当地时间八月五日的深夜，谷歌投下了一枚让整个 AI 圈失眠的重磅消息。Google DeepMind 联合创始人兼 CEO Demis Hassabis 宣布卸任日常运营职务，转任 Google DeepMind 董事长，同时出任 Alphabet 首席科学家。同一天，在谷歌工作了整整二十七年的首席科学家 Jeff Dean 正式离职，与三位资深同事创办新公司。一家公司最大的两个技术权力中心，在一夜之间同时换了主人。

消息传出的瞬间，Alphabet 股价盘中一度跳水超过百分之五，收盘仍下跌百分之四，报三百六十二美元出头。市场用真金白银表达了对这次人事地震的判断，投资者最关心的问题是 Gemini 旗舰模型什么时候才能交出来。这场变动表面上是一次高管调整，本质上却是谷歌 AI 战略的一次急转弯。理解它，需要同时看懂组织账和技术账两本账本。

Hassabis 的离开方式很特别，他没有离开 Alphabet，只是把日常运营交给了别人。他对外解释，自己一生都在追求通用人工智能，而现在他确信 AGI 已经近在眼前。与其继续处理部门管理事务，不如集中精力思考长期战略和全球政策。他同时保留了 AI 制药公司 Isomorphic Labs 的 CEO 职位，继续推动用 AI 改善人类健康的事业。

Jeff Dean 则是彻底告别。他在告别信里回忆，自己见证了谷歌从只有二十五人的小公司，成长为拥有十九万多名员工的科技巨头。他参与建设的技术几乎贯穿了谷歌的全部历史，从搜索、邮件、翻译到大规模计算和 AI 系统。如今他把工牌摘下，带走了一支横跨分布式系统、基础模型和机器学习架构的核心团队。这件事对谷歌的冲击，远超一次普通的高管离职。

接替 Hassabis 掌管 Google DeepMind 日常业务的是 Koray Kavukcuoglu，此前他担任 DeepMind CTO 和谷歌首席 AI 架构师。他将以高级副总裁的身份直接向谷歌 CEO Sundar Pichai 汇报，负责 Gemini 模型开发、前沿 AI 研究以及相关应用和开发者团队。这个职级变化本身就很耐人寻味，从独立 CEO 变成汇报线更短的部门负责人。Google DeepMind 从此从一个半自治实体，变成了离产品更近的作战单元。

Jeff Dean 的二十七年：一个人就是一部谷歌史

Jeff Dean 是什么人，可能很多年轻开发者只是听说过名字。他是谷歌历史上的第三十号员工，一九九九年加入时谷歌还是一家只有几十人的创业公司。MapReduce、BigTable、TensorFlow 这些支撑现代大数据和深度学习的基础设施，背后都有他的身影。业内称他是程序员中的程序员，是那种一个人能顶一个团队的技术天才。

他与 Sanjay Ghemawat 的合作是硅谷最著名的技术搭档之一，两人共同缔造了 MapReduce 和 BigTable 两个改变行业的系统。在谷歌内部，Jeff Dean 的传说多到可以编成一本笑话集，他写的代码以极简和高效著称。二〇二三年 Google Brain 与 DeepMind 合并后，他被任命为谷歌首席科学家。他的职责范围同时覆盖 Google Research 和 Google DeepMind，是谷歌 AI 研究的最高技术权威。

此次离职的并不是只有 Dean 一个人，与他同行的三位同事每一个单独拿出来都是重量级。Sanjay Ghemawat 是他在谷歌合作二十多年的老搭档，共同缔造了 MapReduce 和 BigTable。Oriol Vinyals 此前是 Google DeepMind 研究副总裁兼 Gemini 技术负责人。Quoc Le 则是 Google Brain 的联合创始人之一，长期研究神经网络、AutoML 和大模型。四个人组成了新公司 Discovery Loop 的完整创始团队。

