Jeff Dean forlater Google for å automatisere den vitenskapelige metoden med Discovery Loop

Jeff Dean, Googles sjefsforsker og en av de sentrale figurene i moderne AI-infrastruktur, forlater selskapet etter nesten 27 år for å co-grunnlegge Discovery Loop, et startup som har som mål å automatisere de eksperimentelle løkkene i vitenskapelig forskning selv. Avgangen ble annonsert den 5. august 2026 som en del av en større omorganisering av Googles AI-ledelse, med selskapet som bekrefter at de vil støtte det nye foretaket som en grunnleggende investor og Cloud-partner.

Dean forlater ikke alene. Tre andre senior Google AI-figurer er med-grunnleggere av selskapet med ham: Sanjay Ghemawat, en Google Senior Fellow og Deans samarbeidspartner på mye av selskapets grunnleggende datamaskin-infrastruktur; Oriol Vinyals, VP for forskning i Google DeepMind og en teknisk leder for Gemini; og Quoc Le, en med-grunnlegger av Google Brain og forskeren bak Googles AutoML-Zero-prosjekt. Wireds Steven Levy, som intervjuet de fire grunnleggerne før annonsen, rapporterer at ideen kom sammen bare noen uker ago.

Selskapet er inkorporert som et offentlig godt selskap. Dets misjon, som beskrevet på eget nettsted, er å bygge systemer som kan kjøre den fullstendige eksperimentelle løkken av den vitenskapelige metoden: foreslå et eksperiment, implementere og kjøre det, evaluere resultater og iterere, på en skala og hastighet som sekvensiell menneskelig innsats ikke kan matche. Grunnleggerne plan er å kjøre tusenvis av slike løkker i parallell, først rettet mot maskinlæring-forskning selv før utvidelse til domener inkludert chip-design, biologi, legemiddelforskning og materialvitenskap.

Hva Discovery Loop faktisk planlegger å bygge

Mekanismen, ifølge selskapets egen beskrivelse, har tre stadier. Først vil det fokusere på å automatisere maskinlæring-forskning og -ingeniørarbeid, ved å bruke frontier AI-modeller og stor skala datamaskin-kraft til å foreslå, kjøre og lære fra evalueringer. For det andre vil det fungere som sin egen første kunde, ved å bruke de automatiserte evnene til å optimalisere sin egen teknologi-stakk. For det tredje planlegger det å generalisere til enhver læringsløkke med målbare resultater i vitenskap og ingeniørarbeid, med henvisning til National Academy of Engineerings Grand Challenges som sin eventuelle målklasse, inkludert å utvikle bedre legemidler, fremme helse-informatikk og gjøre sol-energi økonomisk.

Le, som banebrytende teknikker for å automatisere modell-design på Google, rammet ambisjonen i termer av hva automatiserte løkker måtte finne i AI selv. “Jeg er veldig spennende på å automatisere maskinlæring,” sa han til Wired. “Det kan hende at vi vil oppdage en annen transformer-arkitektur.”

Vinyals pekte på den spesifikke evne-gapen som anstrengelsen hviler på: nåværende modeller er ikke sterke på å generere genuint nye ideer å teste. “En av tingene som vi vil være veldig fokusert på er hvordan disse modellene kommer opp med nye ideer å prøve,” sa han. “Det er ikke noe som de for tiden er super sterke på.” Grunnleggerne fortalte Wired at tidlige systemer vil sam-utvikle ideer med mennesker, med dypere automatisering som målet.

Grunnleggerne rekord, og Googles andel i hva som kommer neste

Grunnlegger-lagets kollektive rekord er den sentrale aktiva. Discovery Loops nettsted beskriver de fire som representanter for tre av de mest siterte forskerne i AI og to av de mest siterte i distribuerte systemer, med bidrag som spenner over Google Search, Google Translate, Google File System, MapReduce, BigTable, Spanner, TensorFlow, Pathways, TPUs, AlphaChip, AlphaStar, AlphaCode, AlphaFold, Gemini, sekvens-til-sekvens-modeller og chain-of-thought resonnering, blant andre. Dean og Ghemawat bygde mye av infrastrukturen som Googles tidlige søk- og annonseforretninger kjørte på; Vinyals og Le var sentrale i den nevrale nettverks-æraen som fulgte. Unite.AI har sporet Googles nylige AI-modell-utgivelser, en linje med arbeid som Vinyals var direkte hjelp til å lede.

Avgangene lander innenfor en større omorganisering av Googles AI-ledelse, detaljert i meldinger fra CEO Sundar Pichai og DeepMind-grunnlegger Demis Hassabis. Hassabis trer tilbake fra dag-til-dag ledelse av Google DeepMind for å bli dets styreformann og Alphabets sjefsforsker, mens Koray Kavukcuoglu, enhetens CTO og Googles sjefsforsker, tar over som SVP av Google DeepMind, og overvåker Gemini-modell-utvikling, frontier AI-forskning og Gemini-app og utvikler-team. Pichais melding avslørte at Gemini-appen har passert 950 millioner månedlige brukere og at Gemma-modeller har overstigit 900 millioner nedlastinger.

Googles forhold til Discovery Loop går utover gode ønsker. Selskapet er en grunnleggende investor, vil fungere som startupens Cloud-partner og planlegger å samarbeide om en forsknings-ramme for ML-systemer og -infrastruktur. Wired rapporterte at Google også vil levere datamaskin-kraft for foretaket i dets første år. “Over 27 år, har Jeff og Sanjay hjulpet til å drive noen av de mest betydningsfulle teknologiske overgangene, fra våre tidlige søk-infrastruktur til de nevrale nettverkene som hjalp til å skape den moderne AI-æraen,” sa Pichai i en uttalelse. “Vi vil fortsette å arbeide med Discovery Loop som en grunnleggende investor og Cloud-partner, og samarbeide om en forsknings-ramme for ML-systemer og relatert infrastruktur-fremgang.”

På finans-siden rapporterte Wired at Khosla Ventures og Radical Ventures er blant støttespillerne, med Radical managing partner Jordan Jacobs som går med i styret; grunnleggerne avslører ikke runden størrelse eller vurdering. Venture-tesen, som Khosla sa til Wired, er en skifte i hva AI er for i forskning: mennesker har brukt AI til å gjøre forskning, sa han, mens premisset her er at AI er forskeren.

Hva skjer neste

De nærmeste observerbare er konkrete. Discovery Loop rekrutterer en lean, personlig grunnleggende team gjennom sin åpne stillinger-side, etter å ha startet med ingen ansatte og ingen kontor. Dets første kjørbare milepæl er den automatiserte maskinlæring-løkken det planlegger å aktivere på sin egen stakk, og dets første års drift kjører på Google-levert datamaskin-kraft under Cloud-samarbeidet. Den uttalte utvidelses-paten, fra ML-forskning til chip-design, biologi, legemiddelforskning og materialvitenskap, vil være målbart mot selskapets egen kriterium: læringsløkker med resultater som kan måles. Om tilnærmingen produserer et resultat feltet anerkjenner som en oppdagelse, snarere enn en optimalisering, er spørsmålet selskapets struktur er bygget for å svare.