Khosla Ventures ने Discovery Loop च्या सीड राउंडचे सह-नेतृत्व केले; जेफ डीनचे हे AI स्टार्टअप वैज्ञानिक शोध स्वयंचलित करण्याचे उद्दिष्ट ठेवत आहे
जेफ डीन आणि गुगलचे माजी अभियंते यांनी स्थापन केलेल्या Discovery Loop या AI स्टार्टअपच्या सीड राउंडमध्ये Khosla Ventures ने सह-प्रमुख गुंतवणूकदार म्हणून प्रवेश केला आहे. हे स्टार्टअप म्हणते की, ते गृहितक मांडणे (hypothesis generation), प्रयोगांची अंमलबजावणी आणि निकाल विश्लेषण यांच्यातील प्रक्रिया पूर्ण करेल (close the loop), ज्यामुळे AI मानवी हस्तक्षेपाशिवाय हजारो प्रयोग करू शकेल.
ही टीम महत्त्वाची का आहे
या संस्थापकांकडे एकत्रितपणे गुगलचा सुमारे ८० वर्षांचा अनुभव आहे; त्यांनी TensorFlow, Tensor Processing Units आणि Gemini यांसारखे large-language models विकसित केले आहेत. त्यांचा अनुभव Discovery Loop च्या प्लॅटफॉर्मला ऊर्जा देणाऱ्या सॉफ्टवेअर आणि हार्डवेअर या दोन्ही क्षेत्रांतील सखोल ज्ञानाची साक्ष देतो.
"closed-loop" प्रणाली कशी काम करेल
- AI प्रयोगांचे प्रस्ताव मांडते – एक मॉडेल अस्तित्वात असलेला डेटा स्कॅन करते आणि नवीन चाचणी अटी सुचवते.
- Compute चाचण्या राबवते – सिम्युलेशनमध्ये किंवा प्रत्यक्ष प्रयोगशाळेत, मोठ्या प्रमाणावरील संसाधने या प्रस्तावांची अंमलबजावणी करतात.
- निकाल फीडबॅक म्हणून मिळतात – प्रयोगांचे परिणाम मॉडेलकडे परत येतात, ज्यामुळे मॉडेलची समज अद्ययावत होते.
- हजारो प्रकारांचे प्रयोग – ही प्रक्रिया पुन्हा पुन्हा घडते, ज्यामुळे नवीन प्रयोगांचा वेगवान प्रवाह तयार होतो.
प्रत्येक पायरी स्वयंचलित करून, हे स्टार्टअप संथ गतीने चालणाऱ्या क्षेत्रांमधील संशोधन वेगवान करण्याची आशा व्यक्त करत आहे: जसे की उत्तम बॅटरी साहित्य, फ्युजन-एनर्जी संकल्पना आणि औषध निर्मितीचा वेगवान कालावधी.
एक केंद्रित व्यवसाय मॉडेल
अनेक AI उपयोगांमध्ये विस्तारण्याऐवजी, Discovery Loop विज्ञान आणि अभियांत्रिकीवर लक्ष केंद्रित करते. या मर्यादित व्याप्तीचा उद्देश व्यावसायिक रोडमॅपपेक्षा मोठ्या वैज्ञानिक आव्हानांनी प्रेरित असलेल्या प्रतिभेला आकर्षित करणे हा आहे. ही कंपनी 'पब्लिक-बेनिफिट कॉर्पोरेशन' म्हणून कार्यरत आहे, ही एक अशी कायदेशीर रचना आहे जी नफ्यापेक्षा ध्येयाला प्राधान्य देते आणि उद्देशावर लक्ष केंद्रित करणाऱ्या अभियंत्यांना आकर्षित करू शकते.
गुंतवणूकदारांना काय दिसते
Khosla Ventures ने Discovery Loop च्या तंत्रज्ञानाचा संभाव्य प्रभाव large-language models च्या प्रभावाशी जोडला आहे, ज्यांनी कंटेंट क्रिएशन, कोडिंग आणि कस्टमर सर्व्हिसचे स्वरूप बदलले आहे. जर या 'लूप'ने विश्वासार्हपणे उपयुक्त वैज्ञानिक माहिती (insights) प्रदान केली, तर त्याचे आर्थिक आणि सामाजिक फायदे त्यामानाने मोठे असू शकतात.
पुढील आव्हाने
शोधाचे स्वयंचलीकरण (Automation of discovery) अजूनही एक न सुटलेले आव्हान आहे. प्रयोगांसाठी अनेकदा सूक्ष्म डोमेन ज्ञान, विशेष उपकरणे आणि सुरक्षा नियमावलीची आवश्यकता असते, जी सॉफ्टवेअरमध्ये कोड करणे कठीण असते. टीकाकारांचा असा इशारा आहे की, केवळ अल्गोरिदमिक दृष्टिकोन मानवी अंतर्ज्ञानाद्वारे मिळणारे अनपेक्षित शोध (serendipitous insights) गमावू शकतो. तसेच, स्पष्ट महसूल मार्ग असल्याशिवाय प्रत्यक्ष चाचण्यांसाठी मोठ्या प्रमाणावर compute cycles चालवणे अत्यंत खर्चिक ठरू शकते.
काय लक्ष ठेवायचे
- डेमो माईलस्टोन्स – कोणत्याही लक्ष्यित क्षेत्रात (साहित्य, फ्युजन, फार्मा) सुरुवातीचे 'प्रूफ-ऑफ-कॉन्सेप्ट' निकाल.
- भागीदारी – शैक्षणिक प्रयोगशाळा किंवा उद्योग R&D गटांसोबतचे सहकार्य जे प्रत्यक्ष चाचणी पुरवू शकतात.
- नियामक तपासणी – विशेषतः औषध-शोध प्रक्रियेसाठी (drug-discovery pipelines), जिथे देखरेख कडक असते.
- फंडिंग राउंड्स – तंत्रज्ञान प्रगत होत असताना पुढील वित्तपुरवठा गुंतवणूकदारांचा आत्मविश्वास दर्शवेल.
जर Discovery Loop ने आपल्या 'closed-loop' दृष्टीकोगाचे रूपांतर पुनरावृत्ती करता येण्याजोग्या महत्त्वपूर्ण शोधांमध्ये (breakthroughs) केले, तर ते संशोधनाची पद्धत पुन्हा परिभाषित करू शकते. AI ची ताकद आणि वैज्ञानिक महत्त्वाकांक्षा या आश्वासनावर खरी उतरू शकते का, हे येणारे काही महिने ठरवतील.