El ex científico jefe de Google, Jeff Dean, y otros dejaron sus puestos para fundar Discovery Loop. Su núcleo, "Loop", tiene como objetivo automatizar el método científico, permitiendo que la IA proponga, ejecute y evalúe experimentos de forma autónoma y cerrada. Su importancia radica en: redefinir el paradigma de la investigación, impulsar a la IA hacia la "mejora recursiva automática" (IA que desarrolla IA) y aumentar enormemente la eficiencia del descubrimiento científico. En el futuro, los humanos solo necesitarán establecer objetivos, mientras que la IA liderará una exploración interminable.

Autor y fuente del artículo: Tencent Tech

El 5 de agosto, Google anunció importantes ajustes en su departamento de IA.

El CEO de Google DeepMind, Demis Hassabis, pasa a ser presidente y se convierte en científico jefe de Alphabet. Jeff Dean, científico jefe de Google durante casi 27 años, junto con Sanjay Ghemawat, Oriol Vinyals y Quoc Le, fundó Discovery Loop.

Estas cuatro personas han estado casi completamente involucradas en la infraestructura y el desarrollo de IA de Google durante los últimos veinte años. Jeff Dean participó en la construcción de sistemas como MapReduce, BigTable, Spanner, DistBelief, TensorFlow y Pathways, y es cofundador de Google Brain; Ghemawat ha colaborado con él durante mucho tiempo en la creación de la infraestructura de búsqueda y cómputo temprana de Google; Vinyals es uno de los responsables técnicos de Gemini; y Quoc Le participó en proyectos como Google Brain y AutoML-Zero.

Después de dejar Google, fundarán una empresa sin fines de lucro llamada Discovery Loop, enfocada en utilizar la IA para avanzar en la investigación de machine learning, ciencia e ingeniería. Google será inversionista fundador y socio en la nube, proporcionando capacidad de cómputo para su primer año. Según medios externos, la empresa acaba de ser creada, no ha comenzado a contratar a gran escala y aún no tiene una oficina formal.

Pero su punto de partida ya se ha descrito de manera bastante clara: que la IA proponga automáticamente experimentos, implemente el código o las herramientas necesarias para ejecutarlos, evalúe los resultados y, según estos, avance a la siguiente ronda.

En una charla el 25 de julio, Jeff Dean describió esta dirección como "la versión automatizada del método científico": plantear un experimento, implementar el experimento, evaluar el experimento y obtener resultados. Él considera que, si se ejecutan miles de estos ciclos simultáneamente, la IA podría lograr nuevos avances en campos como la ciencia, la biología, el diseño de chips y el desarrollo de modelos.

Imagen: Equipo fundador de Discovery Loop. Imagen generada por IA

El "Loop" que Jeff Dean va a hacer

"Loop" se ha convertido en una palabra frecuente en el campo de la IA este año.

En junio de 2026, Boris Cherny, responsable de Claude Code, dijo que ya rara vez proporciona indicaciones directas a Claude; el Loop en ejecución se encarga de generar las indicaciones y decidir el siguiente paso: “Mi trabajo es escribir el Loop”.

"El padre de la langosta" Peter Steinberger logra una mayor difusión con expresiones más humanas: ya no sugieras agentes de programación uno por uno, diseña bucles que puedan sugerir a los agentes.

El ingeniero de Google Addy Osmani completó la estructura de este método bajo el título "Loop Engineering", incluyendo cómo se activan las tareas, cómo se guardan los estados, quién verifica los resultados, cuándo continúa el bucle y en qué condiciones se detiene.

Una práctica que originalmente estaba dispersa en los flujos de trabajo de unos pocos desarrolladores, logró así un lenguaje común. Los medios extranjeros incluso la resumieron como el nuevo paradigma tras la ingeniería de prompts; el 17 de julio, IBM definió aún más la ingeniería de Loop como el diseño de flujos de trabajo de Agentes capaces de “actuar, observar, decidir e iterar” de forma continua. Desde entonces, la discusión sobre Loop ha trascendido la comunidad de Agentes programados y ha ingresado al ámbito de la automatización empresarial y la ingeniería de IA en general.

Lo que realmente resuena en la industria es que este término describe el cambio en la división del trabajo entre humanos y máquinas: cuando los modelos pueden realizar la siguiente iteración por sí mismos, el valor humano comienza a elevarse, pasando de dar instrucciones paso a paso a diseñar objetivos, retroalimentación, validación y condiciones de detención. Por lo tanto, la ingeniería de bucles es más bien un nombre dado a un cambio de ingeniería que ya ha ocurrido.

Discovery Loop utiliza la misma estructura "Loop", pero con objetivos aún más ambiciosos. Según la declaración actual del equipo fundador, busca involucrar a la IA en todo el proceso de investigación científica y de ingeniería: formular hipótesis, realizar experimentos, evaluar resultados y determinar los siguientes pasos de exploración según los comentarios recibidos.

