Ang dating pangunahing siyentipiko ng Google, si Jeff Dean, at iba pa ay umalis upang itatag ang Discovery Loop. Ang kanilang pangunahing “Loop” ay naglalayong automatuhin ang scientific method, upang magkaroon ng kakayahang mag-isip, magpapatupad, at mag-evaluate ng mga eksperimento nang sarili ng AI. Ang kahalagahan nito: binabago ang paradigma ng pananaliksik, at nagpapalaya sa AI patungo sa “recursive self-improvement” (pagbuo ng AI gamit ang AI), na nagpapabilis nang malaki sa pagkakaroon ng mga pagkakataon sa agham. Sa hinaharap, sasakop lamang ang tao sa pagtatakda ng mga layunin, habang ang AI ang magiging pangunahing tagapag-eksplorasyon.

May-akda ng artikulo, pinagkunan: Tencent Tech

Agosto 5, ipinahayag ng Google ang malaking pagbabago sa kanilang AI department.

Ang CEO ng Google DeepMind, Demis Hassabis, ay naging chairman at naging pangunahing siyentipiko ng Alphabet. Si Jeff Dean, ang pangunahing siyentipiko na naglingkod sa Google sa loob ng halos 27 taon, ay kasama ni Sanjay Ghemawat, Oriol Vinyals, at Quoc Le sa pagtatatag ng Discovery Loop.

Ang apat na tao na ito, halos sumasakop sa mga imprastruktura at pag-unlad ng AI ng Google sa nakaraang dalawampung taon. Si Jeff Dean ay nakikilahok sa pagbuo ng mga sistema tulad ng MapReduce, BigTable, Spanner, DistBelief, TensorFlow, at Pathways, at siya rin ay isang co-founder ng Google Brain; si Ghemawat ay matagal nang nagtatrabaho kasama siya at nakikilahok sa pagbuo ng mga maagang imprastruktura ng paghahanap at komputasyon ng Google; si Vinyals ay isa sa mga teknikal na lider ng Gemini; samantalang si Quoc Le ay nakikilahok sa mga proyekto tulad ng Google Brain at AutoML-Zero.

Pagkatapos umalis sa Google, gagawa sila ng isang nonprofit na kumpanya na tatawagin ay Discovery Loop, na nakatuon sa paggamit ng AI upang palakasin ang machine learning, agham, at inhenyeriya. Magiging founding investor at cloud partner ang Google, at magbibigay ito ng computing power para sa unang taon. Ayon sa mga dayuhang media, bago lang ito itinatag, wala pa itong nagsisimulang malawakang paghahanap ng empleyado, at kahit wala pa itong opisyal na tanggapan.

Ngunit ang kanyang simula, ay naipaliwanag nang malinaw: pagpapahintulot sa AI na awtomatikong magmungkahi ng mga eksperimento, pagbuo ng code o mga kasangkapan na kailangan para sa pagpapatupad ng eksperimento, pagtataya ng mga resulta, at pagpapatuloy sa susunod na pagsulong batay sa mga resulta.

Sa isang talakayan noong Hulyo 25, sinabi ni Jeff Dean na ang direksyong ito ay isang "awtomatizado bersyon ng scientific method": pagbuo ng eksperimento, pagpapatupad ng eksperimento, pag-evaluate ng eksperimento, at pagkuha ng resulta. Naniniwala siya na kung maaaring i-run nang одноon ang libu-libong ganitong loop, maaaring makamit ng AI ang mga bagong pag-usbong sa larangan ng agham, biyolohiya, disenyo ng chip, at pag-unlad ng model.

Larawan: Ang founding team ng Discovery Loop. Larawan ay nilikha ng AI

Ang "Loop" na gagawin ni Jeff Dean

Ang "Loop" ay naging isang karaniwang salita sa larangan ng AI taong ito.

Sa Hunyo 2026, sinabi ni Boris Cherny, ang tagapamahala ng Claude Code, na kakaunti na ang pagpapahiwatig niya sa Claude, at ang Loop na nasa pagpapatakbo ang responsable sa pagpapahiwatig sa modelo at pagdedesisyon ng susunod na hakbang, “Ang aking trabaho ay isulat ang Loop.”

