Jeff Dean 出山创办 Discovery Loop，枫清科技已在中国跑通这条路

图注：YC，Jeff Dean访谈图注：枫清科技创始人兼CEO高雪峰图注：枫清科技联合创始人兼COO葛爽（右二）

8月5日，在谷歌工作近27年的首席科学家Jeff Dean宣布离职，与Sanjay Ghemawat、Oriol Vinyals、Quoc Le三位老搭档共同创立Discovery Loop。Alphabet以创始投资方身份入局并提供首年云算力；Radical Ventures、Khosla Ventures、Lightspeed、Kleiner Perkins、Doerr Capital等顶级机构悉数进场。据“Business Insider”报道，这家尚无产品、无办公室、无营收的四人公司，正在洽谈约10亿美元融资，估值约100亿美元。

资本愿意为一张PPT开出百亿美元，买的显然不是产品，是方向。

这个方向就是AI4S（AI for Science，人工智能驱动的科学研究）——简单地说是让AI自动参与科学发现的全流程：拆解问题、提出假设、执行实验、评估结果、迭代反馈。它不是给科学家配一个聊天机器人，而是用多智能体系统把“实验循环”本身自动化。英伟达CEO黄仁勋把它与大语言模型、具身智能并列为AI的三大关键方向。这一概念由中国科学院院士鄂维南在2018年首次提出，2024年诺贝尔物理学奖和化学奖双双颁给AI相关科学家，让它从学术圈真正走进了大众视野。

而Discovery Loop所定义的AI4S，并非狭义的自然科学AI，而是一个更广义的“智能体—科学实验计算—自主评测与反馈”的横向自动发现引擎。它的适用范围不限于化学、材料、生物等自然科学领域，同样可以用于机器学习算法优化、芯片设计等工程领域。Jeff Dean也在YC访谈中明确说过，这套方法“适用于任何拥有可衡量目标的科学和工程领域”。理解这一点，才能理解AI4S真正的想象空间。

硅谷用最豪华的团队和最顶级的资本，把AI4S的开场演到了极致。

但把镜头转向中国，会发现这里有着AI4S生长最需要的土壤。中国拥有全球最完整的制造业体系和最密集的工业场景，从化工园区到新材料产线，从医药研发到先进制造，每一个环节都在产生AI4S需要的“真问题”和“真数据”。与此同时，过去两年中国大模型和智能体生态的快速成熟，让企业不必从零搭建技术底座，可以更直接地将AI能力嵌入产业现场。政策端同样在推着往前走——AI4S已在2025年正式上升为国家战略，成为“人工智能+”行动的重点方向之一。

枫清科技正是这一路径的代表。它深耕化工、先进制造等领域，在AI4S和AI4E（AI for Engineering）的框架下，依托真实的产业数据，打造自主实验、中试与生产的大闭环自我发现引擎。这与Discovery Loop的广义自动发现引擎在方法论上同源，但枫清选择了一条从产业现场出发的落地路径。换句话说，硅谷负责把AI4S的方向讲清楚，中国则提供了把这个方向变成产业现实的全部要素。在这片土壤上，枫清科技是其中一个已经交出答案的公司。它的AI4S平台正在中国的化工产业里运转，跑的是真实的实验循环，产生的是真实的营收。

这不是“开胃菜”和“正餐”的先后问题。这是同一张图纸，两种进度：一边刚把方向讲清楚，另一边已经把方向变成了产线。Discovery Loop要做的这件事，到底难在哪？枫清又是怎么在中国把它跑通的？答案里藏着AI4S赛道最容易被忽略的一条铁律。

科研最贵的不是算力，是“不知道往哪算”

AI for Science的真正瓶颈，不在模型能力，而在高质量反馈数据的获取成本。

通用大模型可以靠全网数据“喂饱”，但科研数据没有“全网”。它散落在实验室记录、LIMS系统、工艺参数、检测报告里，格式不统一、覆盖不完整、可信度存疑。更麻烦的是，实验室里不是没有数据，而是数据以“人”为单位存在——一个配方工艺的调整，记在某个工程师的笔记本里；一次失败实验的完整参数，只存在于当班操作工的记忆中。AI需要的是结构化、可追溯、带上下文的数据，不是一句“上次试过，不行”。清华大学教授罗三中把这个问题说得更透：AI4S要走向深入，关键是要“建成一个适配AI的数据生态，让所有做实验的课题组都愿意去共享他们的数据”。

