Insinyur legendaris Google, Jeff Dean, meninggalkan raksasa pencarian tersebut untuk mendirikan Discovery Loop, sebuah perusahaan yang akan mencoba menulis ulang cara sains dilakukan dengan mengerahkan komputasi masif pada eksperimen.

Tim Tangguh dari Google dan DeepMind

Dean adalah karyawan ke-30 Google dan membantu membangun infrastruktur pencariannya serta model multimodal Gemini. Ia akan menjabat sebagai CEO.

Ia membawa "dream team" peneliti: Sanjay Ghemawat, senior fellow dan insinyur ternama; Quoc Le, anggota pendiri Google Brain; dan Oriol Vinyals, ilmuwan riset senior di DeepMind. Resume mereka mencakup sistem terdistribusi, neural networks, dan reinforcement learning, yang menandakan bahwa Discovery Loop akan menangani masalah-masalah teknis yang sulit.

Mempercepat Sains Melalui Eksperimentasi Otomatis

Discovery Loop diorganisasikan sebagai perusahaan manfaat publik (public-benefit corporation) yang bertujuan untuk menghancurkan "hambatan manusia" (human bottleneck) dalam penelitian. Laboratorium tradisional bergerak melalui siklus hipotesis, eksperimen, analisis, dan keputusan yang lambat dan berurutan. Startup ini ingin menggantinya dengan "algoritma beroktan tinggi" yang dapat meluncurkan ribuan eksperimen sekaligus.

Tesis utamanya memiliki dua tujuan berani:

  1. Mengotomatiskan siklus eksperimental – menggunakan AI untuk mengelola pembuatan hipotesis, pengujian, dan penyempurnaan, guna meningkatkan kuantitas sekaligus kualitas data.
  2. Peningkatan diri rekursif (recursive self-improvement) – membangun AI yang membantu merancang AI yang bahkan lebih kuat, memangkas intervensi manusia dari siklus tersebut dan mempercepat inovasi secara eksponensial.

Dukungan Masif untuk Batas Baru AI

Alphabet mendukung putaran pendanaan awal (seed round), yang dipimpin bersama oleh Radical Ventures dan Khosla Ventures. Kleiner Perkins, Lightspeed, dan Doerr Capital juga ikut berpartisipasi.

Dana tersebut mencerminkan keyakinan yang berkembang bahwa gelombang AI berikutnya akan bergerak melampaui large language models menuju sistem "agentic" yang melakukan penelitian dan mendorong terobosan fisik serta digital.

Mengapa Ini Penting bagi Lanskap AI

Kepergian Dean menandai pergeseran dari "AI untuk konten" menjadi "AI untuk penemuan". Meskipun AI generatif telah mendominasi dua tahun terakhir, Discovery Loop memposisikan dirinya di persimpangan antara AI dan ilmu pengetahuan murni (hard sciences). Jika berhasil, penemuan obat, ilmu material, dan penelitian energi dapat dipercepat secara drastis, mengubah cara umat manusia menangani tantangan teknis tersulitnya.

Poin-Poin Penting

  • Eksodus talenta elit – Jeff Dean, Sanjay Ghemawat, Quoc Le, dan Oriol Vinyals meninggalkan Google untuk membentuk Discovery Loop.
  • Sains otomatis – startup ini akan menjalankan ribuan eksperimen berbasis AI secara paralel untuk melewati hambatan manusia.
  • Modal besar – Alphabet dan sejumlah VC papan atas, termasuk Khosla Ventures dan Radical Ventures, telah berkomitmen memberikan pendanaan.

Talenta di balik pertaruhan ini

Dean membawa tiga insinyur Google yang paling termasyhur: Sanjay Ghemawat, senior fellow yang membangun sistem terdistribusi yang menggerakkan sebagian besar web; Quoc Le, anggota pendiri Google Brain yang memelopori teknik deep-learning; dan Oriol Vinyals, ilmuwan riset senior di DeepMind dengan rekam jejak dalam reinforcement learning. Bersama-sama, mereka membangun paradigma map-reduce yang mendasari pemrosesan data skala besar dan neural networks yang menggerakkan model bahasa saat ini.

Apa yang direncanakan oleh startup ini

Piagam manfaat publik Discovery Loop mewajibkannya untuk mempertimbangkan dampak sosial di samping keuntungan. Misinya adalah untuk menghilangkan "hambatan manusia" dalam penelitian. Di laboratorium tipikal, seorang ilmuwan menghabiskan berminggu-minggu atau berbulan-bulan berpindah dari hipotesis ke eksperimen, ke analisis, lalu ke langkah berikutnya. Tim Dean ingin AI menghasilkan hipotesis, merancang dan menjalankan ribuan eksperimen secara paralel, serta menyempurnakan modelnya sendiri berdasarkan hasil tersebut.

Peta jalan (roadmap) mereka berfokus pada dua tujuan yang saling terkait. Pertama, membangun platform yang mengotomatiskan seluruh alur kerja eksperimental—mulai dari pembuatan hipotesis hingga pengumpulan dan analisis data. Kedua, mengembangkan AI yang dapat meningkatkan desainnya sendiri, menciptakan siklus umpan balik di mana setiap generasi membantu membangun penerus yang lebih mumpuni. Jika platform ini berhasil, bidang-bidang yang bergantung pada uji coba (trial-and-error) masif—seperti penemuan obat, ilmu material, dan penelitian energi—dapat dipercepat secara drastis.

Dana di balik visi ini

Partisipasi Alphabet dalam putaran pendanaan awal (seed round) menandakan minat strategis perusahaan induk tersebut. Radical Ventures dan Khosla Ventures memimpin putaran ini, dengan tambahan dana dari Kleiner Perkins, Lightspeed, dan Doerr Capital. Daftar investor tersebut menunjukkan keyakinan bahwa gelombang nilai AI berikutnya akan datang dari perangkat lunak "agentic" yang dapat bertindak secara otonom, bukan hanya dari model bahasa besar (large language models).

Mengapa hal ini penting bagi ekosistem AI yang lebih luas

Jika Discovery Loop berhasil, dampaknya dapat meluas jauh melampaui produknya sendiri. Memangkas waktu untuk mengidentifikasi kandidat obat yang layak dapat menghemat miliaran dolar dalam jalur pengembangan farmasi dan menghadirkan pengobatan penyelamat jiwa kepada pasien dengan lebih cepat. Iterasi cepat dalam ilmu material dapat menghasilkan komposit yang lebih ringan, lebih kuat, dan lebih berkelanjutan untuk kedirgantaraan dan elektronik konsumen. Dengan mengubah AI dari sekadar alat yang membantu manusia berpikir menjadi sistem yang dapat berpikir sendiri, startup ini dapat menggeser kekuatan riset ke arah organisasi yang mampu membiayai komputasi masif.

Intinya

Kepindahan Jeff Dean dari Google untuk memimpin Discovery Loop menyatukan keahlian teknis yang langka, koneksi industri yang mendalam, dan modal yang substansial. Perusahaan ini bertujuan untuk mengotomatisasi siklus eksperimen ilmiah dan menciptakan AI yang dapat memperbaiki diri sendiri, yang berpotensi memadatkan riset bertahun-tahun menjadi hanya beberapa minggu. Namun, ia harus melewati hambatan teknis, logistik, dan budaya yang signifikan sebelum membuktikan bahwa AI benar-benar dapat menjadi mitra laboratorium, bukan sekadar alat yang cerdas. Bulan-bulan mendatang akan mengungkap apakah "penemuan otomatis" adalah langkah selanjutnya yang realistis bagi AI atau sebuah lari cepat visioner yang terhenti sebelum garis finis.