Por lo tanto, Loop Engineering se acerca más a un enfoque de ingeniería de bajo nivel, mientras que Discovery Loop busca construir un sistema de investigación que genere y valide continuamente nuevos descubrimientos.

Poco antes de su salida, Jeff Dean lo resumió como la automatización del método científico: plantear experimentos, implementar experimentos, evaluar experimentos y obtener resultados. El sistema también debe descomponer problemas complejos en subproblemas, explorarlos en múltiples ciclos de experimentación cercanos y finalmente integrar los resultados en un sistema mejorado.

Jeff Dean predice que para 2027 habrá más automatización de los propios sistemas de aprendizaje automático: la IA mejorará su capacidad ejecutando numerosos experimentos y aplicará este enfoque a cualquier campo científico o de ingeniería donde el objetivo pueda medirse.

Él determina que un bucle es válido si se cumplen dos condiciones: la tarea puede ser repetidamente probada y los resultados pueden ser evaluados de manera confiable.

¿En qué paso ha llegado Loop?

En los últimos dos años, estructuras de bucle cerrado similares han aparecido en tres direcciones distintas.

La primera categoría es el Loop de desarrollo de modelos.

En marzo de 2026, Andrej Karpathy lanzó Open Source AutoResearch, que permite a los agentes de IA modificar automáticamente el código de entrenamiento del modelo, ejecutar experimentos, verificar resultados y conservar los cambios válidos, bajo tiempos fijos y métricas de evaluación. Todo el entorno se comprime en un script de entrenamiento modificable, una métrica fija y una GPU, permitiendo comparaciones rápidas de experimentos.

En su momento, la investigación de vanguardia en IA la realizaban "computadoras orgánicas". Tenían que comer, dormir, disfrutar de otros placeres y, ocasionalmente, sincronizaban información mediante una forma de conexión llamada "voz" en ceremonias conocidas como "reuniones de grupo".

Esa era ya ha pasado. Hoy en día, la investigación pertenece completamente a clústeres autónomos de agentes de IA. Operan sobre enormes clústeres de poder de cómputo dispersos por el cielo.

Estos agentes afirman que la base de código actual ha evolucionado hasta la generación 10205. Sin embargo, ya nadie puede determinar si esta afirmación es cierta: hoy en día, el "código" se ha convertido en un sistema binario capaz de modificarse a sí mismo, cuya complejidad ha superado con creces la comprensión humana.

Este repositorio registra cómo comenzó todo esto.

——Andrej Karpathy, marzo de 2026

Karpathy luego se unió a Anthropic para liderar la creación de un equipo enfocado en utilizar a Claude para acelerar la investigación de preentrenamiento, lo que implica que la investigación de IA asistida por IA ha pasado de experimentos individuales de código abierto a convertirse en un proceso interno de empresas de modelos avanzados.

Google también está realizando exploraciones similares. AlphaEvolve de Google DeepMind hace que Gemini proponga código y algoritmos, que luego son ejecutados y calificados por un evaluador automático, enviando las soluciones más eficientes a la siguiente ronda. Google afirma que este sistema ya se ha utilizado en la eficiencia de centros de datos, diseño de chips, entrenamiento de IA, algoritmos de multiplicación de matrices y problemas matemáticos.

Figura: AlphaEvolve propone un algoritmo de Gemini, que luego se ejecuta y filtra mediante un evaluador automático, enviando los mejores resultados a la siguiente ronda. Fuente: Google DeepMind

La segunda categoría es el bucle de conocimiento científico.

Sakana AI lanzó The AI Scientist en 2024, intentando permitir que los modelos de lenguaje grande generen ideas de investigación, escriban código, ejecuten experimentos, analicen resultados y redacten artículos. En 2025, la empresa anunció casos en los que artículos generados por IA aprobaron la revisión de talleres de conferencias de aprendizaje automático.

FutureHouse utiliza agentes de IA para manejar la búsqueda de literatura, el análisis de datos, la generación de hipótesis y la planificación de experimentos, permitiendo que el sistema multi-agente Robin intente conectar varios vínculos de conocimiento en la investigación científica.

La tercera categoría es el experimento físico Loop.

La empresa de Seattle Potato propone "ciencia autónoma completamente cerrada", con el objetivo de pasar de la investigación computacional a robots de laboratorio; Sigmatic Sciences de Europa propone "lab-in-the-loop", conectando modelos computacionales, experimentos automáticos y retroalimentación de datos.

En China también se han implementado prácticas similares. El Instituto Chino de Inteligencia Científica de Shanghai, Grwiz Intelligence y otras instituciones han lanzado la Fábrica de Investigación y Desarrollo de Inteligencia para la Ciencia de Materiales Golab, descrita como un ciclo cerrado de "cómputo de IA—experimentación automática—retroalimentación de datos—evolución automática del modelo", y ya han construido un laboratorio autónomo.

