AI 能自己做實驗,科學發現就會無限加速嗎?

Jeff Dean 與李飛飛談 Discovery Loop:AI 怎麼把提出方案、執行和評估連成研究迴圈?用等待時間圖、自我改進比較和 Coscientist 真實設備案例,看懂提速的可能與證據界線。

本文目錄 7 節
  1. Discovery Loop 想自動化的,是哪一段研究工作?
  2. 自我改進,為什麼還不一定是「遞迴」?
  3. 少等六小時,為什麼不等於無限加速?
  4. AI 真的能接上實驗室嗎?看一個已發表的案例
  5. 看官方影片:48 分鐘,從這幾段開始
  6. 對家長、老師和學生,更值得練的是什麼?
  7. 參考來源
科技探索封面:Jeff Dean 站在 Stanford HAI 講台前說話;左側半透明深藍漸層上有金色標籤「科技探索|SimpleLearn」、引言列「JEFF DEAN × 李飛飛・AI 做研究」、大標「AI 自己做實驗,研究會無限快?」與副標「Discovery Loop 的研究迴圈觀點」。
封面|畫面取自 Stanford HAI 官方影片(2026-10-28 閉幕對談),經裁切並加上漸層與文字。

半夜實驗已經跑完,人卻要等到早上回辦公室,才知道下一步該做什麼。Jeff Dean 在一場公開對談裡用這個例子說明:如果 AI 能檢查結果、接著安排下一輪,研究中「等人接手」的時間就有機會縮短。可是,這是否代表科學發現會越來越快,最後快到沒有上限?

2026 年 10 月 28 日,史丹佛大學以人為本人工智慧研究院(Stanford HAI)邀請 Dean 介紹他新創立的公司 Discovery Loop,接著由李飛飛與他對談(活動議程)。兩人討論的核心,是怎麼把提出想法、做實驗、看結果、修正方法,連成一個能持續運作的迴圈。李飛飛也追問:一般的自我改進,和現在常聽到的「遞迴自我改進」,到底差在哪裡?

先分清楚:這是一場技術願景與觀點對談

Discovery Loop 希望加快科學與工程研究。本文會把講者的目標、概念說明,以及其他團隊已發表的實驗證據分開來談,不把一場演講當成所有領域都已驗證的成果。

Discovery Loop 想自動化的,是哪一段研究工作?

平常問 AI 一個科學問題,它可能回你一段說明。研究迴圈想做得更多:先提出可以檢查的方案,再用程式、模擬或實驗設備執行,讀取結果,決定接下來要改什麼;上一輪的結果,會影響下一輪要試的方向。Discovery Loop 的成立公告也把這種實驗循環的自動化,列為主要的研究方法。

這家公司由 Dean 和三位 Google 老同事在 2026 年 8 月成立,Google 是創始投資人之一(Unite.AI)。Dean 在演講中說,團隊目前大約有 20 個自動改進的循環在運作(官方影片約 14:13)。

流程圖:標題「把一次回答,變成能接收回饋的流程」。左側「人先設定」:要解決什麼問題、怎樣才算更好、哪些結果要再檢查,並註明這是本站整理的閱讀重點,不是官方系統架構圖。右側三個方框以箭頭連成一圈:1 提出方案(下一個實驗試什麼)、2 執行實驗(程式、模擬或設備)、3 評估結果(量測、比較、檢查),中央寫「結果回到下一輪」;旁邊另有「也要記下來:失敗的嘗試、不確定的結果,下一輪才不會重複」。
圖:把一次回答,變成能接收實驗回饋的流程。「人先設定」為本站整理的閱讀重點,不是官方系統架構圖。資料來源:官方影片約 1:54–2:44、Discovery Loop 成立公告;SimpleLearn 製圖。

這裡的 AI 代理(AI agent),可以先理解成能使用工具、接收執行結果,再選擇下一步的系統。它可能幫忙寫實驗程式,也可能讀取儀器資料。關鍵不在它寫了多少字,而在結果能不能回到流程裡,讓下一步的決定有所依據。像 Coscientist 這類已發表的研究,就展示過把語言模型接上查資料、寫程式和實驗自動化工具的做法(Boiko 等,Nature)。

自我改進,為什麼還不一定是「遞迴」?

Dean 用一個辨識任務說明兩個層次:讓系統嘗試不同方法、把某個任務做得更好,是自我改進;如果連負責提出改進方法的那套系統,也成為被改進的對象,才是他在對談裡說的遞迴自我改進(recursive self-improvement,RSI)。這裡沿用講者的工作定義,不把所有相關研究名詞都當成同一件事。

