Khosla Ventures ਨੇ Discovery Loop ਲਈ ਸੀਡ ਰਾਊਂਡ ਦੀ ਸਹਿ-ਮੁਖੀ ਅਗਵਾਈ ਕੀਤੀ, ਜੋ ਕਿ Jeff Dean ਦਾ AI ਸਟਾਰਟਅੱਪ ਹੈ ਅਤੇ ਜਿਸਦਾ ਉਦੇਸ਼ ਵਿਗਿਆਨਕ ਖੋਜ ਨੂੰ ਆਟੋਮੇਟ ਕਰਨਾ ਹੈ
Khosla Ventures, Discovery Loop ਦੇ ਸੀਡ ਰਾਊਂਡ ਵਿੱਚ ਇੱਕ ਸਹਿ-ਮੁਖੀ ਨਿਵੇਸ਼ਕ ਵਜੋਂ ਸ਼ਾਮਲ ਹੋਇਆ ਹੈ, ਜੋ ਕਿ Jeff Dean ਅਤੇ ਸਾਬਕਾ Google ਇੰਜੀਨੀਅਰਾਂ ਦੁਆਰਾ ਸਥਾਪਿਤ ਇੱਕ AI ਵੈਂਚਰ ਹੈ। ਸਟਾਰਟਅੱਪ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਇਹ ਪਰਿਕਲਪਨਾ (hypothesis) ਤਿਆਰ ਕਰਨ, ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਅਤੇ ਨਤੀਜਿਆਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਵਿਚਕਾਰਲੇ ਪਾੜੇ ਨੂੰ ਖਤਮ ਕਰੇਗਾ, ਜਿਸ ਨਾਲ AI ਬਿਨਾਂ ਮਨੁੱਖੀ ਦਖਲਅੰਦਾਜ਼ੀ ਦੇ ਹਜ਼ਾਰਾਂ ਪ੍ਰਯੋਗ ਕਰ ਸਕੇਗਾ।
ਟੀਮ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ
ਸੰਸਥਾਪਕਾਂ ਕੋਲ ਸਮੂਹਿਕ ਤੌਰ 'ਤੇ Google ਦਾ ਲਗਭਗ 80 ਸਾਲਾਂ ਦਾ ਤਜਰਬਾ ਹੈ, ਉਨ੍ਹਾਂ ਨੇ TensorFlow, Tensor Processing Units ਅਤੇ Gemini large-language model ਬਣਾਇਆ ਹੈ। ਉਨ੍ਹਾਂ ਦਾ ਰੈਜ਼ਿਊਮੇ ਸਾਫਟਵੇਅਰ ਅਤੇ ਹਾਰਡਵੇਅਰ ਦੋਵਾਂ ਵਿੱਚ ਡੂੰਘੀ ਜਾਣਕਾਰੀ ਦਾ ਸਬੂਤ ਦਿੰਦਾ ਹੈ ਜੋ Discovery Loop ਦੇ ਪਲੇਟਫਾਰਮ ਨੂੰ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰੇਗਾ।
"closed-loop" ਪ੍ਰਣਾਲੀ ਕਿਵੇਂ ਕੰਮ ਕਰਨੀ ਹੈ
- AI ਪ੍ਰਯੋਗਾਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ – ਇੱਕ ਮਾਡਲ ਮੌਜੂਦਾ ਡੇਟਾ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ ਅਤੇ ਨਵੀਆਂ ਟੈਸਟ ਸ਼ਰਤਾਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ।
- ਕੰਪਿਊਟ ਟੈਸਟ ਚਲਾਉਂਦਾ ਹੈ – ਵੱਡੇ ਪੱਧਰ ਦੇ ਸਰੋਤ ਪ੍ਰਸਤਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਨ, ਚਾਹੇ ਉਹ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਹੋਵੇ ਜਾਂ ਕਿਸੇ ਭੌਤਿਕ ਲੈਬ ਵਿੱਚ।
