AI-modeller och plattformar
Jeff Dean lämnar Google för att automatisera den vetenskapliga metoden med Discovery Loop
Lägg till Unite.AI bland dina föredragna källor på Google
Jeff Dean, Googles chefsforskare och en av de centrala figurerna inom modern AI-infrastruktur, lämnar företaget efter nästan 27 år för att medgrundande Discovery Loop, ett startup vars uttalade mål är att automatisera de experimentella looparna i vetenskaplig forskning. Avfärden meddelades den 5 augusti 2026 som en del av en större omstrukturering av Googles AI-ledning, med företaget bekräftar att det kommer att stödja det nya företaget som en grundande investerare och molnpartner.
Dean lämnar inte ensam. Tre andra seniora Google AI-figurer är medgrundare av företaget med honom: Sanjay Ghemawat, en Google Senior Fellow och Deans samarbetspartner i mycket av företagets grundläggande datormolninfrastruktur; Oriol Vinyals, VP för forskning på Google DeepMind och en teknisk ledare för Gemini; och Quoc Le, en medgrundare av Google Brain och forskaren bakom Googles AutoML-Zero-projekt. Wireds Steven Levy, som intervjuade de fyra grundarna före tillkännagivandet, rapporterar att idén kom samman för bara några veckor sedan.
Företaget är registrerat som ett allmännyttigt företag. Dess uppdrag, som beskrivs på dess egen webbplats, är att bygga system som kan köra den fullständiga experimentella loopens vetenskapliga metod: föreslå ett experiment, implementera och köra det, utvärdera resultaten och iterera, i en skala och hastighet som sekventiell mänsklig ansträngning inte kan matcha. Grundarnas plan är att köra tusentals sådana loopar i parallell, initialt riktade mot maskinlärningsforskning själv innan de expanderar till områden som chipdesign, biologi, läkemedelsupptäckt och materialvetenskap.
Vad Discovery Loop faktiskt planerar att bygga
Mekanismen, enligt företagets egen beskrivning, har tre faser. Först kommer det att fokusera på att automatisera maskinlärningsforskning och teknik, med hjälp av frontlinjens AI-modeller och storskalig beräkning för att föreslå, köra och lära av utvärderingar. Andra kommer det att agera som sin egen första kund, med hjälp av de automatiserade funktionerna för att optimera sin egen tekniska stack. Tredje avser det att generalisera till alla inlärningsloopar med mätbara resultat i vetenskap och teknik, med National Academy of Engineerings Grand Challenges som dess slutliga mål, inklusive att utveckla bättre läkemedel, främja hälsoinformatik och göra solenergi ekonomiskt.
Le, som banade väg för tekniker för att automatisera modellkonstruktion på Google, ramade in ambitionen i termer av vad automatiserade loopar kan hitta i AI själv. “Jag är mycket entusiastisk över att automatisera maskinlärning”, sa han till Wired. “Det kan vara att vi kommer att upptäcka en annan transformerarkitektur.”
Vinyals pekade på den specifika kapacitetsgapet som ansträngningen vilar på: nuvarande modeller är inte starka på att generera genuint nya idéer att testa. “En av de saker som vi kommer att vara tydligt fokuserade på är hur dessa modeller kommer på nya idéer att prova”, sa han. “Det är inte något som de för närvarande är superbra på.” Grundarna berättade för Wired att tidiga system kommer att utveckla idéer tillsammans med människor, med djupare automatisering som målet.
Grundarnas rekord och Googles andel i vad som kommer härnäst
Grundarlagets kollektiva rekord är den centrala tillgången. Discovery Loops webbplats beskriver de fyra som representanter för tre av de mest citerade forskarna inom AI och två av de mest citerade inom distribuerade system, med bidrag som spänner över Google Search, Google Translate, Google File System, MapReduce, BigTable, Spanner, TensorFlow, Pathways, TPUs, AlphaChip, AlphaStar, AlphaCode, AlphaFold, Gemini, sekvens-till-sekvens-modeller och kedjeresonemang, bland andra. Dean och Ghemawat byggde mycket av den infrastruktur som Googles tidiga sök- och annonsverksamheter körde på; Vinyals och Le var centrala för den neuronnätsera som följde. Unite.AI har spårat Googles nyliga AI-modellsläpp, en linje av arbete som Vinyals var direkt involverad i att leda.
Avfärden sker inom en bredare omstrukturering av Googles AI-ledning, detaljerad i meddelanden från VD Sundar Pichai och DeepMind-medgrundare Demis Hassabis. Hassabis drar sig tillbaka från daglig ledning av Google DeepMind för att bli dess ordförande och Alphabets chefsforskare, medan Koray Kavukcuoglu, enhetens CTO och Googles chefsarkitekt för AI, tar över som SVP för Google DeepMind, ansvarig för Gemini-modellutveckling, frontlinjens AI-forskning och Gemini-appen och utvecklingsteam. Pichais meddelande avslöjade att Gemini-appen har passerat 950 miljoner månatliga användare och att Gemma-modellerna har överträffat 900 miljoner nedladdningar.
Googles relation till Discovery Loop går utöver goda önskningar. Företaget är en grundande investerare, kommer att fungera som startupens molnpartner och planerar att samarbeta om ett forskningsramverk för ML-system och infrastruktur. Wired rapporterade att Google också kommer att tillhandahålla beräkningskraft för företagets första år. “Under 27 år har Jeff och Sanjay hjälpt till att driva några av de mest betydande tekniska övergångarna, från vår tidiga sökinfrastruktur till de neuronnät som hjälpte till att skapa den moderna AI-eran”, sa Pichai i ett uttalande. “Vi kommer att fortsätta att arbeta med Discovery Loop som en grundande investerare och molnpartner, och samarbeta om ett forskningsramverk för ML-system och relaterad infrastrukturutveckling.”
På finansieringssidan rapporterade Wired att Khosla Ventures och Radical Ventures är bland investerarna, med Radical Ventures VD Jordan Jacobs som ansluter sig till styrelsen; grundarna avslöjar inte rundans storlek eller värdering. Venture-tesen, som Khosla uttryckte det till Wired, är en förändring i vad AI är till för i forskning: människor har använt AI för att göra forskning, sa han, medan premissen här är att AI är forskaren.
Vad som händer härnäst
De närmaste observerbara är konkreta. Discovery Loop rekryterar en liten, personlig grundarlag genom sin öppna roller sida, med start från inga anställda och inget kontor. Dess första genomförbara milstolpe är den automatiserade maskinlärningsloop som det planerar att aktivera på sin egen stack, och dess första verksamhetsår körs på Google-tillhandahållen beräkning under molnpartnerskapet. Den uttalade expansionsvägen, från ML-forskning till chipdesign, biologi, läkemedelsupptäckt och material, kommer att mätas mot företagets eget kriterium: inlärningsloopar med resultat som kan mätas. Om tillvägagångssättet producerar ett resultat som fältet erkänner som en upptäckt, snarare än en optimering, är det frågan som företagets struktur är byggd för att besvara.
