成立才一个多月，估值就要冲到 500 亿美元。 根据 Business Insider 9 月 11 日报道，Jeff Dean 的新公司 Discovery Loop 正在寻求新一轮融资，这个数字几周前还是 100 亿美元，虽然还未最终落定，但目标估值已经翻了五倍。 按照 Discovery Loop 公司的规划，AI 将参与提出实验、执行实验和分析结果，而第一个被研究的对象，就是自家的技术体系。 资本押注的逻辑很清晰：如果 AI 能加速 AI 的研发，那被加速的就是一切。 2022 年底 ChatGPT 刚出现时，大家还在惊讶于 AI 能写文章、回答问题。如今，从 Chat 到 Code，AI 能够完成的任务越来越复杂。 过去几个月，这种 “推背感” 又强了一截。 5 月，OpenAI 公布了一份由模型给出的数学证明，推翻了数学家研究了近 80 年的埃尔德什单位距离猜想。几位外部数学家检查了证明，还专门写文章讨论它带来的新认识。 Anthropic 则把一个 AI 研究问题交给了一群 Agent，利用较弱模型的反馈训练更强的模型。在这个过程中，研究人员只设定问题和评价标准，AI 自己提出思路、运行实验、比较结果，再继续调整。在论文实验中，AI 找到的方法超过了人类研究者调优的基线。 Demis Hassabis 在今年 Google I/O 表示，如今是 “科学发现的新黄金时代”。 Chat、Code 之后，全球最前沿的实验室都在不约而同地往一个方向走 ——Discovery ，让 AI 参与科学发现，创造连人类也不知道的新的知识。 图 1：智能跃迁的三个阶段：从 Chat 到 Code 再到 Discovery Intelligence。 从 Chat 到 Code，变化的不只是模型能够完成的任务，也包括模型能够接触和学习的经验类型：从静态知识，扩展到带有行动、结果与反馈的交互式 experience。 但越往未知处走，AI 就越难依赖现成的任务说明。当人类也不知道答案时，AI 该如何选择下一步，又怎样把一次探索中获得的经验，用到下一次研究？ 现在，这个领域迎来了一位值得关注的新玩家。 9 月 15 日，新型研究组织（Neo Lab）PhAI Labs 发布 Discovery Foundation Models（DFM）技术报告，提出一套面向开放式科学发现的通用模型系统。核心团队成员来自斯坦福、牛津、普林斯顿等高校及产业研究机构，研究方向涵盖基础模型、强化学习、智能体、科学智能与递归自我改进（RSI）。 这支团队兼具顶尖科研履历与模型研发经验。据介绍，核心成员在 Cell、Nature、Science 三大期刊均有第一作者论文，在 NeurIPS、ICML、ICLR、CVPR 等顶会上累计发表百篇论文，多项工作入选 Oral。除了学术成果，团队还拥有基础模型预训练、强化学习与具身智能系统研发的实战经验。更为难得的是，这一团队组合将科学问题定义、模型训练、具身执行与强化学习四层能力汇聚于一体，为连接科学问题、模型研发和实验反馈提供了科研与工程两方面的支撑。 他们的思路，是把科学发现从一条直线变成一个闭环： 让 AI 自己识别值得研究的未知问题，提出的假设也不停留在文本里，而是进入真实的工具、数据与实验环境，接受外部证据的检验，而每一次验证的结果，都成为下一次探索的起点，反过来更新 AI 对世界的理解，开启下一轮发现。 在这个过程中，人类科学家的判断与关键选择被完整记录下来，成为训练下一代模型的经验。 技术报告：Discovery Foundation Models: Toward Open-Ended Discovery Intelligence 报告链接：https://arxiv.org/abs/2609.15973 DFM 科学家计划入口：https://phai-labs.com/collaborate/ 官方网站：https://phai-labs.com/ 模型已经很强，科研还卡在哪里？ 让 AI 进入科学研究，困难首先在于：研究往往没有一套预先写好的任务说明。 Karpathy 今年 3 月开源的 autoresearch，AI 自主修改训练代码、运行实验，并根据指标保留还是撤回。autoresearch 可以在明确的训练环境里，用固定指标判断一次修改是否有效。 但在真实科研中，研究者可能连应该研究什么、应该测量哪些变量都需要反复斟酌。一次实验失败，有时意味着方法需要调整，有时则是问题本身就问错了，而区分这两种失败，恰恰是科研里最难、最有价值的判断。 这些判断很少完整地出现在论文里。人们通常能读到最终结论，却不容易看到一个假设为什么被放弃、一次实验为什么失败，以及哪条新证据改变了研究方向。而这些没被写下来的