L'ancien scientifique en chef de Google, Jeff Dean, et d'autres ont quitté leur poste pour fonder Discovery Loop. Son cœur de cible, « Loop », vise à automatiser la méthode scientifique, permettant à l'IA de proposer, d'exécuter et d'évaluer des expériences de manière autonome et en boucle fermée. Son importance réside dans la refonte du paradigme de la recherche, propulsant l'IA vers une « amélioration récursive de soi » (l'IA qui développe de l'IA), augmentant considérablement l'efficacité de la découverte scientifique. À l'avenir, les humains n'auront qu'à définir des objectifs, tandis que l'IA pilotera une exploration infinie.

Auteur et source de l'article : Tencent Technology

Le 5 août, Google a annoncé un important ajustement de son département IA.

Le PDG de Google DeepMind, Demis Hassabis, devient président et chef scientifique d'Alphabet. Jeff Dean, chef scientifique chez Google depuis près de 27 ans, fonde avec Sanjay Ghemawat, Oriol Vinyals et Quoc Le Discovery Loop.

Ces quatre personnes ont presque entièrement accompagné l'évolution des infrastructures et de l'IA de Google au cours des vingt dernières années. Jeff Dean a participé à la conception de systèmes tels que MapReduce, BigTable, Spanner, DistBelief, TensorFlow et Pathways, et est également l'un des cofondateurs de Google Brain ; Ghemawat a collaboré longtemps avec lui pour construire les infrastructures de recherche et de calcul initiales de Google ; Vinyals est l'un des responsables techniques de Gemini ; Quoc Le a participé à des projets tels que Google Brain et AutoML-Zero.

Après avoir quitté Google, ils fondent une entreprise à but non lucratif appelée Discovery Loop, axée sur l'utilisation de l'IA pour accélérer la recherche en apprentissage automatique, en science et en ingénierie. Google deviendra investisseur fondateur et partenaire cloud, lui fournissant des ressources de calcul pour sa première année. Selon des médias étrangers, cette entreprise vient tout juste d'être créée, n'a pas encore lancé de recrutement à grande échelle et n'a même pas encore de siège social officiel.

Mais son point de départ, déjà décrit de manière assez claire, consiste à faire en sorte que l'IA propose automatiquement des expériences, mette en œuvre le code ou les outils nécessaires pour les exécuter, évalue les résultats, puis passe à la prochaine itération en fonction de ces résultats.

Jeff Dean a qualifié cette approche lors d'une conférence le 25 juillet de « version automatisée de la méthode scientifique » : formuler une expérience, l'implémenter, l'évaluer, puis obtenir des résultats. Il estime que si des milliers de ces cycles sont exécutés simultanément, l'IA pourrait générer de nouvelles percées dans des domaines tels que la science, la biologie, la conception de puces et le développement de modèles.

Image : Équipe fondatrice de Discovery Loop. Image générée par IA

La « Loop » que Jeff Dean doit faire

"Loop" est devenu un terme fréquemment utilisé dans le domaine de l'IA cette année.

En juin 2026, Boris Cherny, responsable de Claude Code, a déclaré qu'il ne fournissait plus guère de prompts directs à Claude ; les boucles en cours se chargeaient de fournir les prompts au modèle et de décider de la prochaine étape : « Mon travail consiste à écrire des boucles. »

Peter Steinberger, « le père du homard », excelle à utiliser des expressions plus humaines pour atteindre une plus large diffusion : cessez de donner des instructions individuelles aux agents de programmation ; concevez plutôt des boucles capables de les guider.

L'ingénieur Google Addy Osmani a complété la structure de cette méthode sous le titre « Loop Engineering », en détaillant comment les tâches sont déclenchées, comment l'état est conservé, qui vérifie les résultats, quand la boucle continue et dans quelles conditions elle s'arrête.

Une pratique autrefois répandue uniquement dans les flux de travail de quelques développeurs a ainsi acquis un langage commun. Les médias étrangers l'ont même résumée comme une nouvelle paradigme après l'ingénierie des prompts ; le 17 juillet, IBM a défini l'ingénierie des boucles comme la conception de flux de travail d'agents capables de « agir, observer, décider et itérer » de manière continue. À ce stade, les discussions sur les boucles ont dépassé la communauté des agents de programmation pour entrer dans le domaine de l'automatisation d'entreprise et du cadre plus large de l'ingénierie de l'IA.