新公司名字叫 Discovery Loop，注册为公共受益公司。这家公司要做的不是又一个聊天机器人，而是把科学研究的过程本身自动化。Dean 在采访中说，科学过程就是提出实验想法、搭建并运行实验、然后评估结果，这个循环在很多领域完全可以整体计算机化。公司名称里的 Loop 指的就是这个闭环，自动化的实验循环。

Discovery Loop 的第一步计划是先把自家机器学习的研究与工程自动化跑通。跑通之后再逐步拓展到硬件设计、药物研发和清洁能源这些全球性难题上。种子轮由 Radical Ventures 和 Khosla Ventures 共同领投，Lightspeed、Kleiner Perkins 等机构跟投。值得注意的是，Alphabet 自己也是创始投资者之一，并且会继续提供云计算资源。谷歌用投资的方式，把这段离职关系变成了合作关系。

组织账：从研究重镇到产品部门的转身

要理解这次变动为什么是标志性的，得先看谷歌 AI 组织这些年走过的路。二〇二三年 Google Brain 和 DeepMind 合并成 Google DeepMind，Hassabis 出任 CEO，Dean 担任谷歌首席科学家。合并的初衷是把两个研究团队的力量拧成一股绳，全力对抗 OpenAI。两年多过去，组织整合的成效与代价同时显现。

合并之后，谷歌在基础研究上依旧保持着顶级水准，Transformer 的发明者团队大多还在。但研究到产品的转化节奏，始终追不上竞争对手的发布速度。OpenAI 的 GPT 系列和 Anthropic 的 Claude 系列保持着高频迭代，而 Gemini 的旗舰版本一再延期。原计划六月发布的 Gemini 旗舰模型，到这次人事变动时仍然没有面世。

Gemini 项目的三名共同负责人已经全部离开了谷歌。Noam Shazeer 今年六月转投 OpenAI，他是 Transformer 论文八位作者之一，也是谷歌最核心的 AI 人才之一。加上这次离开的 Vinyals 和 Quoc Le，Gemini 早期研发班底几乎清空。Anthropic 和 OpenAI 今年夏天还分别挖走了谷歌的一位 AI 明星员工，人才流失呈加速态势。

Kavukcuoglu 接下的担子因此格外沉重，他要同时面对模型延期和团队重建两个难题。他长期负责 DeepMind 的技术架构，对 Gemini 的技术栈非常熟悉，这是他的优势。但组织汇报线的缩短也意味着，产品压力会更快传导到研究团队。Pichai 在财报电话会上提出，希望 Gemini 的发布节奏能做到几乎每月一次。从半年一更到每月一更，这个目标对任何团队都是巨大考验。

从权力结构看，这次调整让 DeepMind 从一个拥有独立 CEO 的研究重镇，变成了汇报线极短的产品部门。Hassabis 升任董事长和 Alphabet 首席科学家，实际上是把战略话语权保留在自己手里。Kavukcuoglu 则负责把研究和工程变成按时交付的产品。一虚一实的分工，暴露出谷歌对过去组织模式的反思：研究强、交付弱，必须改变。

市场与资本账：钱不是问题，人成了问题

资本市场对这个故事的解读非常直接。消息公布当天 Alphabet A 股盘中跌幅一度扩大，收盘下跌百分之四，报三百六十二美元出头。有媒体估算，这次人事变动让谷歌市值蒸发了超过万亿级别的人民币。放在 Alphabet 二季度资本支出同比翻倍、达到四百四十九亿美元的背景下，这种下跌更加刺眼。投资者不是不认可谷歌的投入，而是对投入转化为产出的速度失去了耐心。

谷歌的牌面其实一点不差，TPU 自研芯片、谷歌云、以及月活接近十亿的 Gemini 应用。论基础设施完整度，全世界没有第二家公司能同时拥有这三样东西。但牌面好和打赢牌是两回事，市场要看的是结果。OpenAI 凭借 ChatGPT 建立起的用户心智，Anthropic 靠 Claude 在开发者群体里的口碑，都是谷歌短期内难以撼动的。而 Gemini 的延期，恰好放大了市场的不安。