- ਨਤੀਜੇ ਫੀਡਬੈਕ ਵਜੋਂ ਮਿਲਦੇ ਹਨ – ਨਤੀਜੇ ਮਾਡਲ ਕੋਲ ਵਾਪਸ ਆਉਂਦੇ ਹਨ, ਜੋ ਆਪਣੀ ਸਮਝ ਨੂੰ ਅਪਡੇਟ ਕਰਦਾ ਹੈ।
- ਹਜ਼ਾਰਾਂ ਵੱਖ-ਵੱਖ ਰੂਪ – ਇਹ ਚੱਕਰ ਦੁਹਰਾਇਆ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਨਵੇਂ ਪ੍ਰਯੋਗਾਂ ਦੀ ਇੱਕ ਤੇਜ਼ ਲੜੀ ਪ੍ਰਾਪਤ ਹੁੰਦੀ ਹੈ।
ਹਰ ਕਦਮ ਨੂੰ ਆਟੋਮੇਟ ਕਰਕੇ, ਸਟਾਰਟਅੱਪ ਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਉਹ ਹੌਲੀ ਰਫ਼ਤਾਰ ਵਾਲੇ ਖੇਤਰਾਂ ਵਿੱਚ ਖੋਜ ਦੀ ਗਤੀ ਵਧਾ ਸਕੇਗਾ: ਬਿਹਤਰ ਬੈਟਰੀ ਸਮੱਗਰੀ, ਫਿਊਜ਼ਨ-ਐਨਰਜੀ ਸੰਕਲਪ, ਅਤੇ ਤੇਜ਼ ਦਵਾਈ-ਵਿਕਾਸ ਸਮਾਂ-ਸੀਮਾਵਾਂ।
ਇੱਕ ਕੇਂਦ੍ਰਿਤ ਬਿਜ਼ਨਸ ਮਾਡਲ
ਕਈ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਫੈਲਣ ਦੀ ਬਜਾਏ, Discovery Loop ਵਿਗਿਆਨ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦਾ ਹੈ। ਇਸ ਸੀਮਤ ਦਾਇਰੇ ਦਾ ਉਦੇਸ਼ ਵਪਾਰਕ ਰੋਡਮੈਪਾਂ ਦੀ ਬਜਾਏ ਵੱਡੀਆਂ ਵਿਗਿਆਨਕ ਚੁਣੌਤੀਆਂ ਤੋਂ ਪ੍ਰੇਰਿਤ ਪ੍ਰਤਿਭਾ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰਨਾ ਹੈ। ਇਹ ਫਰਮ ਇੱਕ public-benefit corporation ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਅਜਿਹਾ ਕਾਨੂੰਨੀ ਢਾਂਚਾ ਹੈ ਜੋ ਮੁਨਾਫੇ ਤੋਂ ਉੱਪਰ ਮਿਸ਼ਨ ਨੂੰ ਰੱਖਦਾ ਹੈ ਅਤੇ ਮਕਸਦ-ਕੇਂਦਰਿਤ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦਾ ਹੈ।
ਨਿਵੇਸ਼ਕ ਕੀ ਦੇਖਦੇ ਹਨ
Khosla Ventures, Discovery Loop ਦੀ ਤਕਨਾਲੋਜੀ ਦੇ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵ ਦੀ ਤੁਲਨਾ large-language models ਨਾਲ ਕਰਦਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੇ ਕੰਟੈਂਟ ਕ੍ਰਿਏਸ਼ਨ, ਕੋਡਿੰਗ ਅਤੇ ਗਾਹਕ ਸੇਵਾ ਨੂੰ ਨਵਾਂ ਰੂਪ ਦਿੱਤਾ ਹੈ। ਜੇਕਰ ਇਹ ਲੂਪ ਭਰੋਸੇਯੋਗ ਤਰੀਕੇ ਨਾਲ ਲਾਭਦਾਇਕ ਵਿਗਿਆਨਕ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਤਾਂ ਆਰਥਿਕ ਅਤੇ ਸਮਾਜਿਕ ਲਾਭ ਇਸ ਦੇ ਬਰਾਬਰ ਹੋ ਸਕਦੇ ਹਨ।