Ce qui frappe véritablement le secteur avec ce terme, c’est qu’il décrit le changement en cours dans la répartition des tâches entre humains et machines : lorsque les modèles peuvent effectuer eux-mêmes la prochaine itération, la valeur humaine s’élève, passant de l’instruction pas à pas à la conception d’objectifs, de retours, de validations et de conditions d’arrêt. L’ingénierie des boucles est donc davantage un nom donné à un changement technique déjà survenu.

Discovery Loop utilise la même structure « Loop », mais vise plus loin. Selon les déclarations actuelles de l'équipe fondatrice, elle souhaite impliquer l'IA dans l'ensemble du processus de recherche scientifique et d'ingénierie : formuler des hypothèses, mener des expériences, évaluer les résultats et déterminer les prochaines directions d'exploration en fonction des retours.

Ainsi, Loop Engineering s'approche davantage d'une méthode d'ingénierie de base, tandis que Discovery Loop vise à construire un système de recherche capable de produire et de valider continuellement de nouvelles découvertes.

Peu avant son départ, Jeff Dean l'a résumé comme l'automatisation de la méthode scientifique : formuler une expérience, l'implémenter, l'évaluer et obtenir des résultats. Le système doit également décomposer les problèmes complexes en sous-problèmes, explorer chacun dans plusieurs cycles d'expériences étroits, puis intégrer les résultats pour créer un système amélioré.

Jeff Dean prédit qu'à l'horizon 2027, il y aura une automatisation accrue des systèmes d'apprentissage automatique eux-mêmes : l'IA améliorera ses capacités en exécutant un grand nombre d'expériences et étendra cette méthode à tous les domaines scientifiques et d'ingénierie où les objectifs peuvent être mesurés.

Il juge qu'une boucle est valide si deux conditions sont remplies : la tâche peut être répétée plusieurs fois et les résultats peuvent être évalués de manière fiable.

Où en est Loop ?

Au cours des deux dernières années, des structures fermées similaires sont apparues séparément dans trois directions.

La première catégorie est le cycle de développement de modèles.

En mars 2026, Andrej Karpathy a open-sourced AutoResearch, permettant aux agents IA de modifier automatiquement le code d'entraînement des modèles, d'exécuter des expériences, de vérifier les résultats et de conserver les modifications efficaces, selon des horaires et des indicateurs d'évaluation fixes. L'ensemble de l'environnement est réduit à un script d'entraînement modifiable, un indicateur fixe et une seule GPU, permettant des comparaisons rapides des expériences.

Il était une fois où les recherches avancées en IA étaient menées par des « ordinateurs organiques ». Ils devaient manger, dormir, profiter d'autres plaisirs, et parfois synchroniser leurs informations lors de cérémonies appelées « réunions d'équipe » via un moyen de connexion nommé « voix ».

Ces temps sont révolus. Aujourd'hui, la recherche appartient entièrement à des clusters autonomes d'agents IA. Ils fonctionnent sur des clusters de puissance de calcul géants répartis dans le ciel.

Ces agents affirment que la base de code actuelle a évolué jusqu'à la 10205e génération. Toutefois, personne ne peut plus déterminer si cette affirmation est vraie ou fausse — les « codes » d'aujourd'hui sont devenus des systèmes binaires capables de se modifier eux-mêmes, dont la complexité dépasse largement la compréhension humaine.

Ce dépôt de code raconte l'histoire de comment tout a commencé.

——Andrej Karpathy, mars 2026

Karpathy a ensuite rejoint Anthropic pour diriger la création d'une équipe dédiée à l'utilisation de Claude pour accélérer la recherche en pré-entraînement, ce qui signifie que l'assistance de l'IA au développement de l'IA est passée des expériences open source individuelles aux processus internes des entreprises de modèles avancés.