资本开支的数字更能说明问题，Alphabet 把二零二六年的资本支出预期上调到一千九百五十亿至两千零五十亿美元。财务负责人还预告，二零二七年的资本支出会显著高于二零二六年。这意味着谷歌在算力投入上没有丝毫收缩的打算，反而在加速加码。钱不是问题，人成了问题，这才是这次人事变动的核心注脚。

技术账：上下文工程与自动化实验循环

Discovery Loop 选择的方向，其实透露了这批顶级科学家对 AI 下一阶段的判断。Dean 在离职前的访谈里说，AI 正在从以模型为中心转向以上下文工程为中心。模型能力越来越强之后，决定系统上限的不再是单个模型，而是围绕模型的上下文、工具和记忆的组织方式。这个判断和近年 Agent 系统的大爆发完全吻合。

他还有一个更激进的预测，到二零二七年，深度学习系统将实现全自动的问题分解和实验循环。系统能够自己把大问题拆成子问题，自动设计并运行实验，整合结果后改进自身。而且这套方法不只适用于机器学习，任何有可衡量目标的科学和工程领域都能用。Discovery Loop 的定位，就是把这个预测变成现实的公司。

自动化实验循环听起来像是科幻，但它的技术路线其实有清晰的分层。底层是实验编排系统，负责把实验配置、数据、代码和算力资源统一管理。中间层是结果评估器，用自动化指标判断实验是否有效。最上层是搜索策略，决定下一步该试什么参数和什么方案。把这三层打通，科学家的工作就从手工操作变成了监督与决策。

这里可以给一个最小可运行的实验循环实现，用 Python 写一个通用框架。下面的代码演示了如何用一个配置矩阵驱动多个实验、自动收集指标并选出最优方案。它不需要任何第三方依赖，标准库就能跑通，适合作为自动化研究的起点。

import itertools
import subprocess
import json

def run_experiment(script, params, workdir="."):
    """运行单个实验，返回 JSON 指标。script 必须输出一行 JSON 结果。"""
    args = [p for k, v in params.items() for p in (f"--{k}", str(v))]
    proc = subprocess.run(
        ["python", script, *args],
        capture_output=True, text=True, cwd=workdir, timeout=600,
    )
    if proc.returncode != 0:
        return {"error": proc.stderr.strip()[-200:]}
    return json.loads(proc.stdout.strip().splitlines()[-1])

def grid_search(script, grid, metric, minimize=False):
    """遍历参数网格，返回最优实验的完整记录。"""
    keys = list(grid.keys())
    best, best_score = None, None
    for combo in itertools.product(*grid.values()):
        params = dict(zip(keys, combo))
        result = run_experiment(script, params)
        if "error" in result:
            continue
        score = result.get(metric)
        if score is None:
            continue
        if best_score is None or (score < best_score if minimize else score > best_score):
            best_score, best = score, {"params": params, "result": result}
    return {"best_score": best_score, "best": best}

if __name__ == "__main__":
    grid = {"lr": [0.001, 0.01], "batch_size": [32, 128]}
    summary = grid_search("train.py", grid, metric="acc", minimize=False)
    print(json.dumps(summary, ensure_ascii=False, indent=2))

这段代码的核心是 grid_search 函数，它把参数网格展开成实验组合，逐个调用训练脚本并收集指标。run_experiment 负责把参数拼成命令行参数，执行子进程并解析最后一行的 JSON 输出。整个循环完全不需要人工介入，跑完之后直接给出最优参数和对应分数。这就是自动化实验循环最朴素的形态，Discovery Loop 要做的只是把它放大到科学研究的全部流程。

把这个思想再往外推一步，就能看到它对开发者日常工作的影响。如今调大模型参数、选提示词模板、挑 RAG 检索策略，本质上都是实验循环。很多人靠手工试错，一次调一个变量，效率极低。如果把这些过程脚本化、自动化，一个晚上可以跑完过去一周的实验量。上下文工程时代的核心竞争力，就是实验速度和系统化程度。

