Khosla Ventures współprowadzi rundę seed dla Discovery Loop, startupu AI Jeffa Deana, który ma na celu automatyzację odkryć naukowych

Khosla Ventures dołączyło jako współprowadzący inwestor w rundzie seed Discovery Loop – przedsięwzięcia AI założonego przez Jeffa Deana i byłych inżynierów Google. Startup zapowiada, że zamknie pętlę między generowaniem hipotez, przeprowadzaniem eksperymentów a analizą wyników, pozwalając sztucznej inteligencji na przeprowadzanie tysięcy eksperymentów bez udziału człowieka.

Dlaczego zespół ma znaczenie

Założyciele dysponują łącznie około 80-letnim doświadczeniem w Google, biorąc udział w budowie TensorFlow, jednostek Tensor Processing Units oraz dużego modelu językowego Gemini. Ich życiorysy potwierdzają głęboką wiedzę specjalistyczną zarówno w zakresie oprogramowania, jak i sprzętu, które będą zasilać platformę Discovery Loop.

Jak ma działać system „zamkniętej pętli”

  1. AI proponuje eksperymenty – model skanuje istniejące dane i sugeruje nowe warunki testowe.
  2. Moc obliczeniowa przeprowadza testy – zasoby na dużą skalę realizują propozycje, zarówno w symulacji, jak i w fizycznym laboratorium.
  3. Wyniki wracają do systemu – rezultaty trafiają z powrotem do modelu, który aktualizuje swoją wiedzę.
  4. Tysiące wariacji – cykl powtarza się, generując szybki strumień nowych eksperymentów.

Automatyzując każdy krok, startup ma nadzieję przyspieszyć badania w powolnych dziedzinach: lepszych materiałów do baterii, koncepcji energii termojądrowej oraz szybszego opracowywania leków.

Skoncentrowany model biznesowy

Zamiast rozpraszać się na wiele zastosowań AI, Discovery Loop skupia się na nauce i inżynierii. Wąski zakres ma na celu przyciągnięcie talentów kierowanych wielkimi wyzwaniami naukowymi, a nie komercyjnymi planami rozwoju. Firma działa jako public-benefit corporation – struktura prawna, która stawia misję ponad zysk, co może przyciągnąć inżynierów zorientowanych na cel.

Co widzą inwestorzy

Khosla Ventures porównuje potencjalny wpływ technologii Discovery Loop do wpływu dużych modeli językowych, które zmieniły sposób tworzenia treści, programowania i obsługi klienta. Jeśli pętla będzie niezawodnie generować użyteczne wnioski naukowe, zwroty ekonomiczne i społeczne mogą być porównywalne.

Nadchodzące przeszkody

Automatyzacja odkryć pozostaje nierozwiązana. Eksperymenty często wymagają niuansowej wiedzy dziedzinowej, specjalistycznego sprzętu i protokołów bezpieczeństwa, które trudno zapisać w oprogramowaniu. Krytycy ostrzegają, że czysto algorytmiczne podejście może pominąć przypadkowe, przełomowe spostrzeżenia, które zapewnia ludzka intuicja. Przeprowadzanie masowych cykli obliczeniowych dla testów fizycznych grozi również tym, że stanie się to niebotycznie drogie bez jasnych ścieżek przychodów.

Na co warto zwrócić uwagę

  • Kamienie milowe demo – wczesne wyniki typu proof-of-concept w dowolnej docelowej dziedzinie (materiały, fuzja, farmacja).
  • Partnerstwa – współpraca z laboratoriami akademickimi lub przemysłowymi grupami R&D, które mogą zapewnić testy fizyczne.
  • Nadzór regulacyjny – szczególnie w przypadku procesów odkrywania leków, gdzie kontrola jest ścisła.
  • Rundy finansowania – późniejsze finansowanie będzie sygnałem zaufania inwestorów w miarę dojrzewania technologii.

Jeśli Discovery Loop przekuje swoją wizję zamkniętej pętli w powtarzalne przełomy, może zdefiniować na nowo sposób prowadzenia badań. Najbliższe miesiące pokażą, czy siła AI i naukowa ambicja pozwolą dotrzymać tej obietnicy.