Google ನ ದಂತಕಥೆಯ ಇಂಜಿನಿಯರ್ ಜೆಫ್ ಡೀನ್ (Jeff Dean), ಪ್ರಯೋಗಗಳಿಗೆ ಬೃಹತ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಶಕ್ತಿಯನ್ನು ಬಳಸುವ ಮೂಲಕ ವಿಜ್ಞಾನದ ಕಾರ್ಯವೈಖರಿಯನ್ನೇ ಬದಲಿಸಲು ಪ್ರಯತ್ನಿಸುವ Discovery Loop ಎಂಬ ಕಂಪನಿಯನ್ನು ಪ್ರಾರಂಭಿಸಲು Google ನಿಂದ ಹೊರಬರುತ್ತಿದ್ದಾರೆ.
Google ಮತ್ತು DeepMind ನಿಂದ ಒಂದು ಶಕ್ತಿಯುತ ತಂಡ
ಡೀನ್ Google ನ 30 ನೇ ಉದ್ಯೋಗಿಯಾಗಿದ್ದರು ಮತ್ತು ಅದರ ಸರ್ಚ್ ಇನ್ಫ್ರಾಸ್ಟ್ರಕ್ಚರ್ ಹಾಗೂ Gemini ನ ಮಲ್ಟಿಮೋಡಲ್ ಮಾಡೆಲ್ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯ ಮಾಡಿದ್ದರು. ಅವರು CEO ಆಗಲಿದ್ದಾರೆ.
ಅವರು ಸಂಶೋಧಕರ ಒಂದು "ಡ್ರೀಮ್ ಟೀಮ್" ಅನ್ನು ತರುತ್ತಿದ್ದಾರೆ: ಸಂಜಯ್ ಘೇಮಾವತ್ (Sanjay Ghemawat), ಹಿರಿಯ ಫೆಲೋ ಮತ್ತು ಪ್ರಸಿದ್ಧ ಇಂಜಿನಿಯರ್; Quoc Le, Google Brain ನ ಸ್ಥಾಪಕ ಸದಸ್ಯ; ಮತ್ತು Oriol Vinyals, DeepMind ನ ಹಿರಿಯ ಸಂಶೋಧನಾ ವಿಜ್ಞಾನಿ. ಅವರ ಅನುಭವವು ಡಿಸ್ಟ್ರಿಬ್ಯೂಟೆಡ್ ಸಿಸ್ಟಮ್ಸ್, ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳು ಮತ್ತು ರಿಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ಗೆ ಸಂಬಂಧಿಸಿದ್ದು, ಇದು Discovery Loop ತಾಂತ್ರಿಕವಾಗಿ ಕಠಿಣವಾದ ಸಮಸ್ಯೆಗಳನ್ನು ಎದುರಿಸಲಿದೆ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ಸ್ವಯಂಚಾಲಿತ ಪ್ರಯೋಗಗಳ ಮೂಲಕ ವಿಜ್ಞಾನದ ವೇಗವರ್ಧನೆ
Discovery Loop ಅನ್ನು ಸಂಶೋಧನೆಯಲ್ಲಿನ "ಮಾನವ ಅಡಚಣೆಯನ್ನು" (human bottleneck) ಹೋಗಲಾಡಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿರುವ ಪಬ್ಲಿಕ್-ಬೆನಿಫಿಟ್ ಕಾರ್ಪೊರೇಷನ್ ಆಗಿ ರೂಪಿಸಲಾಗಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಪ್ರಯೋಗಾಲಯಗಳು ಕಲ್ಪನೆ (hypothesis), ಪ್ರಯೋಗ, ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ನಿರ್ಧಾರ ಎಂಬ ನಿಧಾನಗತಿಯ ಕ್ರಮದಲ್ಲಿ ಸಾಗುತ್ತವೆ. ಈ ಸ್ಟಾರ್ಟ್ಅಪ್ ಆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಸಾವಿರಾರು ಪ್ರಯೋಗಗಳನ್ನು ಪ್ರಾರಂಭಿಸಬಲ್ಲ "ಹೈ-ಆಕ್ಟೇನ್ ಅಲ್ಗಾರಿದಮ್ಗಳ" ಮೂಲಕ ಬದಲಾಯಿಸಲು ಬಯಸುತ್ತದೆ.