三家公司放在同一张表里看

把谷歌这次变动放在整个行业的坐标系里看，能读出更多信息。下面是三家头部 AI 公司在组织、产品节奏和人才策略上的直观对比。

维度	谷歌	OpenAI	Anthropic
组织形态	DeepMind 并入产品线，汇报线缩短	产品与研究一体化，节奏快	独立实验室，安全优先
旗舰节奏	Gemini 旗舰延期数月	GPT 系列高频迭代	Claude 系列稳定更新
明星人才	核心班底接连流失	持续吸纳对手人才	持续吸纳对手人才
资本投入	年资本支出近两千亿美元	与微软绑定算力	百亿美元级算力合约

表格里最刺眼的一行是明星人才，谷歌从输出方变成了净流出方。Noam Shazeer 转投 OpenAI，多名 Gemini 负责人先后离开，如今连首席科学家都走了。OpenAI 和 Anthropic 的团队里，谷歌系背景的研究员比例越来越高。硅谷的 AI 人才市场用脚投票，方向已经非常清晰。

人才为什么要走：组织需求与个人追求的错位

这次事件还牵出了一个更深层的问题，大公司的研究部门为什么越来越难留住顶尖科学家。Dean 团队给出的答案很直接，Ghemawat 说谷歌的基础设施非常适合搜索、广告这类大型消费应用。但研究型基础设施需要的是另一套东西，更快的实验反馈、更自由的资源调度、更小的决策链条。当组织需求和个人追求错位，离开就是理性选择。

WIRED 的报道披露，这个创业想法其实只是几周前才冒出来的，并非长期预谋。Pichai 曾多次约谈，试图说服几人不要摘下工牌，最终没有成功。大公司能给的薪酬、资源和稳定，都已经给到了天花板。但几个人要的是初创公司才有的速度、自由和从头搭建的快感。这种什么都给不了我、除了自由的诉求，是大厂留人策略的终极难题。

回顾谷歌的 AI 人才史，类似的离开其实早有先例。二〇二三年，深度学习教父 Geoffrey Hinton 离开谷歌，公开警告 AI 的潜在风险。更早之前，Transformer 论文的多位作者先后出走，创办或加入了不同的人工智能公司。每一次离开都会带走一部分组织记忆和技术路线，累积起来就是研发能力的持续稀释。这次 Jeff Dean 的离开，不过是这条长线上最重的一笔。

Hassabis 的下一步：AGI 战略与药物研发

Hassabis 的转身同样值得细读，他把办公地点搬回了伦敦的 Platform 37，那是 DeepMind 起家的地方。他在给员工的信里说，AI 最重要的应用应当是改善人类健康，现在是时候让 AI 证明自己的价值了。这句话既是个人志向的表达，也暗含对谷歌战略的提醒。当一家公司最大的科学家把目光投向药物研发，说明基础模型的红利期正在向应用端转移。

Isomorphic Labs 是理解 Hassabis 选择的关键拼图，这家公司用 AlphaFold 系列技术做 AI 药物研发。AlphaFold 已经证明了深度学习在蛋白质结构预测上的巨大价值，而药物研发正是科学发现自动化的最佳战场。Discovery Loop 想把整个实验循环自动化，Isomorphic Labs 则是最早的实践场景之一。两条线看似独立，实际上指向同一个方向：让 AI 跑通科学发现的完整闭环。

Hassabis 说 AGI 已经近在眼前，这个判断在业内引发了激烈讨论。支持者认为，模型能力曲线的陡峭程度已经超出多数人的预期。怀疑者则指出，从语言智能到通用智能之间还隔着推理、规划和世界模型等硬骨头。但无论哪一方都承认，AGI 竞赛已经从纯研究问题变成了组织问题。谁的组织能把研究最快变成系统，谁就离终点更近。

对开发者的启示：跟着人才流动选方向

对于还在观望的开发者，这次人事地震是一个明确的信号：技术栈的选择要跟着人才流动走。谷歌系的 MapReduce 和 TensorFlow 曾经定义了上一个时代，但那已经是过去式。现在最活跃的人才正在流向 Agent 基础设施、自动化实验和上下文工程。选择这些方向，等于站在了下一轮技术红利的前沿。

