Khosla Ventures виступає співлідером посівного раунду для Discovery Loop — ШІ-стартапу Джеффа Діна, що має на меті автоматизувати наукові відкриття

Khosla Ventures приєдналася як співлідер інвестування у посівному раунді Discovery Loop — ШІ-проєкту, заснованого Джеффом Діном та колишніми інженерами Google. Стартап заявляє, що він замкне цикл між формулюванням гіпотез, проведенням експериментів та аналізом результатів, дозволяючи ШІ проводити тисячі експериментів без участі людини.

Чому команда має значення

Загальний досвід засновників у Google становить близько 80 років; вони були розробниками TensorFlow, Tensor Processing Units та великої мовної моделі Gemini. Їхнє резюме свідчить про глибокі знання як у програмному, так і в апаратному забезпеченні, на якому працюватиме платформа Discovery Loop.

Як має працювати система «замкнутого циклу»

  1. ШІ пропонує експерименти — модель сканує наявні дані та пропонує нові умови тестування.
  2. Обчислення проводять тести — масштабні ресурси виконують пропозиції, чи то у симуляції, чи то у фізичній лабораторії.
  3. Результати повертаються у зворотний зв'язок — результати повертаються до моделі, яка оновлює своє розуміння.
  4. Тисячі варіацій — цикл повторюється, створюючи стрімкий потік нових експериментів.

Автоматизуючи кожен етап, стартап сподівається прискорити дослідження у галузях, що розвиваються повільно: створення кращих матеріалів для акумуляторів, концепцій термоядерної енергії та скорочення термінів розробки ліків.

Сфокусована бізнес-модель

Замість того, щоб розширюватися на багато сфер застосування ШІ, Discovery Loop зосереджується на науці та інженерії. Вузька спеціалізація має на меті залучити таланти, яких рухають великі наукові виклики, а не комерційні плани. Компанія працює як корпорація суспільної користі (public-benefit corporation) — юридична структура, яка ставить місію вище за прибуток, що може бути привабливим для інженерів, орієнтованих на мету.

Що бачать інвестори

Khosla Ventures порівнює потенційний вплив технології Discovery Loop із впливом великих мовних моделей, які змінили створення контенту, програмування та обслуговування клієнтів. Якщо цикл надійно генеруватиме корисні наукові ідеї, економічна та суспільна віддача може бути порівнянною.

Перешкоди попереду

Автоматизація наукових відкриттів залишається невирішеним питанням. Експерименти часто потребують тонких галузевих знань, спеціалізованого обладнання та протоколів безпеки, які важко закодувати в програмне забезпечення. Критики попереджають, що суто алгоритмічний підхід може упустити випадкові відкриття, які забезпечує людська інтуїція. Проведення масивних обчислювальних циклів для фізичних тестів також загрожує стати надзвичайно дорогим без чітких шляхів отримання доходу.

За чим стежити

  • Демонстраційні етапи — перші результати підтвердження концепції в будь-якій цільовій галузі (матеріали, термоядерний синтез, фармація).
  • Партнерства — співпраця з академічними лабораторіями або галузевими R&D-групами, які можуть забезпечити фізичне тестування.
  • Регуляторний нагляд — особливо для процесів розробки ліків, де контроль є суворим.
  • Раунди фінансування — подальше фінансування свідчитиме про впевненість інвесторів у міру вдосконалення технології.

Якщо Discovery Loop перетворить своє бачення замкнутого циклу на повторювані прориви, це може змінити саму суть проведення досліджень. Наступні кілька місяців покажуть, чи зможуть потужність ШІ та наукові амбіції виконати цю обіцянку.