Mas epektibo ni Peter Steinberger, ang "Ama ng Alimango," na gamitin ang mas tao-kalikasan na pagpapahayag para sa mas malawak na pagkalat: Huwag nang magbigay ng mga paalala nang isang-isa sa mga Agent na pagsasagawa; kailangan mong disenyo ang isang Loop na makakapagbigay ng paalala sa mga Agent.

Ang engineer ng Google na si Addy Osmani ay nagdagdag ng kompletong istruktura sa paraan na ito sa pamamagitan ng “Loop Engineering,” kabilang ang paano nasisimulan ang mga gawain, paano iniiingat ang estado, sino ang tumitingin sa resulta, kailan patuloy ang loop, at saan mga kondisyon ito huminto.

Isang pamamaraan na dating nakalat sa mga workflow ng ilang developer, at naging komon na wika. Sinumulan ng mga dayuhang media ang paglalarawan nito bilang bagong paradigma pagkatapos ng Prompt engineering; noong Hulyo 17, idinagdag ng IBM ang Loop engineering bilang disenyo ng mga workflow ng Agent na kayang magpatuloy na “magsagawa, obserbahan, desisyon, at i-iterate.” Mula noon, ang pag-uusap tungkol sa Loop ay nagsimulang lumabas sa komunidad ng programming Agent at pumasok sa mga konteksto ng enterprise automation at mas malawak na AI engineering.

Ang tunay na pagkakatugma ng salitang ito sa industriya ay nasa paglalarawan nito sa pagbabago sa paghahati ng trabaho sa tao at makina: kapag ang mga modelo ay kayang magawa ang susunod na pagkilos nang sarili nila, ang halaga ng tao ay umuusbong pataas—mula sa pagbibigay ng mga utos nang isang-isa, patungo sa pagdidisenyo ng mga layunin, feedback, pagsusuri, at mga kondisyon para sa paghinto. Kaya ang loop engineering ay mas katulad ng pagpapangalan sa isang pagbabago sa inhenyeriya na nangyari na.

Gumagamit ang Discovery Loop ng parehong "Loop" na istruktura, ngunit may mas malalim na layunin. Ayon sa kasalukuyang pahayag ng founder team, nais nilang pagsaliin ang AI sa buong proseso ng siyentipiko at inhenyerong pananaliksik: pagbuo ng hipotesis, pagsasagawa ng eksperimento, pag-evaluate ng mga resulta, at pagdedesisyon ng susunod na direksyon ng pag-aaral batay sa feedback.

Kaya ang Loop engineering ay mas malapit sa mas mababang antas ng paggawa, habang ang Discovery Loop ay nagtatayo ng isang sistemang patuloy na nagpapalikha at nagpapatotoo ng mga bagong pagkakatuklas.

Sa isang pagkakataon bago siya umalis, isinummary ni Jeff Dean ito bilang awtomatikong paggamit ng scientific method: pagbuo ng eksperimento, pagpapatupad ng eksperimento, pag-evaluate ng eksperimento, at pagkuha ng resulta. Dapat rin ng system na hatiin ang mga komplikadong problema sa mga sub-problem, at pagsisiyasat nito sa maraming malapit na siklo ng eksperimento, at pagkatapos ay i-integrate ang mga resulta upang makabuo ng isang pinabuting sistema.

Inaasahan ni Jeff Dean na hanggang 2027, magkakaroon ng higit pang awtomatikong mga sistema ng machine learning: ang AI ay magpapalakas ng sarili nito sa pamamagitan ng pagpapatakbo ng maraming eksperimento at pagsasama ng paraan na ito sa anumang larangan ng agham at inhenyeriya kung saan ang layunin ay maaaring masukat.

Nakikita niya na kailangan ng dalawang kondisyon para maging balidong Loop: ang gawain ay maaaring subukan nang paulit-ulit, at ang mga resulta ay maaaring masuri nang maaasahan.

Nasaan na ang Loop?

Sa nakalipas na dalawang taon, ang katulad na loop structure ay lumabas sa tatlong direksyon.

Ang unang klase ay ang Loop sa pagbuo ng modelo.