ಇದರ ಮುಖ್ಯ ಉದ್ದೇಶಗಳು ಎರಡು ಪ್ರಮುಖ ಗುರಿಗಳನ್ನು ಹೊಂದಿವೆ:
- ಪ್ರಯೋಗದ ಲೂಪ್ಗಳ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಿಕೆ – ಕಲ್ಪನೆಗಳ ರಚನೆ, ಪರೀಕ್ಷೆ ಮತ್ತು ಸುಧಾರಣೆಯನ್ನು ನಿರ್ವಹಿಸಲು AI ಅನ್ನು ಬಳಸುವುದು, ಇದರಿಂದ ಡೇಟಾದ ಪ್ರಮಾಣ ಮತ್ತು ಗುಣಮಟ್ಟ ಎರಡನ್ನೂ ಹೆಚ್ಚಿಸುವುದು.
- ರಿಕರ್ಸಿವ್ ಸೆಲ್ಫ್-ಇಂಪ್ರೂವ್ಮೆಂಟ್ (Recursive self-improvement) – ಇನ್ನೂ ಹೆಚ್ಚು ಶಕ್ತಿಯುತವಾದ AI ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡುವ AI ಅನ್ನು ನಿರ್ಮಿಸುವುದು, ಇದರಿಂದ ಮಾನವ ಹಸ್ತಕ್ಷೇಪವನ್ನು ಕಡಿಮೆ ಮಾಡಿ ನಾವೀನ್ಯತೆಯನ್ನು ವೇಗವಾಗಿ ಹೆಚ್ಚಿಸುವುದು.
ಮುಂದಿನ AI ಯುಗಕ್ಕೆ ಬೃಹತ್ ಬೆಂಬಲ
Alphabet ಈ ಸೀಡ್ ರೌಂಡ್ ಅನ್ನು ಬೆಂಬಲಿಸುತ್ತಿದೆ, ಇದನ್ನು Radical Ventures ಮತ್ತು Khosla Ventures ಸಹ-ನಾಯ್ತಿಕೆಯಲ್ಲಿ ನಡೆಸಲಾಗುತ್ತಿದೆ. Kleiner Perkins, Lightspeed ಮತ್ತು Doerr Capital ಕೂಡ ಇದರಲ್ಲಿ ಭಾಗವಹಿಸಿವೆ.
ಮುಂದಿನ AI ಅಲೆ ಕೇವಲ ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ಗಳಿಗಿಂತ ಮೀರಿ, ಸಂಶೋಧನೆ ನಡೆಸುವ ಮತ್ತು ಭೌತಿಕ ಹಾಗೂ ಡಿಜಿಟಲ್ ಕ್ರಾಂತಿಗಳನ್ನು ತರುವ "ಏಜೆಂಟಿಕ್" (agentic) ವ್ಯವಸ್ಥೆಗಳತ್ತ ಸಾಗಲಿದೆ ಎಂಬ ಬೆಳೆಯುತ್ತಿರುವ ನಂಬಿಕೆಯನ್ನು ಈ ಬಂಡವಾಳವು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.
AI ವಲಯಕ್ಕೆ ಇದು ಏಕೆ ಮುಖ್ಯ
ಡೀನ್ ಅವರ ನಿರ್ಗಮನವು "AI ಫಾರ್ ಕಂಟೆಂಟ್" ನಿಂದ "AI ಫಾರ್ ಡಿಸ್ಕವರಿ" ಕಡೆಗೆ ಬದಲಾವಣೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಕಳೆದ ಎರಡು ವರ್ಷಗಳಲ್ಲಿ ಜನರೇಟಿವ್ AI ಪ್ರಾಬಲ್ಯ ಹೊಂದಿದ್ದರೂ, Discovery Loop ತನ್ನನ್ನು ತಾನು AI ಮತ್ತು ಕಠಿಣ ವಿಜ್ಞಾನಗಳ (hard sciences) ಸಂಗಮದಲ್ಲಿ ಗುರುತಿಸಿಕೊಳ್ಳುತ್ತಿದೆ. ಇದು ಯಶಸ್ವಿಯಾದರೆ, ಔಷಧ ಸಂಶೋಧನೆ (drug discovery), ಮೆಟೀರಿಯಲ್ ಸೈನ್ಸ್ ಮತ್ತು ಇಂಧನ ಸಂಶೋಧನೆಯು ನಾಟಕೀಯವಾಗಿ ವೇಗಗೊಳ್ಳಬಹುದು, ಇದು ಮಾನವಕುಲವು ತನ್ನ ಕಠಿಣ ತಾಂತ್ರಿಕ ಸವಾಲುಗಳನ್ನು ಎದುರಿಸುವ ರೀತಿಯನ್ನೇ ಬದಲಿಸಬಹುದು.