这个问题的严重程度，几个数字可以说明。材料领域存在着“Eroom定律”（反摩尔定律）：发现新物质的难度和成本随时间指数上升，不是因为科学家不够努力，而是因为容易找的都找完了，剩下的都藏在复杂体系里。更头疼的是反馈质量。公开文献中的化学数据，经实际验证后发现约30%不可信。IBM的研究则显示，数据科学家80%的时间花在清洗数据上，真正用来训练模型的时间不到五分之一。用这样的数据训练模型，结果不是“算不准”，而是“越训越偏”。

这不是Discovery Loop意识不到的问题，而是它目前还没有真正面对。它从机器学习研究切入，因为ML领域反馈快、指标清晰、环境可控，适合先在“模拟器”里练手。Jeff Dean在YC访谈中讲过一个精彩的案例：他的同事用神经网络逼近量子化学模拟器，把分子性质预测速度提升了30万倍。但请注意，这是“模拟加速”。模拟器可以无限重跑，参数错了改一行代码再来；真正的物理验证有硬约束——一个反应釜的物料配比错了，不是重启系统就能解决的。用驾驶做比喻：Discovery Loop正在一条没有行人、没有红绿灯的封闭跑道上练车，而真正的AI4S，是在化工园区的真实路况里开——高温高压、工艺漂移、老师傅的经验干扰，这些都不在模拟器里。

枫清科技创始人兼CEO高雪峰在AI4S创新论坛上讲过一个词：沉淀。他说，联合实验室的成果要“汇入石景山区AI for Science平台，借助政府公信力凝聚产业生态，沉淀数据与智能体能力”。这两个字画出了这件事里最难的一步。沉淀的前提，是容器里有东西可沉。Discovery Loop当前的“容器”里装的是公开文献和ML实验记录；枫清的“容器”里装的是产线上跑出来的每一批参数、每一次失败、每一个被验证的配方。前者可以下载，后者只能“跑”出来——这就是数据和AI-Ready数据之间的真实差距。

这就是为什么“跑通”二字在AI4S赛道里重若千钧。AI4S的模型能力，只有在真实产业场景中完成"假设—实验—验证—迭代"的完整闭环，才能获得高质量的训练数据和反馈信号。没有真实场景的循环，就不会有真实能力的积累。

算得快，解决的是“试一次要多久”；跑得通，解决的是“试错了能不能知道错在哪、下一轮能不能改对”。这两个问题的价值差，就是实验室和产线之间的价值差。

枫清跑通了什么？——同一命题下的中国式验证

Discovery Loop定义的“多智能体自动拆解科研任务、调度工具、执行实验、评估迭代”，枫清科技已经在中国化工新材料产业中落地成可复用的平台能力。区别在于：硅谷路线从AI研究出发，往物理世界延伸；枫清路线从产业需求出发，用真实场景倒逼技术迭代。在AI4S和AI4E的框架下，枫清依托实际产业数据，把自主实验、中试与生产串成一个大闭环自我发现引擎，这正是它与Discovery Loop广义方向同源、但落地路径不同的地方。

枫清的落地结构，可以用三个层级来说清楚。

第一层是国家级研发载体。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。四方分工明确：中化提供真实产业需求和场景验证，吉林大学带来前沿科研力量，火山引擎输出算力底座，枫清负责把三方能力沉淀为可复用的智能体和行业模型。实验室覆盖分子生成与逆合成、分子动力学、量子化学、数字中试、工业优化等垂类科研工具链——不是演示级功能，而是直接服务中化新材料研发的产线级工具。

第二层是区域级公共平台。与火山引擎联合打造的北京石景山区AI for Science平台已于2025年12月正式上线，面向科研机构和企业提供从数据处理、试验设计到模型训练的全链路支持。这是国内为数不多已落地且获政府背书的AI4S公共服务平台。高雪峰曾说：“借助政府公信力凝聚产业生态。”这背后是枫清对AI4S部署形态的判断——AI4S不能只停留在某一家企业的私有部署里，它需要变成一个区域的基础设施，才能持续产生复利效应。

第三层是产业级落地闭环。2026年3月，枫清与深圳桦能在东营成立合资公司枫桦智能，将AI4S平台直接嵌入化工园区中试基地。至此，“干实验设计—湿实验验证—产业化落地—数据再训练”的完整生命周期闭环形成。这一步的意义在于：AI4S不再停留在实验室里，而是进入了真实的量产流程。每一轮实验反馈来自产线，每一批数据直接反哺模型迭代，模型迭代后再指导下一轮实验——这是一个真正在转的Loop。