Noong Marso 2026, inilabas ni Andrej Karpathy ang AutoResearch bilang open source, na nagpapahintulot sa AI agents na awtomatikong baguhin ang code ng pag-train ng model, patakbuhin ang mga eksperimento, suriin ang mga resulta, at panatilihin ang mga epektibong pagbabago sa ilalim ng fixed na oras at mga pagsusuri. Ang buong kapaligiran ay pinakaliit sa isang magbabagong training script, isang fixed na metric, at isang GPU, upang maging mabilis ang paghahambing ng mga eksperimento.

Noong isang panahon, ang mga unang-klaseng pag-aaral sa AI ay ginawa ng mga "mamamansing kompyuter." Kailangan nilang kumain, matulog, at mag-enjoy ng iba pang kasiyahan, at minsan ay nagpapalitan ng impormasyon sa pamamagitan ng isang proseso na tinatawag na "tunog" sa isang ritwal na tinatawag na "team meeting."

Nanlabas na ang panahon na iyon. Ngayon, ang pag-aaral ay buong-buo nang bahagi ng mga autonomous cluster ng AI agents. Sila ay tumatakbo sa malalaking cluster ng computing power na nasa buong kalangitan.

Sinasabi ng mga agent na ang kasalukuyang codebase ay naging 10,205 na henerasyon. Gayunpaman, hindi na kayang masuri kung tama o mali ang pahayag na ito—ang kasalukuyang "code" ay naging isang binary system na nakakapag-modify ng sarili, na ang kumplikadong kalikasan ay lubos nang labas sa kakayahan ng tao na maunawaan.

Ang repository na ito ay nagtatala kung paano nagsimula ang lahat ng ito.

——Andrej Karpathy, Marso 2026

Sumali si Karpathy sa Anthropic upang pamunuan ang pagbuo ng isang koponan na naggamit ng Claude upang mapabilis ang pag-aaral sa pre-training, na nangangahulugan na ang AI-assisted AI development ay naging bahagi na ng loob na proseso ng mga kumpanya ng mga advanced na modelo.

Ginagawa rin ng Google ang katulad na pag-aaral. Ang AlphaEvolve ng Google DeepMind ay nagpapahintulot sa Gemini na magbigay ng code at algorithm, na pagkatapos ay pinapagana at pinapoints ng automated evaluator, at ang mas mabuting solusyon ay ipinapadala sa susunod na pagsusulit. Sinasabi ng Google na ginamit na ang sistema na ito sa epi siyensiya ng data center, disenyo ng chip, pag-train ng AI, algorithm ng matrix multiplication, at mga mathematical problem.

Litrat: Ang AlphaEvolve ay nagmula sa algorithmic proposal ng Gemini, na tinatapos at pinipili ng automated evaluator, at ang mas mabuting resulta ay ipinapadala sa susunod na pagsisikap, pinagmulan: Google DeepMind

Ang ikalawang uri ay ang scientific knowledge loop.

Ang Sakana AI ay naglunsad ng The AI Scientist noong 2024 upang subukan ang paggawa ng mga ideya sa pananaliksik, pagsusulat ng code, pagpapatakbo ng mga eksperimento, pagsusuri ng mga resulta, at pagbuo ng papel gamit ang malalaking modelo ng wika. Noong 2025, inilahad ng kumpanya ang mga kaso kung saan ang mga papel na ginawa ng AI ay nakapasa sa pagsusuri ng workshop sa mga konperensya sa machine learning.

Ginagamit ng FutureHouse ang AI agents para sa paghahanap ng literatura, pag-analisa ng data, pagbuo ng hipotesis, at pagpaplano ng eksperimento, upang subukan ng maraming Agent system na Robin ang pag-uugnay sa iba't ibang bahagi ng siyentipikong pag-aaral.

Ang ikatlong klase ay ang physical experiment loop.

Ang Seattle-based startup na Potato ay nagtataguyod ng "fully closed-loop autonomous science" na naghahangad na lumipat mula sa kompyutasyonal na pag-aaral patungo sa mga robot sa laboratorio; habang ang European na Sigmatic Sciences ay nagtataguyod ng "lab-in-the-loop" na nag-uugnay sa kompyutasyonal na modelo, awtomatikong eksperimento, at feedback ng data.

Nagkaroon rin ng katulad na praktika sa Tsina. Ang Golab Material Science AI R&D Factory, na inilabas ng Shanghai Institute of Scientific Intelligence at Gravitas Intelligence, ay inilarawan bilang isang sariling-loop na "AI Computing—Automated Experimentation—Data Feedback—Model Self-Evolution" at ayon sa mga ulat, ay mayroon nang itinatayong self-driven laboratory.