ಪ್ರಮುಖ ಅಂಶಗಳು
- ಉನ್ನತ ಪ್ರತಿಭೆಗಳ ನಿರ್ಗಮನ – ಜೆಫ್ ಡೀನ್, ಸಂಜಯ್ ಘೇಮಾವತ್, Quoc Le ಮತ್ತು Oriol Vinyals ಅವರು Discovery Loop ಅನ್ನು ಸ್ಥಾಪಿಸಲು Google ನಿಂದ ಹೊರಬರುತ್ತಿದ್ದಾರೆ.
- ಸ್ವಯಂಚಾಲಿತ ವಿಜ್ಞಾನ – ಮಾನವ ಅಡಚಣೆಗಳನ್ನು ತಪ್ಪಿಸಲು ಈ ಸ್ಟಾರ್ಟ್ಅಪ್ ಸಾವಿರಾರು AI-ಚಾಲಿತ ಪ್ರಯೋಗಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ನಡೆಸಲಿದೆ.
- ಬೃಹತ್ ಬಂಡವಾಳ – Alphabet ಮತ್ತು Khosla Ventures ಹಾಗೂ Radical Ventures ಸೇರಿದಂತೆ ಹಲವಾರು ಪ್ರಮುಖ VCಗಳು ಹಣಕಾಸಿನ ನೆರವು ನೀಡಲು ಬದ್ಧವಾಗಿವೆ.
ಈ ಸಾಹಸದ ಹಿಂದಿರುವ ಪ್ರತಿಭೆಗಳು
ಡೀನ್ ಅವರು Google ನ ಮೂವರು ಅತ್ಯಂತ ಪ್ರಸಿದ್ಧ ಇಂಜಿನಿಯರ್ಗಳನ್ನು ಕರೆತರುತ್ತಿದ್ದಾರೆ: ಸಂಜಯ್ ಘೇಮಾವತ್, ವೆಬ್ನ ಹೆಚ್ಚಿನ ಭಾಗಕ್ಕೆ ಶಕ್ತಿ ನೀಡುವ ಡಿಸ್ಟ್ರಿಬ್ಯೂಟೆಡ್ ಸಿಸ್ಟಮ್ಗಳನ್ನು ನಿರ್ಮಿಸಿದ ಹಿರಿಯ ಫೆಲೋ; Quoc Le, ಡೀಪ್-ಲರ್ನಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಪರಿಚಯಿಸಿದ Google Brain ನ ಸ್ಥಾಪಕ ಸದಸ್ಯ; ಮತ್ತು Oriol Vinyals, ರಿಇನ್ಫೋರ್ಸ್ಮೆಂಟ್ ಲರ್ನಿಂಗ್ನಲ್ಲಿ ಅನುಭವ ಹೊಂದಿರುವ DeepMind ನ ಹಿರಿಯ ಸಂಶೋಧನಾ ವಿಜ್ಞಾನಿ. ಇವರೆಲ್ಲರೂ ಒಟ್ಟಾಗಿ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾ ಪ್ರೊಸೆಸಿಂಗ್ಗೆ ಅಡಿಪಾಯವಾಗಿರುವ map-reduce ಪ್ಯಾರಾಡೈಮ್ ಮತ್ತು ಇಂದಿನ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ಗಳಿಗೆ ಶಕ್ತಿ ನೀಡುವ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳನ್ನು ನಿರ್ಮಿಸಿದ್ದಾರೆ.