要分辨什麼?自我改進對談中的遞迴自我改進
主要改變的對象某個任務的模型、方案或表現。連負責提出改進方法的系統也一起改善。
白話問題這次任務,能不能做得更好?「找改進方法」的能力,能不能也變好?
不能直接推論多跑幾輪,不代表研究系統本身已經改進。有回饋迴圈,不代表一定會無限加速。
表:兩種「自我改進」的差別,為本站依對談整理的中文解釋,不是兩人的逐字引言,也不是所有 RSI 文獻的統一定義。資料來源:官方影片約 20:46–25:50;SimpleLearn 整理。
層次圖:標題「自我改進與 RSI:關鍵是改的是誰」。上層「提出改進方法的系統」:決定下一個要試什麼方案、根據回饋安排下一步;下層「被改善的任務模型或方案」:例如判讀 MRI 影像的模型,用測試結果看這個任務有沒有變好;上層往下有箭頭「試出更好的方案」。右側兩個說明框:遞迴自我改進連上層系統也一起改;一般的自我改進只改下層的任務、上層系統不變。底部結論:多跑幾輪、會自我檢查,不等於遞迴自我改進,先問被改的是哪一層。
圖:先看「改的是誰」,就比較不會被名詞繞暈。概念示意,不表示任何系統可以任意修改自己。資料來源:官方影片約 20:46–22:30;SimpleLearn 製圖。

本站補充比喻|改紙飛機,和改進試飛的方法

假設你想讓紙飛機飛得更遠。調整機翼,再看飛行結果,是在改善這一架飛機;如果你連記錄、比較和挑選下一個設計的方法也一起改進,就是把「怎麼找改進方向」也納入了。Dean 在對談中也用類似的人類例子:學會煎蛋捲、學會算微積分,是自我改進;學會「怎麼學」,才比較接近遞迴。這個比喻只幫助分辨改變的層次,不表示人的學習和模型更新是同一套機制。

少等六小時,為什麼不等於無限加速?

Dean 的例子是:實驗在凌晨 2 點結束,研究者早上 8 點才看結果(官方影片約 23:53)。中間這 6 小時,就是自動化想減少的等待。不過,這是講者用來解釋的例子,不是 Discovery Loop 公布的效能測試。

時間軸圖:標題「能少等一段時間,不等於所有工作瞬間完成」。上方時間軸從 02:00「實驗結束、結果就緒」到 08:00「研究者進辦公室才看」,中間標示空著約 6 小時。下方「自動接手之後,這些工作還是要做」:讀取資料(保存、整理結果)、評估結果(檢查是否可信)、安排下一輪(再訓練、再執行)。底部結論:省下的是等待,省不掉的是實驗本身,所以 Dean 認為循環不會無限快。
圖:能減少的是部分等待,不是把所有工作變成零耗時。02:00、08:00 來自講者的例子,6 小時為兩者相減;下方流程不按時間比例,影片沒有提供各步驟耗時。資料來源:官方影片約 23:53–24:40;SimpleLearn 製圖。

自動接手之後,電腦仍要運算、訓練、保存資料、檢查結果,下一輪實驗也還是要花時間。所以 Dean 認為,把這個迴圈想成能無限快地運作並不合理(約 24:29)。這是他的工程判斷,對談裡沒有提出一個適用所有 AI 系統的加速上限。

可以把一輪工作拆開來想:提出方案要時間,執行要時間,評估也要時間,中間還可能要等。就算等待縮短了,其他步驟仍會限制整體速度。所以看到「快了幾倍」的說法時,先問它省下的是哪一段、在什麼條件下比較,而不是只看一個倍數。

AI 真的能接上實驗室嗎?看一個已發表的案例

能在電腦裡完成的研究迴圈,和必須操作實物的研究,面對的限制不一樣。Dean 在對談中說,團隊目前先做機器學習研究、機器學習工程和硬體設計,因為整圈都在電腦裡的迴圈比較容易加速,牽涉實際物理過程的就比較難(約 28:28)。他提到的醫療等方向,是之後才要做的,不能寫成已完成的成果。

要看實體設備怎麼接上,可以回到 2023 年發表在《Nature》的 Coscientist 研究。這是另一個團隊的工作,不是 Discovery Loop 的成果。研究讓語言模型使用查文件、寫程式和液體處理設備等工具,完成指定的化學任務;在其中一項展示裡,系統遇到錯誤的設備指令後,自己查文件、修正程式,再成功執行(Boiko 等)。

Coscientist 論文原圖 1:上方 a、b 為語言模型與網路搜尋、程式執行、文件查詢及實驗自動化工具的連接圖;下方 c 為液體處理設備、加熱振盪模組與連上系統的筆電的實物照片。
研究原圖|下方 c 可見液體處理設備、加熱振盪模組,以及連上系統的筆電;上方 a、b 說明工具怎麼連接。這是 2023 年 Coscientist 研究的設備,不是 Discovery Loop 實驗室。來源:Boiko、MacKnight、Kline、Gomes,原論文圖 1,© The Author(s) 2023,CC BY 4.0;原圖未修改。

不過,論文也寫明:這組化學實驗的樣品盤仍由人搬移;另一組反應條件最佳化的測試,則是從已有結果的資料表查詢所提條件,不是每提出一個條件就重做一次實驗。所以「能規劃、能操作部分設備」和「整個實驗室完全不用人」之間,還有很大的距離。