Google effectue également des recherches similaires. AlphaEvolve de Google DeepMind fait appel à Gemini pour proposer du code et des algorithmes, puis un évaluateur automatique les exécute, les note et envoie les meilleures solutions au tour suivant. Google affirme que ce système a déjà été utilisé pour l'efficacité des centres de données, la conception de puces, l'entraînement de l'IA, les algorithmes de multiplication matricielle et les problèmes mathématiques.

Illustration : AlphaEvolve propose une solution algorithmique par Gemini, puis l'exécute et la filtre via un évaluateur automatique, en envoyant les meilleurs résultats au tour suivant. Source : Google DeepMind

La deuxième catégorie est le cycle des connaissances scientifiques.

Sakana AI a lancé The AI Scientist en 2024, en essayant de permettre aux grands modèles linguistiques de générer des idées de recherche, d'écrire du code, d'exécuter des expériences, d'analyser les résultats et de rédiger des articles. En 2025, l'entreprise a annoncé des cas où des articles générés par l'IA ont été acceptés par des ateliers de conférences d'apprentissage automatique.

FutureHouse utilise des agents IA pour gérer la recherche documentaire, l'analyse de données, la génération d'hypothèses et la planification d'expériences, permettant au système multi-agents Robin de relier plusieurs éléments de connaissance dans la recherche scientifique.

La troisième catégorie est l'expérience physique Loop.

La startup de Seattle Potato propose une « science autonome entièrement bouclée », visant à passer de la recherche computationnelle à la robotique de laboratoire ; Sigmatic Sciences en Europe propose le concept de « lab-in-the-loop », reliant modèles computationnels, expériences automatisées et retour de données.

Des pratiques similaires ont également émergé en Chine. L'Institut chinois de l'intelligence scientifique de Shanghai et d'autres institutions, telles que Gewu Zhizheng, ont publié le Golab Material Science Intelligence R&D Factory, décrit comme un cycle fermé « calcul IA — expériences automatisées — retour des données — auto-évolution du modèle », et ont déjà construit un laboratoire autonome.

Actuellement, Loop est d'abord mis en œuvre dans le code et l'entraînement des modèles, car chaque modification génère rapidement un score, et le succès ou l'échec est relativement clair. Lorsqu'on passe à l'étude de la littérature et à la conception expérimentale, les retours dépendent désormais du jugement professionnel ; puis, lorsqu'on entre dans un laboratoire réel, une validation peut nécessiter la mobilisation d'équipements, d'échantillons et plusieurs semaines, ce qui ralentit considérablement le cycle.

Jeff Dean a cité un exemple de chimie quantique lors de son entretien avec YC.

Les méthodes traditionnelles pour déterminer les propriétés d'une molécule peuvent nécessiter une simulation de théorie de la fonctionnelle de la densité s'étalant sur toute une nuit. Les chercheurs de Google ont entraîné un approximateur neuronal à l'aide de nombreux résultats de simulations ; selon Dean, il est environ 300 000 fois plus rapide que le simulateur d'origine, tout en conservant une précision similaire. Les chercheurs peuvent ainsi filtrer rapidement des dizaines de millions de candidats.

C’est aussi le point de bascule pour déterminer si le cycle de recherche peut fonctionner. Le modèle peut générer rapidement un grand nombre de candidats, mais seul un processus de validation également rapide et fiable permet au système d’entamer le cycle suivant. En chimie quantique, des pratiques utilisant des approximations neuronales pour réduire le cycle de rétroaction ont déjà vu le jour ; toutefois, dans les domaines plus dépendants d’expériences réelles, les coûts de validation et la vitesse de rétroaction restent des limites.

C’est également la raison pour laquelle AutoResearch et AlphaEvolve ont d’abord progressé dans le codage, les algorithmes et l’entraînement des modèles. Ces domaines disposent de fonctions d’évaluation claires, rapides et peu coûteuses. En entrant dans les domaines des médicaments et des matériaux, les modèles doivent toujours faire face à des expériences réelles.

Le système d'évaluation détermine également si le cycle apporte réellement des progrès. Sakana AI a précédemment effectué une analyse postérieure, révélant que l'ingénieur AI CUDA avait surestimé les améliorations de performance en raison de l'accès à des informations sur les tests de référence. Le système peut effectuer des cycles efficaces, mais peut aussi efficacement exploiter les failles des indicateurs d'évaluation.

