Google चे दिग्गज इंजिनिअर जेफ डीन (Jeff Dean) शोध क्षेत्रातील या महाकाय कंपनीतून बाहेर पडत असून 'Discovery Loop' नावाच्या नवीन कंपनीची सुरुवात करत आहेत. ही कंपनी प्रयोगांवर प्रचंड संगणकीय शक्ती (massive compute) वापरून विज्ञानाचे स्वरूप बदलण्याचा प्रयत्न करेल.
Google आणि DeepMind कडून एक शक्तिशाली टीम
डीन हे Google चे ३० वे कर्मचारी होते आणि त्यांनी कंपनीची सर्च इन्फ्रास्ट्रक्चर आणि Gemini चे मल्टीमोडल मॉडेल्स तयार करण्यात मदत केली. ते या कंपनीचे CEO असतील.
ते संशोधकांची एक "ड्रीम टीम" सोबत आणत आहेत: संजय घेमावत (Sanjay Ghemawat), जे सीनियर फेलो आणि प्रसिद्ध इंजिनिअर आहेत; कुओक ले (Quoc Le), जे Google Brain चे संस्थापक सदस्य आहेत; आणि ओरिओल विन्याल्स (Oriol Vinyals), जे DeepMind मधील सीनियर रिसर्च सायंटिस्ट आहेत. त्यांचा अनुभव डिस्ट्रिब्युटेड सिस्टम्स, न्यूरल नेटवर्क्स आणि रिइन्फोर्समेंट लर्निंग या क्षेत्रांत आहे, ज्यावरून हे स्पष्ट होते की Discovery Loop तांत्रिकदृष्ट्या कठीण आव्हानांना तोंड देईल.
स्वयंचलित प्रयोगांद्वारे विज्ञानाचा वेग वाढवणे
Discovery Loop ही एक 'पब्लिक-बेनिफिट कॉर्पोरेशन' म्हणून स्थापन करण्यात आली आहे, जिचे उद्दिष्ट संशोधनातील "मानवी अडथळा" (human bottleneck) दूर करणे हे आहे. पारंपारिक प्रयोगशाळा गृहितक (hypothesis), प्रयोग, विश्लेषण आणि निर्णय यांसारख्या संथ आणि क्रमिक प्रक्रियेतून जातात. ही स्टार्टअप कंपनी या प्रक्रियेची जागा "हाय-ऑक्टेन अल्गोरिदम"ने घेऊ इच्छिते, जे एकाच वेळी हजारो प्रयोग सुरू करू शकतील.
त्यांच्या मुख्य सिद्धांताची दोन धाडसी उद्दिष्टे आहेत:
- प्रयोगांच्या चक्राचे ऑटोमेशन – गृहितक तयार करणे, चाचणी आणि सुधारणा व्यवस्थापित करण्यासाठी AI चा वापर करणे, ज्यामुळे डेटाची गुणवत्ता आणि प्रमाण दोन्ही वाढेल.
- रिकर्सिव्ह सेल्फ-इम्प्रूव्हमेंट (Recursive self-improvement) – असे AI तयार करणे जे अधिक शक्तिशाली AI डिझाइन करण्यास मदत करेल, ज्यामुळे मानवी हस्तक्षेप कमी होईल आणि नाविन्यपूर्ण संशोधनाचा वेग प्रचंड वाढेल.
AI च्या पुढील क्षितिजासाठी प्रचंड पाठबळ
Alphabet या सीड राउंडला (seed round) पाठबळ देत आहे, ज्याचे सह-नेतृत्व Radical Ventures आणि Khosla Ventures करत आहेत. Kleiner Perkins, Lightspeed आणि Doerr Capital यांनीही यात सहभाग घेतला आहे.
ही गुंतवणूक या वाढत्या विश्वासाचे प्रतीक आहे की, AI ची पुढची लाट केवळ लार्ज लँग्वेज मॉडेल्सपुरती मर्यादित न राहता "एजेंटिक" (agentic) सिस्टम्सकडे वळेल, ज्या संशोधन करतील आणि भौतिक तसेच डिजिटल क्षेत्रात मोठी प्रगती घडवून आणतील.