對照圖:標題「相似的循環,背後可能是不同的驗證方式」。Coscientist(2023 年 Nature 論文)的兩種測試:左邊「實體化學實驗」,AI 規劃步驟、寫設備程式,液體處理設備真的執行,樣品盤仍由人搬移;右邊「反應條件最佳化」,AI 提出新的實驗條件,從既有結果的資料表查答案,不是每次都重做實驗。下方說明兩者都不是 Discovery Loop 的成果,也不能串成整個實驗室已經全自動的結論。
圖:同樣是「提出、評估、再嘗試」,背後可能是不同的驗證方式;沒有把兩種測試串成一條全自動的實驗流程。資料來源:Boiko 等正文 Integrated chemical experiment design、Chemical reasoning capabilities 兩節;SimpleLearn 製圖。
看到的說法資料身分目前能怎麼理解?
領域專家的生產力提高 20~50 倍。Dean 在演講約 15:00 提出的目標。是團隊目標;演講沒有提供可以核對的對照試驗,不能寫成已經達到的倍數。
Coscientist 能規劃並執行指定的化學任務。2023 年論文中的概念驗證。在指定設備、任務和人員協助下完成;不等於所有化學研究都能完全自主。
研究系統會一直改進自己,最後無限加速。超出上述資料能支持的結論。有回饋、有自動化,或單項成功,都不足以證明這件事。
表:把目標、實驗和推論分開看。資料來源:官方影片、Boiko 等;SimpleLearn 整理。

看官方影片:48 分鐘,從這幾段開始

官方影片|Stanford HAI 官方 YouTube 頻道,活動日期 2026-10-28,2026-11-05(台灣時間)上架,片長約 48 分鐘,英文(可開自動字幕)。前段是 Jeff Dean 的演講,後段是與李飛飛的對談。由讀者點擊播放;本站以原址嵌入,未下載或重新上傳影片。
從哪裡看?主題觀看時想一想
01:54研究迴圈實驗結果怎麼回到下一輪?
21:00自我改進與 RSI系統實際改變的是哪一個層次?
23:45等待與物理限制分清「少等人接手」和「實驗本身變快」。
28:28數位與實體研究哪些是現在的重點,哪些是未來方向?
30:18理論與實驗李飛飛追問:迴圈是不是偏向實驗式的探索?
47:18給學生的建議Dean 怎麼談使用新工具,以及由人決定方向?
表:觀看導覽。時間依官方英文自動字幕標示段落的大約起點,點時間即從該處播放。資料來源:官方影片;SimpleLearn 整理。

對家長、老師和學生,更值得練的是什麼?

下次看到 AI 做研究的新聞,可以先練習問三件事:它提出的方案有沒有真的被測試?回饋來自新的實驗、模擬,還是既有的資料?最後,是誰設定「做得更好」的標準?

例如,學生用 AI 規劃紙飛機試飛活動,文字寫得再完整,也只是方案;真的試飛、記錄結果,再說明下一次為什麼要改,才有可以討論的證據。老師還可以追問:只看飛得最遠的那一次,和看相同條件下能不能重現,會不會得到不同的判斷?這是本站補充的課堂討論例子,不是 Coscientist 或 Discovery Loop 測試過的活動。

對談最後,Dean 給學生的建議是:了解新工具,學著把它用在自己在意的事情上;他也強調,大家想一起完成什麼,仍要由人來決定(約 47:18)。放回研究迴圈來看,AI 可以幫忙提出、嘗試更多方法;但問題重不重要、證據可不可靠、結果要拿來做什麼,仍是我們要持續思考的事。

參考來源

  1. Stanford HAI/YouTube:Confronting Our AI Future: Closing Keynote “Discovery Loop” with Jeff Dean and Fei-Fei Li(活動 2026-10-28;2026-11-05 台灣時間上架) https://www.youtube.com/watch?v=ooGKNwJWdb8
  2. Stanford HAI:Confronting Our AI Future 活動議程(2026-10-28) https://hai.stanford.edu/events/confronting-our-ai-future-hope-fear-and-the-choices-ahead?section=agenda
  3. Discovery Loop:Announcing Discovery Loop(成立公告,2026-08-05) https://www.discoveryloop.com/blog/announcing-discovery-loop/
  4. Unite.AI:Jeff Dean Leaves Google to Automate the Scientific Method With Discovery Loop(2026-08-05) https://www.unite.ai/jeff-dean-leaves-google-to-automate-the-scientific-method-with-discovery-loop/
  5. Boiko、MacKnight、Kline、Gomes:Autonomous chemical research with large language models(Nature,2023-12-20) https://pmc.ncbi.nlm.nih.gov/articles/PMC10733136/
  6. Nature:同論文圖 1 與設備照片(2023) https://www.nature.com/articles/s41586-023-06792-0/figures/1
  7. Creative Commons:CC BY 4.0 授權條款(查閱 2026-11-15) https://creativecommons.org/licenses/by/4.0/

本文由 AI 協助整理,經編輯審閱。