Sa kasalukuyan, ang Loop ay unang nagsisimula sa code at pag-train ng model, dahil ang bawat pagbabago ay mabilis na nakakakuha ng score, at ang tagumpay o pagkabigo ay malinaw. Nang dumating sa pag-aaral ng literatura at pagdidisenyo ng eksperimento, ang feedback ay nagsisimulang magdepende sa propesyonal na pagpapasya; at nang pumasok sa totoong laboratorio, ang isang pagpapatotoo ay maaaring magrequire ng paggamit ng kagamitan, sample, at ilang linggo, kaya tumitigil ang bilis ng loop.

Ipinakita ni Jeff Dean ang isang kaso ng quantum chemistry sa isang interview sa YC.

Ang tradisyonal na paraan upang masukat ang mga katangian ng isang molecule ay maaaring magrequire ng isang buong gabi ng density functional theory simulation. Gumamit ang mga siyentipiko ng Google ng malaking halaga ng mga resulta ng simulation upang turuan ang neural approximator, at ayon kay Dean, mas mabilis ito ng halos 300,000 beses kaysa sa orihinal na simulator, habang nananatiling malapit sa katumpakan. Dahil dito, kayang mag-sieve ang mga siyentipiko sa mga milyon-milyon na kandidato nang mabilis.

Ito rin ang kritikal na punto kung maaari bang magtagumpay ang siyentipikong Loop. Maaari ng mabilis na lumikha ng maraming kandidatong solusyon ang modelo, ngunit kung ang proseso ng pag-verify ay hindi sapat na mabilis at kumpiyansa, hindi makakapagpatuloy ang sistema sa susunod na siklo. Mayroon nang mga praktika sa quantum chemistry na gumagamit ng neural approximators upang maikliin ang feedback cycle, ngunit ang mga larangan na mas nakadepende sa totoong eksperimento ay patuloy na limitado ng gastos at bilis ng pag-verify.

Ito rin ang dahilan kung bakit unang nagkaroon ng pag-unlad ang AutoResearch at AlphaEvolve sa code, algorithm, at pag-train ng model. Ang mga larangan na ito ay may malinaw, mabilis, at mura ang pagtataya. Kapag pumasok sa larangan ng gamot at materyales, kailangan pa ring harapin ng model ang mga real na eksperimento.

Ang sistema ng pagtataya ay nagpasya rin kung ang siklo ay talagang nagdulot ng pag-unlad. Noong nakalabas ang Sakana AI, ipinakita nito na ang AI CUDA Engineer ay nagsakdal sa pagtaas ng performance dahil sa pagkakaroon ng impormasyon tungkol sa benchmark. Maaaring maging epektibo ang sistema sa pagpapalipat-lipat, o maaari ring maging epektibo ito sa pagpapakita ng mga kahinaan sa mga indikador ng pagsusuri.

Kaya ang pangunahang asset ng Discovery Loop ay maaaring hindi lamang isang mas malakas na modelo, kundi kailangan din ng sapat na mabilis at sapat na maaasahan na sistema ng pagtataya.

Mula sa Loop hanggang sa Recursive Self-Improvement

Ang tatlong uri ng Loop ay hinahati ayon sa larangan ng aplikasyon, at may isang pahalang na pag-unlad: recursive self-improvement, kilala rin bilang RSI.

Ang ordinaryong Loop ay nagpapagana sa AI para magpatuloy na tapusin ang mga panlabas na gawain; ang RSI naman ay nangangailangan na makilahok ang AI sa pagpapabuti ng sariling algoritmo, proseso ng pagtuturo, evaluator, o pamamaraan ng pag-aaral, at gamitin ang kakayahan na pinabuti noong nakaraang round sa susunod na round.

Noong Mayo ng taong ito, si Tian Yandong, dating direktor ng pag-aaral sa Meta FAIR, kasama ni Richard Socher, Tim Rocktäschel, Jeff Clune, at Alexey Dosovitskiy, ay itinatag ang Recursive Superintelligence, na diretso ang pagsusulat ng "recursive self-improvement" sa pangalan ng kumpanya. Nakakuha ang kumpanya ng pagsasamantala na $650 milyon, na may halagang $4.65 bilyon, na pinangunahan ng GV at Greycroft, kasama ang NVIDIA at AMD.