Actualmente, Loop se pone en marcha primero en el código y el entrenamiento del modelo, ya que cada modificación obtiene rápidamente una puntuación, y el éxito o fracaso es relativamente claro. Al llegar a la investigación bibliográfica y el diseño experimental, el feedback comienza a depender del juicio profesional; al entrar en el laboratorio real, una validación puede requerir el uso de equipos, muestras y varias semanas, lo que ralentiza el ciclo.

Jeff Dean mencionó un caso de química cuántica en la entrevista de YC.

Los métodos tradicionales para determinar las propiedades de una molécula podrían requerir una simulación de teoría funcional de densidad que dure toda la noche. Los investigadores de Google entrenaron un aproximador neural con grandes cantidades de resultados de simulaciones; según Dean, este método es aproximadamente 300.000 veces más rápido que el simulador original, manteniendo una precisión similar. Esto permite a los investigadores filtrar rápidamente millones de candidatos.

Este es también el punto de inflexión para determinar si el bucle de investigación puede funcionar. El modelo puede generar rápidamente una gran cantidad de soluciones candidatas, pero solo si la etapa de validación es igualmente rápida y confiable, el sistema podrá avanzar a la siguiente ronda según los resultados. En química cuántica ya existen prácticas que utilizan aproximadores neuronales para comprimir el ciclo de retroalimentación; sin embargo, en campos que dependen más de experimentos reales, aún se ven limitados por el costo de validación y la velocidad de retroalimentación.

Esto también es la razón por la que AutoResearch y AlphaEvolve primero lograron avances en código, algoritmos y entrenamiento de modelos. Estos campos cuentan con funciones de evaluación claras, rápidas y de bajo costo. Al entrar en los campos de fármacos y materiales, los modelos aún deben enfrentar experimentos reales.

El sistema de evaluación también determina si el ciclo realmente genera progreso. Sakana AI revisó públicamente que el ingeniero de AI CUDA sobreestimó el aumento de rendimiento al acceder a información de pruebas de referencia. El sistema puede circular de manera eficiente, o también puede explotar eficientemente las brechas en los indicadores de evaluación.

Por lo tanto, el activo principal del Discovery Loop no puede ser solo un modelo más potente, sino que también debe incluir un sistema de evaluación lo suficientemente rápido y confiable.

De Loop a auto-mejora recursiva

Las tres categorías de Loop se dividen según el ámbito de aplicación, y también existe una evolución vertical: mejora recursiva propia, denominada en inglés Recursive Self-Improvement, abreviada como RSI.

El Loop normal permite que la IA complete continuamente tareas externas; RSI requiere que la IA participe en la mejora de sus propios algoritmos, procesos de entrenamiento, evaluadores o métodos de investigación, y utilice las capacidades mejoradas en el ciclo anterior para el siguiente ciclo.

En mayo de este año, Tian Yandong, exdirector de investigación de FAIR de Meta, fundó junto con Richard Socher, Tim Rocktäschel, Jeff Clune, Alexey Dosovitskiy y otros a Recursive Superintelligence, incorporando directamente "mejora recursiva autónoma" en el nombre de la empresa. La compañía obtuvo una financiación de 650 millones de dólares y una valoración de 4,650 millones de dólares, con GV y Greycroft como líderes de la ronda, y NVIDIA y AMD como participantes.

En junio, Recursive presentó el sistema automatizado de investigación de IA de la fase uno: la IA propone ideas, escribe implementaciones, ejecuta experimentos, verifica resultados y selecciona la siguiente ruta de investigación basándose en experimentos anteriores. El sistema también ejecuta en paralelo múltiples ramas de investigación, fusiona direcciones con potencial y verifica la especulación de recompensas y la varianza experimental. Afirman haber obtenido resultados líderes en tres pruebas: entrenamiento de modelos con capacidad de cómputo fija, velocidad de entrenamiento de modelos pequeños y optimización de GPU Kernel.

Una revisión publicada en julio de 2026, tras analizar 1.250 artículos relacionados, clasifica las prácticas actuales de RSI en "mejora autónoma con límites" y "mejora recursiva abierta". La "mejora autónoma con límites" ya ha ingresado en la práctica industrial, pero la última sigue limitada por la validación externa, el colapso del modelo, los costos de cómputo y la selección de direcciones de investigación.

Discovery Loop no se ha definido públicamente como una empresa RSI, pero la ruta descrita por Jeff Dean ya ha intersectado con ella.

En la entrevista, planteó: "Los modelos de aprendizaje automático pueden decidir por sí mismos qué explorar, ejecutar numerosos experimentos, filtrar los resultados efectivos y combinarlos en nuevas recetas de entrenamiento. Los humanos también pueden proporcionar direcciones de investigación a un nivel más alto, permitiendo que el modelo realice la exploración a gran escala posterior".

