近日，谷歌首席科学家 Jeff Dean 宣布离职，结束其在谷歌长达 27 年的职业生涯，创办 AI 初创企业 Discovery Loop，主攻自动化科学研究流程。一同加入新公司的还有 Oriol Vinyals、Quoc Le、Sanjay Ghemawat 三位谷歌资深科学家，四人在人工智能与计算机科学领域均取得里程碑式成果。Alphabet 不仅为新公司提供云算力资源，同时参与投资；项目种子轮由 Radical Ventures、Khosla Ventures 联合领投。消息传出后，谷歌盘中股价一度下挫 5%。

　　不同于通用大模型对话产品，Discovery Loop 旨在打造一套可由 AI 大规模自动化运行的科研工程基础设施，完整跑通 “科研与工程研发实验循环”：AI 读取论文、专利以及历史实验数据，自动提出科学假设，设计实验与仿真方案，调度代码、仿真工具乃至实体实验设备开展验证；完成后分析实验结果与失败诱因，迭代修正假设，规划新一轮研究。公司初期聚焦机器学习与工程研发自动化，后续将逐步拓展至硬件设计、药物研发、清洁能源等重大前沿领域。

　　行业风向：AI4S 竞争重心转向实验到工程的闭环

　　这一事件折射出 AI for Science 领域正在发生关键转向：行业竞争焦点，已经从模型能不能输出预测结果，转变为系统可否持续完成高质量研发迭代，进而具备工程生产可用的完整闭环。

　　过往不少 AI4S 项目停留在性能预测、文献检索、分子生成等单点功能。但仅仅预测材料性能，或者预测分子结构并不等同于完成完整研发决策。AI4S 的核心价值，是提升单位时间、单位成本下的有效实验迭代效率。这也是 Discovery Loop 释放出的重要信号：科学发现到生产闭环正在被拆解为可编排、可并行、可反馈的复杂工程任务。

　　枫清科技：扎根产业的闭环落地实践

　　Discovery Loop 的技术方向，与枫清科技知识中台、智能体平台及连续制造闭环能力高度契合。

　　枫清科技坚持以产业真实数据为核心，依托知识引擎 + 大模型双轮驱动，切入化工新材料，锂电池材料等高价值工业场景，重点破解研发环节数据难组织、工具难协同、实验难闭环、成果难放大四大痛点。围绕新材料从探索到量产的完整科研链路，构建三层研发分析框架：第一层聚焦新材料机理发掘与候选物质探索；第二层承接分子设计、产品开发与加工制造；第三层关注落地工艺调优、性能验证及工业化放大，打通科研立项、实验小试到产业量产的全流程闭环。

　　枫清科技并不角逐基础科研大模型，立足国内工业现实，打造“连续制造发现闭环”产业体系：

　　AI4S中台

　　• 工艺历史数据

　　• 实验室 / LIMS 系统数据

　　• 专利、论文文献

　　↓

　　智能体输出配方、工艺假设

　　↓

　　仿真模拟 / 实物实验 / 小试验证

　　↓

　　检测数据自动回流系统

　　↓

　　模型评估研判，规划下一轮迭代

　　该闭环可广泛应用于新材料筛选、催化剂迭代、化工工艺优化、产品收率与品质提升等场景。

　　传统研发长期困于 “经验试错” 模式，根源在于人类网络、科学计算、物理系统三者能力边界受限且数据链路割裂，形成 “人工假设 — 实验穷举 — 数据无法反哺模型” 的低效循环。枫清科技通过多智能体集群重构三大自主性，推动研发向 “模型驱动自主进化” 跃迁：认知层面，大模型作为 “AI 科学家” 副驾内化海量文献与专家经验，自主完成假设生成、方案设计，人类聚焦目标设定与核心科学判断；计算层面，融合生成式模型、物理信息神经网络（PINN）与机理模型，采用 “万级生成、逐层收敛” 的漏斗式筛选逻辑，低成本粗筛后再投入高精算力，大幅缩小实体实验探索范围；执行层面，依托世界模型调度高通量自动化实验设备，实现 7×24 小时合成、表征全流程与高质量数据回流。平台覆盖微观材料发现、介观性能反演、宏观工程放大全尺度链路，以人在回路、实验在回路、物理在回路驱动系统持续进化，打通从分子设计到工业化落地的完整研发周期。

　　相关模式已经落地验证：2025 年 3 月，枫清科技联合中化数智、吉林大学共建人工智能赋能新材料联合实验室，同年 12 月引入火山引擎作为合作方共建人工智能赋能新材料联合实验室；上述成果已经成功在化工领域链主企业和中小企业分别成功落地，工艺优化领域智能体采用 RaaS 结果即服务模式，收益与客户实际效益绑定，通过枫清科技AI4S平台能力，实验室和中试的持续发现与验证闭环，帮助一家年利润近3000万左右的化工厂成功降本1000万左右。 枫清科技的AI4S平台就是在不断地执行实验到工程落地的闭环中持续迭代，持续优化模型，从一个细分实验领域不断积累，在不断拓展科学发现的领域边界。

　　同赛道下两条迥异发展路径

　　Discovery Loop 与枫清科技，身处同一 AI4S 赛道，却走出差异化发展路线。

　　前者依托谷歌顶尖通用 AI 底座，从基础科研的实验闭环基础设施切入，试图重塑科学发现范式；枫清科技则深耕国内制造业，以化工新材料、制造工艺优化等真实工业场景和数据为载体，依靠产业数据和业务反馈持续打磨迭代模型，走出一条垂直深耕、结果付费的务实落地路径。

　　AI4S 下一阶段的比拼，或将不再取决于模型参数量大小，而是看谁能够保障每一轮计算、每一次实验均可追溯、有据可依、可评价、可反馈，最终落地为材料性能、工艺指标与经营价值。从 “生成一个答案” 升级到 “完成一次有效实验迭代”，再到具备可工程化生产的最终目标或将成为 AI4S 行业真正的分水岭。