这套闭环是枫清科技自研的“科研六智”能力体系——智选方向、智研依据、智算驱动、智验分析、智推转化、智协成果，六个环节对应从立项到转化的科研全流程。

“转起来”的证据是商业数据。2025年，枫清科技营收同比增长超过300%，2026年一季度营收已接近上年全年。AI+过程优化技术在某助剂公司落地后，每年节省成本超过千万元。与中化合作中，AI辅助配方优化大幅压缩实验次数，验证结果与AI预测高度一致。客户名单上还有华润医药、TCL中环——都是各自行业里的链主企业。链主客户和实验室客户的区别很简单：前者为结果付费，后者为可能性付费。

Discovery Loop还在招第一个员工的时候，枫清已经用“国家级载体+区域平台+产业闭环”的三层结构，把“实验循环”嵌进了中国化工产业的生产线。这不只是“先走了两步”，而是验证了另一条路的可行性：AI4S可以不需要先造一个“科研版云计算操作系统”，而是先做产业里的“科研自动化工人”。

一张PPT值100亿，一条已经跑通的产线值多少？

Discovery Loop仅凭概念和履历就获得百亿美元估值，而枫清科技已经用真实营收和产业闭环验证了同一命题。如果“方向定义者”值100亿，“方向验证者”应该值多少？这个问题的答案，取决于资本市场是否愿意为“确定性”支付溢价。

先看进度差。Discovery Loop：四位创始人，零产品，零营收，零客户，还没有开始大规模招聘。而枫清科技联合实验室已运行一年多，石景山AI4S平台已上线，东营合资公司已落地，服务多家链主企业，营收持续高增长。一边在画图纸，一边已经交付了楼盘。

再看数据质量差。枫清通过“与链主企业共创”的模式，获得了公开数据无法提供的高质量反馈——真实产线数据、失败实验数据、过程参数数据。这些数据是AI4S最稀缺的资产，也是枫清最深的护城河。公开文献里约30%的化学数据经不起验证，但产线上跑出来的每一组数据，都对应着一个真实的批次、一个真实的参数、一个真实的结果。

最后看路线差异的资本含义。硅谷路线赌的是“通用科研操作系统”的长周期价值，风险高、天花板也高；中国路线走的是“垂直产业闭环”的渐进式扩张，确定性更强、变现周期更短。枫清对AI4S更是有自己的理解：以产业智能大循环为主体，产业智能与科学实验双循环相互促进。也就是说，AI4S不能只停留在实验室里，必须嵌入产业循环，用真实需求牵引科研，再用科研成果反哺产业。

枫清科技联合创始人兼COO葛爽6月在中国日报CEO对话会上透露的信息，恰好说明了这种“可复制”不是口号：枫清正在将AI4S模式从东营复制到陕西，借西安辐射西北新材料产业，同时搭建营销团队和干湿一体化实验室，加速技术方案跨企业复制。对于即将赴港上市的枫清而言，这种“可计算、可复制、有营收”的属性，恰恰是港股市场最认的对标叙事。港股投资人或许不会为“下一个Jeff Dean”买单，但他们或许会为“已经跑通的那个”买单。

当全球投资人在为“自动化科研”这个概念激动时，有一个中国公司已经把这个概念变成了年增速300%的生意。资本愿意为想法买单，是Discovery Loop的胜利；资本是不是也该为验证买单，这是枫清科技给市场出的一道题。

他们定义了方向，我们验证了方向

Jeff Dean的出走，对AI4S赛道是一件好事。Discovery Loop带着PPT从学术圈走进了资本圈，给了所有做这件事的人一个全球性的认知坐标。但对投资人和产业合作伙伴来说，更重要的是在坐标上找到那个已经落地的点。

枫清科技的价值，不在于它“像Discovery Loop”，而在于它用时间证明了：在中国，AI4S可以不靠烧算力赌未来，而是用链主企业的真实场景跑通产业闭环，用每一分钱的营收回答“这条路走不走得通”。

Discovery Loop要自动化的科学循环，枫清已经在中国化工产业里跑通了。

全球科研自动化的两条路线：硅谷的Discovery Loop，中国的枫清科技。一个负责定义方向，一个负责验证方向。而验证过方向的人，理应获得资本市场的重新定价。