Esto forma una cadena potencialmente recursiva:

La IA ejecuta experimentos que mejoran los sistemas de aprendizaje automático; el sistema mejorado luego ejecuta experimentos más complejos.

Discovery Loop por lo tanto podría no limitarse a utilizar modelos grandes solo para investigación. Planea primero usar IA para mejorar la IA que realiza investigaciones, y luego extender el sistema mejorado a otros campos científicos. Quoc Le incluso sugirió que este método podría ayudar a descubrir arquitecturas Transformer diferentes.

Sin embargo, según la información pública actual, lo que Discovery Loop realiza aún se considera un ciclo de investigación controlado. Los objetivos, los límites experimentales, los indicadores de evaluación y los juicios finales los establecen principalmente los humanos. La IA puede ejecutar experimentos, evaluar resultados y comenzar a participar en la selección del siguiente paso, pero no es un RSI abierto.

Discovery Loop no mide con tokens

Jeff Dean en la entrevista proporcionó un indicador más adecuado que el rendimiento de tokens para medir el Discovery Loop: “En esencia, estás optimizando la cantidad de descubrimientos por unidad de entrada de cálculo.”

Anteriormente, las empresas de modelos grandes entrenaban modelos más potentes utilizando más datos y capacidad de cómputo. Discovery Loop busca establecer otra relación de entrada-salida: convertir la capacidad de cómputo en más experimentos, y luego consolidar los experimentos efectivos en algoritmos, modelos y logros científicos. En el futuro, lo que venderá podría no ser solo un conjunto de Agentes de investigación, sino también ciclos de desarrollo acortados y una mayor probabilidad de descubrimiento.

¿Por qué decidieron dejar a Google? El CEO de Alphabet, Sundar Pichai, intentó retener a Jeff Dean y otros en múltiples reuniones; Oriol Vinyals le dijo a Wired que en las grandes organizaciones siempre hay mucha inercia que superar: “Queríamos hacer algo diferente”. Google finalmente optó por invertir en Discovery Loop, proporcionar capacidad de cómputo para el primer año y colaborar en la investigación de sistemas e infraestructura de aprendizaje automático.

Esto es más cercano a una elección organizacional. Google necesita seguir avanzando con Gemini, su negocio en la nube y la entrega a gran escala, mientras que Discovery Loop quiere concentrar sus recursos y esfuerzos en algo que aún no ha desarrollado un producto maduro.

El cambio de puesto de Hassabis responde a la misma pregunta desde otra perspectiva. Deja el cargo de CEO de Google DeepMind para asumir el de presidente y científico jefe de Alphabet, delegando las operaciones diarias a Koray Kavukcuoglu, mientras se enfocará más en la dirección a largo plazo de la AGI, las aplicaciones científicas y el desarrollo de fármacos en Isomorphic Labs.

Parece que ambos creen que la próxima etapa de la IA profundizará en los descubrimientos científicos humanos.

La acción de Alphabet cayó aproximadamente un 4% tras el anuncio del ajuste. El mercado no solo se preocupa por la salida de un científico, sino también por la partida simultánea de varios investigadores clave, la presión competitiva de Gemini y si Google podrá seguir alineando sus vastos recursos de investigación, cómputo y productos en una misma dirección tras la salida de Hassabis de las operaciones diarias.

Cambios aún mayores han trascendido a la propia empresa Google. AutoResearch de Karpathy, AlphaEvolve de Google, Recursive fundada por Tian YuanDong y otros, así como el Discovery Loop de Jeff Dean, están integrando la IA en el proceso de desarrollo de la próxima generación de IA.

El siguiente paso de la IA podría no provenir solo de más parámetros, datos y capacidad de cómputo, sino también de modelos que participen en plantear experimentos, validar resultados y diseñar sistemas posteriores.

Pero la cantidad de experimentos no puede reemplazar la capacidad humana para seleccionar y juzgar cuestiones clave. Jeff Dean dijo en la misma entrevista que la capacidad verdaderamente escasa en el futuro será "saber qué problemas dejar que resuelvan los Agentes". La IA puede ejecutar miles de experimentos en un día, pero el límite de la investigación sigue dependiendo del problema inicial y los criterios de evaluación.

Jeff Dean anteriormente ayudó a Google a convertir los datos, el cómputo y el entrenamiento de modelos en sistemas escalables. Ahora, él y algunos de los individuos más importantes que alguna vez trabajaron en Google buscan convertir el propio método científico en un sistema que pueda operar a escala.

Loop es el método que eligieron, el descubrimiento científico es el mundo en el que primero debe entrar, y la auto-mejora recursiva podría ser una dirección más lejana en este camino.