Research to Reality with Google DeepMind 这场分享来自 AI Engineer World’s Fair 2026 Day 2 主舞台，讲者是 Benoit Schillings。本文只整理会议内容和分享脉络，不做个人使用心得。
原视频：https://www.youtube.com/watch?v=4sX_He5c4sI（约 01:15:35 开始）
分享内容
Benoit Schillings 的 Google DeepMind keynote 更像一次研究视角的校准，而不是具体产品发布。分享里他把机器学习放到更长的技术历史里看，重点不是某个单点功能，而是模型可能让人类看到此前看不到的结构。
字幕里有一句很有代表性的表达：有些进步会让人感觉“它一直在我们面前，只是以前看不见”。这句话解释了为什么 Day 2 会围绕 autoresearch 展开。自动研究的价值，不只是让 agent 多跑几次实验，也包括在更大的组合空间里找到人类没有想到的路线。
这类研究视角和普通工程优化不同。普通优化往往从一个已知假设开始，然后让机器验证；自动研究希望系统参与提出假设、选择实验、解释结果。人的角色会从写每一个步骤，变成设计问题、设定评价标准、判断发现是否有意义。
Benoit 的分享给后面的具体技术做了背景铺垫。Han Xiao 的检索实验、GEPA 的 reflective optimization、kernel autoresearch、AI Village 的 policy search，都可以看作这个大问题的局部实现：把可搜索空间交给系统，让系统带回候选发现。
分享结构
这场分享的结构比较清楚：先用 Research to Reality with Google DeepMind 的问题背景引入，再把重点落到 Autoresearch 这条主线。讲者不是只给一个结论，而是把问题、机制、案例和边界分开讲，方便听众判断这个方向能不能进入真实系统。
按内容顺序看，第一层是背景：Benoit Schillings 的 Google DeepMind keynote 更像一次研究视角的校准，而不是具体产品发布。分享里他把机器学习放到更长的技术历史里看，重点不是某个单点功能，而是模型可能让人类看到此前看不到的结构。 第二层是方法或案例：字幕里有一句很有代表性的表达：有些进步会让人感觉“它一直在我们面前，只是以前看不见”。这句话解释了为什么 Day 2 会围绕 autoresearch 展开。自动研究的价值，不只是让 agent 多跑几次实验，也包括在更大的组合空间里找到人类没有想到的路线。 这两层决定了这场分享不是单纯概念介绍，而是在解释为什么这个问题现在变得重要。
第三层是工程约束：这类研究视角和普通工程优化不同。普通优化往往从一个已知假设开始，然后让机器验证；自动研究希望系统参与提出假设、选择实验、解释结果。人的角色会从写每一个步骤，变成设计问题、设定评价标准、判断发现是否有意义。 这部分通常是会议分享里最值得保留的内容，因为它说明方案不是靠一句口号成立，而是靠具体环境、指标、记忆、验证或工具链支撑。
关键细节集中在后半段：Benoit 的分享给后面的具体技术做了背景铺垫。Han Xiao 的检索实验、GEPA 的 reflective optimization、kernel autoresearch、AI Village 的 policy search，都可以看作这个大问题的局部实现：把可搜索空间交给系统，让系统带回候选发现。 这段把分享从背景介绍推进到可检查的技术抓手，也解释了为什么它会被放进 Day 2 的主舞台议程。
会议脉络
这场也隐含一个风险：发现空间越大，验证压力越大。模型进入更大的组合空间时，产出的候选也会更多、更杂、更难判断。没有评估和证据，发现很容易变成幻觉或者噪声。
Google DeepMind 这场的会议价值，在于把 autoresearch 从工具话题拉回研究方法。它提醒听众，自动研究不是让模型替人写报告，而是让实验、观察和假设生成变成可运行的系统。
对 Day 2 主线来说，这场的作用是打开问题空间。后面的分享负责把问题收窄：怎么做检索、怎么做记忆、怎么做实验 trace、怎么做真实世界 eval。大愿景只有落到这些机制上，才会变成工程。
来源说明
本文依据官方日程、YouTube 自动英文字幕和视频时间线整理。长直播中存在等待音乐、主持人口播和少量插播内容，正文只保留对应主舞台分享的有效信息。