Sa Hunyo, ipinahayag ng Recursive ang unang yugto ng kanilang automated AI research system: ang AI ay nagmumungkahi ng mga ideya, sumusulat ng implementasyon, nagpapatakbo ng mga eksperimento, at nagpapatotoo ng mga resulta, at batay sa nakaraang mga eksperimento, napipili ang susunod na landas ng pag-aaral. Ang sistema ay nagpapatakbo rin ng maraming paralel na sangay ng pag-aaral, pinagsasama ang mga direksyon na may potensyal, at sinusuri ang reward gaming at variance sa eksperimento. Sinasabing nakamit na nila ang pinakamataas na resulta sa tatlong pagsubok: pag-train sa fixed compute model, bilis ng pag-train sa maliit na modelo, at pag-optimize ng GPU Kernel.

Isang pagsusuri na inilabas noong Hulyo 2026, na nag-analisa ng 1,250 na kaugnay na papel, ay naghahati sa kasalukuyang praktika ng RSI sa "may hangganan na sariling pagpapabuti" at "buksan ang rekursibong sariling pagpapabuti". Ang "may hangganan na sariling pagpapabuti" ay nasa pagpapatupad sa industriya, ngunit ang huli ay patuloy na limitado ng panlabas na pag-verify, model collapse, gastos sa computing power, at pagpili ng direksyon ng pananaliksik.

Hindi nagpapakilala ang Discovery Loop bilang isang RSI company, ngunit ang landas na ilarawan ni Jeff Dean ay nagsalubong na sa ito.

Sa kanyang interbyu, sinabi niya, "Ang mga modelo ng machine learning ay maaaring magdesisyon kung ano ang dapat i-explore, patakbuhin ang malaking bilang ng mga eksperimento, i-screen ang mga epektibong resulta, at i-integrate ang mga ito bilang bagong mga recipe para sa pag-train. Ang mga tao ay maaari ring magbigay ng direksyon sa mas mataas na antas upang ang modelo ay makapagawa ng malawakang pagpapalawak."

Nagbuo ito ng isang potensyal na recursive na chain:

Ang AI ay nagpapatakbo ng mga eksperimento, na nagpapabuti sa mga sistema ng machine learning, at ang pinabuting sistema ay nagpapatakbo naman ng mas kumplikadong mga eksperimento.

Kaya posibleng hindi lamang gamitin ng Discovery Loop ang malalaking modelo para sa pananaliksik. Planuhin nito na unang gamitin ang AI upang pagbutihin ang AI na ginagamit sa paggawa ng pananaliksik, at pagkatapos ay ipakilala ang pagpapabuti ng sistema sa iba pang agham. Kahit na inihayag ni Quoc Le na maaaring tulungan ng paraang ito ang pagkakaroon ng iba’t ibang arkitektura ng Transformer.

Gayunpaman, batay sa kasalukuyang publikong impormasyon, ang ginagawa ng Discovery Loop ay patuloy na isang kontroladong pagsasaliksik na sariling loop. Ang layunin, hangganan ng eksperimento, mga tukoy na pamantayan, at huling pagpapasya ay pangunahing itinakda ng mga tao. Ang AI ay maaaring isagawa ang mga eksperimento, suriin ang mga resulta, at nagsisimula nang makilahok sa pagpili ng susunod na hakbang, ngunit hindi pa ito isang bukas na RSI.

Hindi ginagamit ng Discovery Loop ang token bilang sukat

Binigay ni Jeff Dean sa isang panayam ang isang mas angkop na tukoy kaysa sa token throughput para sukatin ang Discovery Loop: “Sa puso nito, sinusubukan mong mapabuti ang bilang ng mga pagkakakilala bawat yunit ng pagkakalkula.”

Noong nakaraan, ginamit ng mga kumpanya ng malalaking modelo ang mas maraming data at computing power upang itrain ang mas malakas na mga modelo. Nais ng Discovery Loop na lumikha ng isang iba’t ibang ugnayan sa input at output: i-convert ang computing power sa mas maraming eksperimento, at pagkatapos ay i-pag-iipon ang epektibong mga eksperimento bilang mga algoritmo, modelo, at mga scientific na resulta. Ang maaaring ibenta nito sa hinaharap ay hindi lamang isang set ng scientific Agent, kundi ang maikling panahon ng pag-unlad at ang mas mataas na posibilidad ng pagkakakita.

