先做医疗？必须先跑通“全数字化闭环”

李飞飞：面对那么多亟待解决的重大课题，你们当前最迫切的热情聚焦在哪个领域？

Jeff Dean：长远来看，我对 AI 赋能医疗健康怀有极其浓厚的兴趣，这也是我们作为公共利益公司未来必啃的硬骨头。

但在公司现阶段，我们的精力完全锁死在“能够以纯数字化形式跑通完整研究闭环”的领域。

因为这类问题不需要等待周期漫长、流程繁复的实体物理实验（湿实验）。一旦涉及实体材料合成或生物培养，迭代循环就会被物理世界的节奏拖慢。因此，我们初期的核心切入点严格限定在三个方向：机器学习研究本身、机器学习工程架构，以及硬件芯片设计中的布局布线（Placement and Routing）。

这三个方向完全在数字空间内运转，是我们团队积累最深的阵地，同时也是撬动其他所有学科的底层杠杆。一旦你有了一套能够自主攻坚机器学习工程任务的系统，未来就可以直接将其调转枪头，对准医疗影像分析或新药靶点预测。

720 篇机器证明引发震荡：AI 提供的是“存在性证明”

李飞飞：既然提到科学闭环，我们就绕不开纯数学。我原本邀请了陶哲轩一起来对谈，但他遗憾未能成行。

面对 OpenAI 近期突袭发布的 720 篇机器证明论文，包括对纳维-斯托克斯方程分析的突破，整个数学界感受到了巨大的震动。数学家不仅追求答案，更追求技巧的精妙与结构的美感，但机器丢出来的却是人类无法直接理解的千页符号。你如何看待这场冲击？

Jeff Dean：当前的基座模型配合高并发 Agent，确实已经展现出了攻克硬核人类悬案的能力。

大家之所以感到不适，是因为机器产出的证明往往由长达 500 页的 Lean 形式化代码组成。计算机能确凿无误地通过形式化验证，但没有任何人类能直接从中提炼出那条通往真理的、优雅精炼的思维脉络。

人类数学家在数百年求索中追求的，是创造出具备高度通用性与审美价值的数学技巧，并借此开辟全新的学科分支。目前由机器生成的符号串，确实很难让人直观提取出这种高维洞察。

然而，机器证明的巨大价值在于提供了一个“存在性证明”（Existence Proof）。

在复杂的科学攻坚中，“确切得知某件事在现有体系内可解”，其价值是不可估量的。它给人类树立了一座确凿的灯塔，证明这扇门是能够被推开的。人类数学家由此可以带着笃定的信念，调动人类独有的深刻洞见，去开辟另一条通往该终点的、更加优美的证明路径。

历史的回响：被 NeurIPS 拒稿的开山之作，与看走眼的技术趋势

李飞飞：让我们做个突击测验——你还记得2017 年 6 月 12 日是什么日子吗？

Jeff Dean：那是 Transformer 经典论文《Attention Is All You Need》提交到 arXiv 的日子。不过我大概在 6 月 10 日就提前读过了。

李飞飞：过关！回望过去近十年，你个人触动最深的技术拐点是什么？有哪些趋势你准确预见到了，又有哪些是你当年彻底看走眼的？

Jeff Dean：最深刻的飞跃首先是 Transformer。它完整保留了序列内部状态并施加注意力机制，彻底打破了以往将全局信息强行压缩进微小向量导致遗忘的瓶颈，使模型能以远低于 LSTM 等早期架构的代价学习到深层表征。

其次，是我、Oriol 和 Geoff Hinton 当年共同完成的模型蒸馏（Model Distillation）。有趣的是，这篇论文在 2016 年投稿顶会 NeurIPS 时，被审稿人当场一票否决直接拒稿，拒稿意见极其冰冷：“该研究不可能产生任何实质影响力。”

我们转手将它挂上了 arXiv，如今它的学术引用量已经突破了 4 万次。蒸馏技术让大模型可以先由臃肿庞大的“教师模型”充分探索，再提炼至轻量敏捷的“学生模型”，成为当今轻量化推理部署的绝对基石。

至于我看走眼的领域：我曾一度坚信，MoE 架构的爆发会催生出大量非对称的、类似生物有机体般复杂的神经网络拓扑。

我原以为神经网络会打破规整对称，涌现出横跨数十层、狂野跳跃的远程神经通路。但现实是，绝大多数 MoE 依然维持着参数高度均等、规整分流汇总的工程架构。

另一个认知偏差在于：我最初严重低估了“代码编写能力”（Coding）的战略权重。在早期研发中，我们把代码视作核心能力之一，但全行业在当时都没能深刻预见到，代码能力的突破竟然会演变成解锁通用推理逻辑、进而调度工具解决万千复杂任务的“万能钥匙”。

青年学生的时代焦虑：用新技术武装你真正热爱的领域

李飞飞：我们必须直面以人为本的核心。AI 的立体式渗透引发了前所未有的全社会焦虑，即便是斯坦福最顶尖的学生，也在为职业未来感到迷茫。作为穿越过多次技术周期的学者与导师，你对深感焦虑的年轻一代有什么建议？

Jeff Dean：我完全理解这种眩晕感与焦虑。以往的技术变革往往局限在少数垂直行业，而这一次是在同一历史时刻，立体撞击着人类社会的每一个运转系统。

我的建议非常明确：竭尽全力搞懂最新破土而出的技术武器，并坚定地用它们去武装你内心真正热爱的领域。

无论你热爱的是挽救生命的医学、触动心灵的文学创作，还是打磨极致的底层代码架构。未来所有领域都将获得来自 AI 的强力辅助，但唯独一件事情永远不可替代——那就是究竟由谁来定义我们人类这个物种，究竟要奔向何方、要去解决哪些真正有价值的难题。

这个定义权始终握在人类手中。找准你的支点，然后毫无保留地把最先进的工具变为你的杠杆。

很多刚关注的朋友常问，为什么我们叫「奇点折射」？

我们的初衷，其实正是那句话：“跨越 AI 奇点，折射产业未来。”

在大模型被铺天盖地的公关营销、资本泡沫与概念炒作裹挟的今天，AI 的爆发看似光芒万丈，但也刺眼而混沌。我们希望做一个坚持原创、拒绝喧嚣的 AI 观察站。将外界复杂的“AI 强光”，真真切切地折射为清晰的未来产业格局与工程现实。

穿透迷雾，看清底牌。欢迎关注「奇点折射」，并设为星标

「从具身智能到 Physical AI」专题阵容更新！

段楠、方斌、戴若犁、刘昊、郎玉川、唐都钰、邵鹏韬等一线研究者与产业实践者，将围绕世界模型、灵巧操作、本体—数据—模型飞轮、机器人 Agent、Physical AI、多机协同等方向，分享最新研究判断与真实工程实践。

2026 奇点智能技术大会将汇聚 70+ 技术嘉宾、18 大前沿专题、70+ 主题演讲、1000+ 行业技术人，覆盖 RSI、Agent、AI Coding、世界模型、Physical AI、AI Infra、企业级 AI 等热门方向。

11 月 20–21 日｜北京万达文华酒店

如果你正在关注具身智能、机器人、世界模型或下一阶段 AI 技术趋势，扫码即可注册参会，提前锁定席位。