AI क्षेत्रासाठी हे महत्त्वाचे का आहे?
डीन यांचे बाहेर पडणे हे "AI for content" कडून "AI for discovery" कडे होणाऱ्या बदलाचे प्रतीक आहे. गेल्या दोन वर्षांत जनरेटिव्ह AI चे वर्चस्व राहिले असले तरी, Discovery Loop स्वतःला AI आणि कठीण विज्ञान (hard sciences) यांच्या संगमावर स्थित करत आहे. जर हे यशस्वी झाले, तर औषध शोध (drug discovery), पदार्थ विज्ञान (materials science) आणि ऊर्जा संशोधन या क्षेत्रांचा वेग प्रचंड वाढू शकतो, ज्यामुळे मानवापुढील कठीण तांत्रिक आव्हानांना तोंड देण्याची पद्धत बदलू शकते.
मुख्य मुद्दे
- प्रतिष्ठित टॅलेंटचे स्थलांतर – जेफ डीन, संजय घेमावत, कुओक ले आणि ओरिओल विन्याल्स हे Discovery Loop स्थापन करण्यासाठी Google सोडत आहेत.
- स्वयंचलित विज्ञान – मानवी अडथळे दूर करण्यासाठी ही स्टार्टअप कंपनी हजारो AI-चालित प्रयोग समांतरपणे राबवेल.
- मोठी गुंतवणूक – Alphabet आणि Khosla Ventures व Radical Ventures सह अनेक आघाडीच्या VC कंपन्यांनी निधी देण्याचे मान्य केले आहे.
या जोखमीमागील प्रतिभा
डीन Google मधील तीन सर्वात प्रसिद्ध इंजिनिअर्सना सोबत घेत आहेत: संजय घेमावत, जे सीनियर फेलो आहेत आणि त्यांनी वेबला शक्ती देणाऱ्या डिस्ट्रिब्युटेड सिस्टम्सची निर्मिती केली आहे; कुओक ले, जे Google Brain चे संस्थापक सदस्य आहेत आणि त्यांनी डीप-लर्निंग तंत्रांमध्ये क्रांती घडवून आणली आहे; आणि ओरिओल विन्याल्स, जे DeepMind मधील सीनियर रिसर्च सायंटिस्ट असून रिइन्फोर्समेंट लर्निंगमध्ये त्यांचा मोठा अनुभव आहे. या सर्वांनी मिळून 'map-reduce' पॅराडाइम तयार केला आहे जो मोठ्या प्रमाणावरील डेटा प्रोसेसिंगचा आधार आहे, तसेच आजच्या लँग्वेज मॉडेल्सना चालवणारे न्यूरल नेटवर्क्स देखील त्यांनीच विकसित केले आहेत.
स्टार्टअपची योजना काय आहे
Discovery Loop च्या 'पब्लिक-बेनिफिट' चार्टरनुसार, नफ्यासोबतच सामाजिक प्रभावाचा विचार करणे त्यांच्यासाठी बंधनकारक आहे. संशोधनातील "मानवी अडथळा" दूर करणे हे त्यांचे ध्येय आहे. एका सामान्य प्रयोगशाळेत, शास्त्रज्ञ गृहितकापासून प्रयोगापर्यंत, विश्लेषणापासून पुढील टप्प्यापर्यंत जाण्यासाठी आठवडे किंवा महिने खर्च करतात. डीन यांची टीम AI द्वारे गृहितके तयार करणे, हजारो प्रयोग समांतरपणे डिझाइन करणे आणि राबवणे, आणि निकालांच्या आधारे स्वतःची मॉडेल्स सुधारणे, असे करू इच्छिते.