ಸ್ಟಾರ್ಟ್ಅಪ್ ಏನು ಮಾಡಲು ಯೋಜಿಸಿದೆ
Discovery Loop ನ ಪಬ್ಲಿಕ್-ಬೆನಿಫಿಟ್ ಚಾರ್ಟರ್ ಲಾಭದ ಜೊತೆಗೆ ಸಾಮಾಜಿಕ ಪರಿಣಾಮವನ್ನೂ ಪರಿಗಣಿಸುವುದನ್ನು ಕಡ್ಡಾಯಗೊಳಿಸುತ್ತದೆ. ಸಂಶೋಧನೆಯಲ್ಲಿನ "ಮಾನವ ಅಡಚಣೆಯನ್ನು" ಹೋಗಲಾಡಿಸುವುದು ಇದರ ಗುರಿ. ಸಾಮಾನ್ಯ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ, ವಿಜ್ಞಾನಿಯು ಕಲ್ಪನೆಯಿಂದ ಪ್ರಯೋಗಕ್ಕೆ, ನಂತರ ವಿಶ್ಲೇಷಣೆಗೆ ಮತ್ತು ಮುಂದಿನ ಹಂತಕ್ಕೆ ಹೋಗಲು ವಾರಗಟ್ಟಲೆ ಅಥವಾ ತಿಂಗಳುಗಟ್ಟಲೆ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ. ಡೀನ್ ಅವರ ತಂಡವು AI ಮೂಲಕ ಕಲ್ಪನೆಗಳನ್ನು ರೂಪಿಸಲು, ಸಾವಿರಾರು ಪ್ರಯೋಗಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ವಿನ್ಯಾಸಗೊಳಿಸಿ ನಡೆಸಲು ಮತ್ತು ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ತನ್ನದೇ ಆದ ಮಾಡೆಲ್ಗಳನ್ನು ಸುಧಾರಿಸಲು ಬಯಸುತ್ತದೆ.
ಇದರ ರೋಡ್ಮ್ಯಾಪ್ ಎರಡು ಪರಸ್ಪರ ಸಂಬಂಧಿತ ಗುರಿಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದೆ. ಮೊದಲನೆಯದಾಗಿ, ಕಲ್ಪನೆಗಳ ರಚನೆಯಿಂದ ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯವರೆಗೆ ಇಡೀ ಪ್ರಯೋಗಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಅನ್ನು ನಿರ್ಮಿಸುವುದು. ಎರಡನೆಯದಾಗಿ, ತನ್ನದೇ ಆದ ವಿನ್ಯಾಸವನ್ನು ಸುಧಾರಿಸಿಕೊಳ್ಳಬಲ್ಲ AI ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು, ಇದರಿಂದ ಪ್ರತಿ ತಲೆಮಾರಿನ AI ತನ್ನ ನಂತರದ ಹೆಚ್ಚು ಸಮರ್ಥವಾದ AI ಅನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಈ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಯಶಸ್ವಿಯಾದರೆ, ಹೆಚ್ಚಿನ ಪ್ರಯೋಗ-ದೋಷಗಳ (trial-and-error) ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುವ ಕ್ಷೇತ್ರಗಳು—ಔಷಧ ಸಂಶೋಧನೆ, ಮೆಟೀರಿಯಲ್ ಸೈನ್ಸ್ ಮತ್ತು ಇಂಧನ ಸಂಶೋಧನೆ—ನಾಟಕೀಯವಾಗಿ ವೇಗಗೊಳ್ಳಬಹುದು.
ಈ ದೃಷ್ಟಿಕೋನದ ಹಿಂದಿನ ಹಣಕಾಸು
Alphabet’s participation in the seed round signals the parent company’s strategic interest. Radical Ventures and Khosla Ventures co-lead the round, with additional money from Kleiner Perkins, Lightspeed and Doerr Capital. The investor roster shows a belief that the next wave of AI value will come from "agentic" software that can act autonomously, not just from large language models.
Why it matters for the broader AI ecosystem
If Discovery Loop delivers, the impact could spread far beyond its own products. Cutting the time to identify a viable drug candidate could shave billions off pharmaceutical pipelines and bring life-saving treatments to patients faster. Rapid iteration in materials science could yield lighter, stronger, more sustainable composites for aerospace and consumer electronics. By moving AI from a tool that helps humans think to a system that can think itself, the startup could shift research power toward organizations that can afford massive compute.
Bottom line
Jeff Dean’s exit from Google to lead Discovery Loop brings together rare technical expertise, deep industry connections and substantial capital. The company aims to automate the scientific experiment loop and create self-improving AI, potentially compressing years of research into weeks. Yet it must clear significant technical, logistical and cultural hurdles before proving that AI can truly become a laboratory partner rather than just a clever tool. The coming months will reveal whether "automated discovery" is a realistic next step for AI or a visionary sprint that stalls before the finish line.