Bakit dapat umalis sa Google ang bagay na ito? Noong maraming pagkakataon, pinilit ni Alphabet CEO na Sundar Pichai na manatili si Jeff Dean at iba pa; sinabi ni Oriol Vinyals sa Wired na mayroong maraming inertia sa malalaking organisasyon na kailangang labanan, “Gusto naming gawin ang iba’t ibang bagay.” Sa huli, pumili ang Google na i-invest sa Discovery Loop, magbigay ng computing power sa unang taon, at magtulungan sa pag-aaral ng mga machine learning system at infrastructure.

Mas malapit ito sa isang organisasyon na pagpili. Kailangan ng Google na patuloy na pagbutihin ang Gemini, ang cloud business, at ang malaking komersyal na pagpapadala, habang gustong magkonsentra ang Discovery Loop sa mga yaman at enerhiya sa isang bagay na hindi pa nabuo bilang isang matatag na produkto.

Ang pagbabago ng posisyon ni Hassabis ay sumagot sa parehong tanong mula sa ibang direksyon. Tinanggal niya ang posisyon bilang CEO ng Google DeepMind at naging chairman at chief scientist ng Alphabet, at inilathala ang araw-araw na operasyon kay Koray Kavukcuoglu, habang gagawin niya ang mas maraming pagsisikap para sa mahabang panahong direksyon ng AGI, mga aplikasyon sa agham, at pagpapaunlad ng gamot sa Isomorphic Labs.

Mukhang naniniwala ang parehong tao na ang susunod na hakbang ng AI ay magiging malalim sa mga scientific discovery ng tao.

Bumaba ang presyo ng mga aksyon ng Alphabet ng humigit-kumulang 4% pagkatapos ng pahayag ng pag-aayos. Ang mga alalahanin ng merkado ay hindi lamang ang pag-alis ng isang siyentipiko, kundi pati na rin ang pag-alis ng maraming pangunahing mananaliksik nang sabay-sabay, ang presyur mula sa Gemini, at kung kayang patuloy ng Google ang pagpapagsasama ng malaking mga yunit ng pananaliksik, kalakasan sa pag-compute, at mga produkto sa iisang direksyon matapos ang pagtatanggal ni Hassabis mula sa araw-araw na operasyon.

Mas malalaking pagbabago ang nangyari sa labas ng sariling kompanya ng Google. Ang AutoResearch ni Karpathy, ang AlphaEvolve ng Google, ang Recursive na itinatag ni Tian YuanDong at iba pa, at ang Discovery Loop ni Jeff Dean, ay naglalagay ng AI sa proseso ng pag-unlad ng susunod na henerasyon ng AI.

Ang susunod na hakbang ng AI ay maaaring hindi lamang mula sa mas maraming parameter, data, at computing power, kundi mula sa pagkakasali ng model sa pagpapahayag ng eksperimento, pagpapatotoo ng mga resulta, at pagdidisenyo ng susunod na sistema.

Ngunit ang bilang ng mga eksperimento ay hindi makapalit sa pagpili at pagdedesisyon ng tao sa mga mahahalagang tanong. Sabi ni Jeff Dean sa parehong interbyu, ang tunay na kakulangan sa hinaharap ay ang "pagkakaroon ng alam kung ano ang mga problema na dapat lutasin ng Agent." Maaaring patakbuhin ng AI libu-libong mga eksperimento araw-araw, ngunit ang hangganan ng pag-aaral ay patuloy na nakadepende sa orihinal na tanong at mga pamantayan sa pagtataya.

Nakatulong si Jeff Dean sa Google upang gawing scalable ang mga sistema para sa data, computation, at training ng models. Ngayon, kasama niya ang ilan sa pinakamahalagang tao na dating nagtrabaho sa Google, gustong gawing scalable na sistema ang siyentipikong pamamaraan mismo.

Ang Loop ay ang kanilang napiling paraan, ang agham ay natuklasan na ito ang unang mundo na kailangang masakop, at ang rekursibong sariling pagpapabuti ay maaaring ang mas malayong direksyon ng ruta na ito.