上下文工程这个词值得展开说，它指的是围绕模型调用组织上下文的技术总和。包括工具调用协议、记忆管理、检索增强、多步规划等一组能力。Dean 的判断是，模型本身会越来越同质化，差距将主要体现在上下文工程的水平上。这个判断直接解释了为什么 MCP 协议、Agent 框架和记忆系统会如此火爆。它们是上下文工程时代的基础设施。

自动化实验循环对个人开发者同样有用，哪怕不搞科研也能受益。比如优化一个提示词模板，就可以用代码自动跑几十个变体并打分排序。再比如对比两个向量数据库的检索效果，也可以写成脚本批量验证。把这些重复劳动交给脚本，把时间留给真正需要判断力的工作。效率的提升不是线性的，而是数量级的。

前面给出的 grid_search 框架可以立刻派上用场，只需要把自己的实验脚本接进去。训练脚本负责输出一行 JSON 格式的指标，框架负责调度、收集和比较。更复杂的场景可以在此基础上加装贝叶斯优化、早停机制和并行调度。从手工试错到自动化搜索，这一步跨过去，开发效率会完全不同。

还要提醒一点，自动化的前提是实验可以被量化评估。如果一项工作连评价指标都定义不清楚，自动化就无从谈起。所以上下文工程时代的第一个基本功，是学会为任务设计可测量的指标。这个能力比会调 API 更稀缺，也更难被模型替代。这也是为什么顶级的 Agent 工程师如此抢手，他们本质上都在做实验设计。

Gemini 4 的考卷：节奏、团队与信任

回到最初的疑问，Gemini 4 谁来交卷，答案已经有了。Koray Kavukcuoglu 带着一支重建中的团队，面对一个延期了数月的旗舰项目。他的优势是熟悉技术栈，劣势是团队磨合时间几乎为零。这次交卷不仅关乎一款模型，更关乎谷歌 AI 组织新模式的成败。如果新架构能在十二个月内恢复发布节奏，谷歌的牌面依然能打。

Kavukcuoglu 的资历其实一直被低估，他是 DeepMind 最早期的核心成员之一，深度参与了 AlphaGo 系列的技术架构。他在深度学习理论、表示学习和强化学习上都有扎实的积累，是少数能同时驾驭研究和工程的人。谷歌把 Gemini 4 交给他，显然不是仓促之举。真正的问题在于，留给他的时间窗口比任何前任都短。

市场对 Gemini 4 的期待已经被拉得很高，因为它承担着证明谷歌 AI 组织改革有效性的任务。如果交付顺利，这次人事地震会被重新解读为一次成功的战略调整。如果再次延期，谷歌在 AI 竞争中的被动局面将进一步加深。无论哪种结果，接下来的十二个月都是谷歌 AI 的决定性时刻。

而 Jeff Dean 那边，Discovery Loop 甚至还没有一间办公室，却已经拿到了顶级风投的种子轮。四名创始科学家用几十年积累的信誉，为自动化科学发现这个方向做了背书。Alphabet 的投资和云资源支持，说明谷歌依然看重这批人的长期价值。下一次这两个名字同时出现在新闻里，可能就是一个全新的故事。

把视线拉远，这轮人事变动其实是整个 AI 行业从研究竞赛转向交付竞赛的缩影。当模型能力普遍接近应用门槛，决定胜负的变成了谁能更快地把它变成产品。谷歌用一次彻底的组织手术承认了这个事实，Hassabis 让出日常运营，就是为了让交付团队更轻更快。这种自我调整的勇气，在巨头身上并不常见。

对国内的开发者来说，这个案例的参考价值一点也不比海外低。模型能力差距正在收窄，组织效率和工程化能力将成为新的分水岭。团队里有没有人能扛住从研究到产品的转化，比手里有没有最先进的模型更关键。谷歌这次换帅，等于替整个行业做了一次组织实验。实验的观察窗口，就从下一次 Gemini 发布开始。