Khosla Ventures ร่วมเป็นผู้นำการระดมทุนรอบ Seed Round ให้กับ Discovery Loop สตาร์ทอัพด้าน AI ของ Jeff Dean ที่มุ่งเป้าไปที่การทำให้การค้นพบทางวิทยาศาสตร์เป็นระบบอัตโนมัติ
Khosla Ventures ได้เข้าร่วมเป็นผู้ร่วมลงทุนหลักในรอบ Seed Round ของ Discovery Loop ซึ่งเป็นกิจการด้าน AI ที่ก่อตั้งโดย Jeff Dean และอดีตวิศวกรจาก Google โดยสตาร์ทอัพรายนี้ระบุว่าจะสร้างวงจรที่สมบูรณ์ (close the loop) ระหว่างการตั้งสมมติฐาน การดำเนินการทดลอง และการวิเคราะห์ผลลัพธ์ เพื่อให้ AI สามารถดำเนินการทดลองได้หลายพันครั้งโดยไม่ต้องใช้มนุษย์ควบคุม
ทำไมทีมงานถึงมีความสำคัญ
เหล่าผู้ก่อตั้งมีประสบการณ์รวมกันกว่า 80 ปีจาก Google โดยเคยเป็นผู้สร้าง TensorFlow, Tensor Processing Units และโมเดลภาษาขนาดใหญ่อย่าง Gemini ประวัติการทำงานของพวกเขาพิสูจน์ให้เห็นถึงความเชี่ยวชาญเชิงลึกทั้งในด้านซอฟต์แวร์และฮาร์ดแวร์ที่จะเป็นขุมพลังให้กับแพลตฟอร์มของ Discovery Loop
ระบบ "วงจรปิด" (closed-loop) มีกระบวนการทำงานอย่างไร
- AI เสนอการทดลอง – โมเดลจะสแกนข้อมูลที่มีอยู่และเสนอเงื่อนไขการทดสอบใหม่ๆ
- การประมวลผลดำเนินการทดสอบ – ทรัพยากรการคำนวณขนาดใหญ่จะดำเนินการตามข้อเสนอ ไม่ว่าจะผ่านการจำลอง (simulation) หรือในห้องปฏิบัติการจริง
- การป้อนข้อมูลผลลัพธ์กลับคืน – ผลลัพธ์ที่ได้จะถูกส่งกลับไปยังโมเดลเพื่ออัปเดตความเข้าใจให้แม่นยำยิ่งขึ้น
- การสร้างความหลากหลายนับพันรูปแบบ – วงจรนี้จะดำเนินซ้ำไปเรื่อยๆ ทำให้เกิดกระแสการทดลองใหม่ๆ อย่างรวดเร็ว
ด้วยการทำให้แต่ละขั้นตอนเป็นระบบอัตโนมัติ สตาร์ทอัพแห่งนี้หวังว่าจะช่วยเร่งความเร็วในการวิจัยในสาขาที่ดำเนินไปอย่างล่าช้า เช่น วัสดุแบตเตอรี่ที่ดีขึ้น แนวคิดพลังงานฟิวชัน และการย่นระยะเวลาในการพัฒนาตัวยา
โมเดลธุรกิจที่มุ่งเน้นเฉพาะทาง
แทนที่จะขยายขอบเขตไปยังแอปพลิเคชัน AI มากมาย Discovery Loop กลับมุ่งเน้นไปที่วิทยาศาสตร์และวิศวกรรมศาสตร์โดยเฉพาะ ขอบเขตที่แคบนี้มีเป้าหมายเพื่อดึงดูดบุคลากรที่มีความมุ่งมั่นต่อความท้าทายทางวิทยาศาสตร์ที่ยิ่งใหญ่ มากกว่าที่จะสนใจเพียงแผนงานเชิงพาณิชย์ บริษัทดำเนินงานในรูปแบบนิติบุคคลเพื่อประโยชน์สาธารณะ (public-benefit corporation) ซึ่งเป็นโครงสร้างทางกฎหมายที่ให้ความสำคัญกับพันธกิจเหนือผลกำไร และอาจดึงดูดวิศวกรที่ให้ความสำคัญกับเป้าหมายในการสร้างความเปลี่ยนแปลง
มุมมองของนักลงทุน
Khosla Ventures เปรียบเทียบผลกระทบที่อาจเกิดขึ้นจากเทคโนโลยีของ Discovery Loop ว่ามีความคล้ายคลึงกับโมเดลภาษาขนาดใหญ่ (large-language models) ที่ได้เข้ามาปฏิวัติการสร้างคอนเทนต์ การเขียนโค้ด และการบริการลูกค้า หากระบบวงจรปิดนี้สามารถสร้างข้อมูลเชิงลึกทางวิทยาศาสตร์ที่มีประโยชน์ได้อย่างสม่ำเสมอ ผลตอบแทนทางเศรษฐกิจและสังคมก็อาจจะยิ่งใหญ่ในระดับเดียวกัน
อุปสรรคที่รออยู่ข้างหน้า
การทำให้การค้นพบเป็นระบบอัตโนมัติยังคงเป็นโจทย์ที่ยังไม่มีคำตอบที่สมบูรณ์ การทดลองมักต้องใช้ความรู้เฉพาะทางที่ละเอียดอ่อน อุปกรณ์พิเศษ และระเบียบปฏิบัติด้านความปลอดภัย ซึ่งยากต่อการแปลงเป็นรหัสซอฟต์แวร์ นักวิจารณ์เตือนว่าแนวทางที่ใช้เพียงอัลกอริทึมอาจพลาดข้อมูลเชิงลึกที่เกิดจากความบังเอิญอันชาญฉลาด (serendipitous insights) ซึ่งเป็นสิ่งที่สัญชาตญาณของมนุษย์มอบให้ นอกจากนี้ การใช้รอบการประมวลผลมหาศาลสำหรับการทดสอบทางกายภาพยังเสี่ยงต่อการมีค่าใช้จ่ายที่สูงเกินไปหากไม่มีเส้นทางรายได้ที่ชัดเจน
สิ่งที่ต้องจับตามอง
- ความสำเร็จในการสาธิต (Demo milestones) – ผลการพิสูจน์แนวคิด (proof-of-concept) ในระยะแรกในสาขาเป้าหมายใดๆ (วัสดุ, ฟิวชัน, เภสัชกรรม)
- พันธมิตรทางธุรกิจ – ความร่วมมือกับห้องปฏิบัติการทางวิชาการหรือกลุ่มวิจัยและพัฒนา (R&D) ในอุตสาหกรรมที่สามารถสนับสนุนการทดสอบทางกายภาพได้
- การตรวจสอบจากหน่วยงานกำกับดูแล – โดยเฉพาะอย่างยิ่งสำหรับกระบวนการค้นพบตัวยาซึ่งมีการควบคุมที่เข้มงวด
- รอบการระดมทุน – การระดมทุนในรอบต่อๆ ไปจะเป็นสัญญาณบ่งบอกถึงความเชื่อมั่นของนักลงทุนเมื่อเทคโนโลยีมีความก้าวหน้ามากขึ้น
หาก Discovery Loop สามารถเปลี่ยนวิสัยทัศน์แบบวงจรปิดให้กลายเป็นการค้นพบที่ยิ่งใหญ่และทำซ้ำได้ มันอาจเป็นการกำหนดนิยามใหม่ของการทำวิจัย ในช่วงไม่กี่เดือนข้างหน้าจะเป็นตัวพิสูจน์ว่า พลังของ AI และความทะเยอทะยานทางวิทยาศาสตร์จะสามารถทำตามคำสัญญานั้นได้หรือไม่