ਅੱਗੇ ਦੀਆਂ ਰੁਕਾਵਟਾਂ
ਖੋਜ ਦਾ ਆਟੋਮੇਸ਼ਨ ਅਜੇ ਵੀ ਅਣਸੁਲਝਿਆ ਹੈ। ਪ੍ਰਯੋਗਾਂ ਲਈ ਅਕਸਰ ਵਿਸ਼ੇਸ਼ ਡੋਮੇਨ ਗਿਆਨ, ਵਿਸ਼ੇਸ਼ ਉਪਕਰਣਾਂ ਅਤੇ ਸੁਰੱਖਿਆ ਪ੍ਰੋਟੋਕੋਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਸਾਫਟਵੇਅਰ ਵਿੱਚ ਕੋਡ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ। ਆਲੋਚਕਾਂ ਨੇ ਚੇਤਾਵਨੀ ਦਿੱਤੀ ਹੈ ਕਿ ਸਿਰਫ਼ ਐਲਗੋਰਿਦਮਿਕ ਪਹੁੰਚ ਉਹਨਾਂ ਅਚਾਨਕ ਮਿਲਣ ਵਾਲੀਆਂ ਸੂਝਾਂ ਨੂੰ ਗੁਆ ਸਕਦੀ ਹੈ ਜੋ ਮਨੁੱਖੀ ਅੰਤਰ-ਬੁੱਧੀ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਭੌਤਿਕ ਟੈਸਟਾਂ ਲਈ ਵਿਸ਼ਾਲ ਕੰਪਿਊਟ ਚੱਕਰ ਚਲਾਉਣਾ ਵੀ ਸਪੱਸ਼ਟ ਮਾਲੀਆ ਮਾਰਗਾਂ ਤੋਂ ਬਿਨਾਂ ਬਹੁਤ ਮਹਿੰਗਾ ਹੋਣ ਦਾ ਖਤਰਾ ਬਣਦਾ ਹੈ।
ਕੀ ਦੇਖਣਾ ਹੈ
- ਡੈਮੋ ਮਾਈਲਸਟੋਨਸ – ਕਿਸੇ ਵੀ ਨਿਸ਼ਾਨਾ ਖੇਤਰ (ਸਮੱਗਰੀ, ਫਿਊਜ਼ਨ, ਫਾਰਮਾ) ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ proof-of-concept ਨਤੀਜੇ।
- ਭਾਈਵਾਲੀ – ਅਕਾਦਮਿਕ ਲੈਬਾਂ ਜਾਂ ਉਦਯੋਗਿਕ R&D ਸਮੂਹਾਂ ਨਾਲ ਸਹਿਯੋਗ ਜੋ ਭੌਤਿਕ ਟੈਸਟਿੰਗ ਦੀ ਸਪਲਾਈ ਕਰ ਸਕਦੇ ਹਨ।
- ਨਿਯਮਕ ਜਾਂਚ – ਖਾਸ ਕਰਕੇ ਦਵਾਈ ਦੀ ਖੋਜ ਵਾਲੀਆਂ ਪਾਈਪਲਾਈਨਾਂ ਲਈ ਜਿੱਥੇ ਨਿਗਰਾਨੀ ਸਖ਼ਤ ਹੁੰਦੀ ਹੈ।
- ਫੰਡਿੰਗ ਰਾਊਂਡ – ਬਾਅਦ ਦੀ ਵਿੱਤੀ ਸਹਾਇਤਾ ਤਕਨਾਲੋਜੀ ਦੇ ਪਰਿਪੱਕ ਹੋਣ ਨਾਲ ਨਿਵੇਸ਼ਕਾਂ ਦੇ ਭਰੋਸੇ ਦਾ ਸੰਕੇਤ ਦੇਵੇਗੀ।
ਜੇਕਰ Discovery Loop ਆਪਣੇ closed-loop ਵਿਜ਼ਨ ਨੂੰ ਦੁਹਰਾਉਣਯੋਗ ਸਫਲਤਾਵਾਂ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਖੋਜ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਮੁੜ ਪਰਿਭਾਸ਼ਿਤ ਕਰ ਸਕਦਾ ਹੈ। ਅਗਲੇ ਕੁਝ ਮਹੀਨੇ ਦਿਖਾਉਣਗੇ ਕਿ ਕੀ AI ਦੀ ਤਾਕਤ ਅਤੇ ਵਿਗਿਆਨਕ ਅਭਿਲਾਸ਼ਾ ਉਸ ਵਾਅਦੇ ਨੂੰ ਪੂਰਾ ਕਰ ਸਕਦੀ ਹੈ।