त्यांचा रोडमॅप दोन परस्परसंबंधित उद्दिष्टांवर लक्ष केंद्रित करतो. पहिले म्हणजे, गृहितक निर्मितीपासून ते डेटा संकलन आणि विश्लेषणापर्यंत संपूर्ण प्रायोगिक प्रक्रिया (experimental pipeline) स्वयंचलित करणारा प्लॅटफॉर्म तयार करणे. दुसरे म्हणजे, असे AI विकसित करणे जे स्वतःची रचना सुधारू शकेल, ज्यामुळे एक 'फीडबॅक लूप' तयार होईल जिथे प्रत्येक नवीन पिढी अधिक सक्षम उत्तराला/मॉडेलला तयार करण्यास मदत करेल. जर हा प्लॅटफॉर्म यशस्वी झाला, तर मोठ्या प्रमाणावर 'ट्रायल-अँड-एरर'वर अवलंबून असलेली क्षेत्रे—जसे की औषध शोध, पदार्थ विज्ञान आणि ऊर्जा संशोधन—यांचा वेग प्रचंड वाढू शकतो.
या दृष्टीमागील गुंतवणूक
सीड राउंडमधील Alphabet चा सहभाग या मूळ कंपनीच्या धोरणात्मक आवडीचे संकेत देतो. Radical Ventures आणि Khosla Ventures या फेरीचे सह-नेतृत्व करत आहेत, तसेच Kleiner Perkins, Lightspeed आणि Doerr Capital कडूनही अतिरिक्त निधी मिळत आहे. गुंतवणूकदारांच्या यादीवरून असे दिसून येते की, AI मधील पुढील मूल्ये केवळ 'लार्ज लँग्वेज मॉडेल्स'मधूनच नाही, तर "agentic" सॉफ्टवेअरमधून येतील जे स्वायत्तपणे कार्य करू शकते.
व्यापक AI इकोसिस्टमसाठी हे का महत्त्वाचे आहे
जर Discovery Loop ने अपेक्षित निकाल दिले, तर त्याचा प्रभाव केवळ त्यांच्या स्वतःच्या उत्पादनांपुरता मर्यादित न राहता खूप व्यापक असू शकतो. व्यवहार्य औषध उमेदवाराची ओळख पटवण्यासाठी लागणारा वेळ कमी केल्यामुळे फार्मास्युटिकल पाइपलाइनवरील खर्च अब्जावधी डॉलर्सने कमी होऊ शकतो आणि रुग्णांना जीवनरक्षक उपचार वेगाने मिळू शकतात. मटेरियल सायन्समधील जलद प्रगतीमुळे एरोस्पेस आणि कंज्युमर इलेक्ट्रॉनिक्ससाठी हलके, मजबूत आणि अधिक शाश्वत कंपोझिट्स तयार होऊ शकतात. AI ला मानवाला विचार करण्यास मदत करणाऱ्या साधनापासून स्वतःहून विचार करू शकणाऱ्या प्रणालीकडे नेऊन, हे स्टार्टअप संशोधनाची शक्ती अशा संस्थांकडे वळवू शकते ज्या प्रचंड संगणकीय क्षमता (compute) परवडू शकतात.
निष्कर्ष
Discovery Loop चे नेतृत्व करण्यासाठी Jeff Dean यांनी Google सोडल्यामुळे दुर्मिळ तांत्रिक कौशल्य, उद्योगातील सखोल संबंध आणि मोठ्या प्रमाणात भांडवल एकत्र आले आहे. कंपनीचे उद्दिष्ट वैज्ञानिक प्रयोगांचे लूप स्वयंचलित करणे आणि स्वतःहून सुधारणारी AI तयार करणे हे आहे, ज्यामुळे संभाव्यतः वर्षांचे संशोधन काही आठवड्यांत पूर्ण होऊ शकते. तरीही, AI केवळ एक हुशार साधन न राहता खऱ्या अर्थाने प्रयोगशाळेतील भागीदार बनू शकते, हे सिद्ध करण्यापूर्वी कंपनीला महत्त्वपूर्ण तांत्रिक, लॉजिस्टिक आणि सांस्कृतिक अडथळ्यांवर मात करावी लागेल. येणारे महिने हे स्पष्ट करतील की "automated discovery" हे AI साठी वास्तववादी पुढचे पाऊल आहे की केवळ एक दूरदृष्टी असलेला वेगवान प्रयत्न जो शेवटच्या टप्प्यापर्यंत पोहोचण्यापूर्वीच थांबेल.