持续探索 通过自动化发现来加速全球的科学与工程。科学发现面临瓶颈。科学方法是人类所发明的最伟大的工具之一，然而其执行涉及重复的实验循环，这在今天的手动努力中难以扩展：你提出一个实验，实施并运行它，检查结果，然后迭代以完善你的方法。历史上，科学进步依赖于这些顺序的人工迭代。在许多领域，这一过程仍然是极其缓慢且劳动密集的。 01 — 方法 自动化实验循环。在发现循环，我们正在构建系统以自动化整个实验循环。通过利用前沿AI模型和大规模计算基础设施，我们的系统将能够快速提出、运行并从评估中学习。这种方法允许成千上万的实验并行执行，极大地压缩迭代时间，并提高科学与工程成果的数量和质量。 从机器学习开始 我们将首先专注于自动化机器学习研究和工程的过程。 作为我们自己的首个客户 我们将利用这些自动化的机器学习能力快速优化我们自己的技术栈，然后再扩展到其他领域。 重大挑战 我们相信我们的方法能够解决在科学和工程领域中具有可度量结果的任何学习循环。最终，我们正在构建能够应对国家工程院（NAE）重大挑战的系统，例如工程更好的药物、推进健康信息学、使太阳能经济化、提供清洁水的获取、保护网络空间以及工程科学发现的工具。 02 — 使命 我们的使命很简单：我们正在构建能够自动解决机器学习、科学和工程中重要问题的AI解决方案。通过加快进行工程和科学发现的速度，我们可以更快地将科学和技术的利益带到世界。最终，我们的目标是构建能够成为对人类积极且赋权的力量的AI系统，提供改善人们生活的技术解决方案，惠及全球。 04 — 团队 智囊团。我们的创始团队——杰夫·迪恩、桑贾伊·盖玛瓦特、阮国和奥里奥尔·维尼亚尔斯——有着深厚的友谊和数十年的紧密而有影响力的合作历史。 从左到右：奥里奥尔·维尼亚尔斯 · 桑贾伊·盖玛瓦特 · 杰夫·迪恩 · 阮国 我们共同代表了人工智能领域三位引用次数最多的研究人员和分布式系统领域两位引用次数最多的研究人员。我们在大型计算规模的先锋和关键基础设施、产品及基础AI进展的创建中发挥了领先作用，全球依赖于这些进展，包括多个版本的Google搜索、Google广告、Google新闻、Google翻译、Google文件系统、MapReduce、BigTable、Spanner、TensorFlow、路径、TPU、AlphaChip、AlphaStar、AlphaCode、AlphaFold、Gemini、模型蒸馏、专家混合模型架构、word2vec、序列到序列模型、思维链推理、神经架构搜索，以及多个版本的大型语言模型（LLMs）等。 我们的相对优势不仅在于我们的技术能力；还在于我们以前构建的系统的前所未有的规模。我们拥有真实的全栈深度，涵盖芯片、硬件基础设施、软件基础设施、机器学习模型和产品。 04 — 下一步 想象一个未来，一小部分人能够比今天大规模的科学家和工程师团队更迅速、更高质量地进行科学研究和工程任务。通过自动化发现循环，世界将在无数科学领域实现更快的进步。我们正在建立一个精简的、面对面的团队，以执行这一变革性的愿景。