Legendarny inżynier Google, Jeff Dean, odchodzi z giganta wyszukiwarek, aby założyć Discovery Loop – firmę, która spróbuje zrewolucjonizować sposób prowadzenia nauki poprzez wykorzystanie ogromnej mocy obliczeniowej w eksperymentach.
Potężny zespół z Google i DeepMind
Dean był 30. pracownikiem Google i pomagał budować infrastrukturę wyszukiwarki oraz multimodalne modele Gemini. Będzie pełnił funkcję CEO.
Przynosi ze sobą „dream team” badaczy: Sanjay Ghemawat, senior fellow i słynny inżynier; Quoc Le, współzałożyciel Google Brain; oraz Oriol Vinyals, starszy naukowiec badawczy w DeepMind. Ich doświadczenie obejmuje systemy rozproszone, sieci neuronowe i uczenie ze wzmocnieniem, co sygnalizuje, że Discovery Loop będzie mierzyć się z trudnymi problemami technicznymi.
Przyspieszanie nauki poprzez zautomatyzowane eksperymentowanie
Discovery Loop jest zorganizowane jako public-benefit corporation, którego celem jest przełamanie „wąskiego gardła czynnika ludzkiego” w badaniach. Tradycyjne laboratoria poruszają się w powolnym, sekwencyjnym cyklu: hipoteza, eksperyment, analiza i decyzja. Startup chce zastąpić to „wysokooktanowymi algorytmami”, które mogą uruchamiać tysiące eksperymentów jednocześnie.
Jego główna teza opiera się na dwóch odważnych celach:
- Automatyzacja pętli eksperymentalnych – wykorzystanie AI do zarządzania generowaniem hipotez, testowaniem i udoskonalaniem, co zwiększy zarówno ilość, jak i jakość danych.
- Rekurencyjne samodoskonalenie – budowa AI, która pomaga projektować jeszcze potężniejsze systemy AI, eliminując udział człowieka w procesie i wykładniczo przyspieszając innowacje.
Ogromne wsparcie dla nowej granicy AI
Alphabet wspiera rundę seed, której współprzewodzą Radical Ventures i Khosla Ventures. W udział wzięły również Kleiner Perkins, Lightspeed i Doerr Capital.
Te fundusze odzwierciedlają rosnące przekonanie, że kolejna fala AI wyjdzie poza duże modele językowe w stronę systemów „agentowych”, które prowadzą badania i napędzają przełomy w świecie fizycznym i cyfrowym.
Dlaczego ma to znaczenie dla krajobrazu AI
Odejście Deana oznacza przejście od „AI dla treści” do „AI dla odkryć”. Podczas gdy generatywna AI dominowała w ciągu ostatnich dwóch lat, Discovery Loop pozycjonuje się na styku AI i nauk ścisłych. Jeśli to się uda, odkrywanie leków, inżynieria materiałowa i badania nad energią mogą przyspieszyć w sposób drastyczny, zmieniając sposób, w jaki ludzkość stawia czoła najtrudniejszym wyzwaniom technicznym.
Kluczowe wnioski
- Odpływ elitarnych talentów – Jeff Dean, Sanjay Ghemawat, Quoc Le i Oriol Vinyals odchodzą z Google, aby stworzyć Discovery Loop.
- Zautomatyzowana nauka – startup będzie prowadził tysiące eksperymentów napędzanych przez AI równolegle, aby ominąć wąskie gardła ludzkie.
- Potężny kapitał – Alphabet oraz szereg czołowych funduszy VC, w tym Khosla Ventures i Radical Ventures, zobowiązały się do finansowania.
Talenty stojące za tym ryzykiem
Dean zabiera ze sobą trzech najbardziej cenionych inżynierów Google: Sanjay Ghemawat, senior fellow, który zbudował systemy rozproszone zasilające znaczną część internetu; Quoc Le, współzałożyciel Google Brain, pionier technik głębokiego uczenia; oraz Oriol Vinyals, starszy naukowiec badawczy w DeepMind z doświadczeniem w uczeniu ze wzmocnieniem. Wspólnie zbudowali paradygmat map-reduce, który leży u podstaw przetwarzania danych na dużą skalę, oraz sieci neuronowe zasilające dzisiejsze modele językowe.
Co planuje startup
Karta public-benefit corporation zobowiązuje Discovery Loop do ważenia wpływu społecznego obok zysku. Misją firmy jest wyeliminowanie „wąskiego gardła czynnika ludzkiego” w badaniach. W typowym laboratorium naukowiec spędza tygodnie lub miesiące, przechodząc od hipotezy do eksperymentu, analizy i kolejnego kroku. Zespół Deana chce, aby AI generowało hipotezy, projektowało i prowadziło tysiące eksperymentów równolegle oraz udoskonalało własne modele na podstawie wyników.
Mapa drogowa koncentruje się na dwóch powiązanych celach. Po pierwsze, zbudowanie platformy, która automatyzuje cały proces eksperymentalny – od generowania hipotez po zbieranie i analizę danych. Po drugie, opracowanie AI, która potrafi ulepszać własną strukturę, tworząc pętlę zwrotną, w której każde kolejne pokolenie pomaga budować bardziej zdolnego następcę. Jeśli platforma zadziała, dziedziny opierające się na masowym procesie prób i błędów – odkrywanie leków, inżynieria materiałowa, badania nad energią – mogą przyspieszyć w sposób drastyczny.
Pieniądze stojące za wizją
Udział Alphabetu w rundzie seed sygnalizuje strategiczne zainteresowanie spółki matki. Radical Ventures i Khosla Ventures współprowadzą rundę, przy dodatkowym wsparciu finansowym od Kleiner Perkins, Lightspeed i Doerr Capital. Skład inwestorów świadczy o przekonaniu, że kolejna fala wartości w dziedzinie AI będzie pochodzić ze „sprawczego” (agentic) oprogramowania, które potrafi działać autonomicznie, a nie tylko z dużych modeli językowych.
Dlaczego ma to znaczenie dla szerszego ekosystemu AI
Jeśli Discovery Loop zrealizuje swoje założenia, wpływ może wykraczać daleko poza jej własne produkty. Skrócenie czasu identyfikacji potencjalnego kandydata na lek może przynieść miliardowe oszczędności w procesach farmaceutycznych i szybciej dostarczać ratujące życie terapie pacjentom. Szybka iteracja w inżynierii materiałowej może zaowocować lżejszymi, mocniejszymi i bardziej zrównoważonymi kompozytami dla sektora lotniczego i elektroniki użytkowej. Przekształcając AI z narzędzia wspomagającego ludzkie myślenie w system, który potrafi myśleć samodzielnie, startup może przesunąć siłę badawczą w stronę organizacji, których stać na ogromną moc obliczeniową.
Podsumowanie
Odejście Jeffa Deana z Google, aby poprowadzić Discovery Loop, łączy rzadką wiedzę techniczną, głębokie powiązania branżowe i znaczny kapitał. Firma dąży do zautomatyzowania cyklu eksperymentów naukowych i stworzenia samodoskonalącej się sztucznej inteligencji, co potencjalnie pozwoli skrócić lata badań do tygodni. Musi jednak pokonać znaczące bariery techniczne, logistyczne i kulturowe, zanim udowodni, że AI może stać się prawdziwym partnerem laboratoryjnym, a nie tylko sprytnym narzędziem. Nadchodzące miesiące pokażą, czy „zautomatyzowane odkrywanie” to realistyczny kolejny krok dla AI, czy wizjonerski sprint, który wyhamuje przed linią mety.