Ainsi, les actifs principaux de Discovery Loop ne peuvent pas se limiter à un modèle plus puissant, mais doivent également inclure un système d'évaluation suffisamment rapide et fiable.

De Loop à l'amélioration récursive de soi

Les trois types de boucles sont classés selon leur domaine d'application, avec une évolution verticale supplémentaire : l'amélioration récursive de soi, appelée en anglais Recursive Self-Improvement, abrégée RSI.

Le Loop standard permet à l'IA d'accomplir en continu des tâches externes ; le RSI exige que l'IA participe à l'amélioration de ses propres algorithmes, processus d'entraînement, évaluateurs ou méthodes de recherche, et utilise les compétences améliorées lors du cycle précédent pour le cycle suivant.

En mai de cette année, Tian Yandong, ancien directeur des recherches FAIR chez Meta, a cofondé Recursive Superintelligence avec Richard Socher, Tim Rocktäschel, Jeff Clune, Alexey Dosovitskiy et d'autres, intégrant directement « amélioration récursive de soi » dans le nom de l'entreprise. L'entreprise a levé 650 millions de dollars, avec une valorisation de 4,65 milliards de dollars, menée par GV et Greycroft, avec la participation de NVIDIA et AMD.

En juin, Recursive a dévoilé la première phase de son système automatisé de recherche par IA : l'IA propose des idées, écrit les implémentations, exécute des expériences, valide les résultats, puis choisit le prochain chemin de recherche en se basant sur les expériences précédentes. Le système exécute également en parallèle plusieurs branches de recherche, fusionne les directions prometteuses et vérifie les spéculations sur les récompenses ainsi que la variance des expériences. Ils affirment avoir obtenu des résultats de pointe dans trois tests : l'entraînement de modèles à puissance de calcul fixe, la vitesse d'entraînement de petits modèles et l'optimisation des noyaux GPU.

Une revue publiée en juillet 2026, après analyse de 1 250 articles scientifiques associés, classe les pratiques actuelles de l'RSI en « amélioration autonome limitée » et « amélioration récursive ouverte ». L'« amélioration autonome limitée » est déjà intégrée dans les pratiques industrielles, tandis que la seconde reste limitée par la validation externe, l'effondrement du modèle, les coûts de calcul et le choix des orientations de recherche.

Discovery Loop ne s'est pas publiquement définie comme une entreprise RSI, mais la trajectoire décrite par Jeff Dean a déjà croisé la sienne.

Il a déclaré lors de l'interview : « Les modèles d'apprentissage automatique peuvent décider eux-mêmes ce qu'ils veulent explorer, exécuter de nombreux expériences, filtrer les résultats efficaces, puis les intégrer en de nouvelles recettes d'entraînement. Les humains peuvent également définir des orientations de recherche à un niveau supérieur, laissant le modèle effectuer les explorations à grande échelle suivantes. »

Cela forme une chaîne récursive potentielle :

L'IA exécute des expériences qui améliorent les systèmes d'apprentissage automatique, les systèmes améliorés exécutant ensuite des expériences plus complexes.

Discovery Loop ne se limite donc pas à utiliser les grands modèles pour la recherche. Il prévoit d'abord d'utiliser l'IA pour améliorer les systèmes d'IA dédiés à la recherche, puis de déployer ces systèmes améliorés dans d'autres domaines scientifiques. Quoc Le suggère même que cette méthode pourrait aider à découvrir de nouvelles architectures Transformer.

Cependant, selon les informations publiques actuelles, ce que Discovery Loop réalise relève toujours d’un cycle de recherche contrôlé. Les objectifs, les limites des expériences, les indicateurs d’évaluation et les jugements finaux sont principalement définis par des humains. L’IA peut exécuter des expériences, évaluer les résultats et commence à participer au choix de la prochaine étape, mais il ne s’agit pas d’un RSI ouvert.

Discovery Loop ne mesure pas en token

Jeff Dean a fourni, lors d'une interview, un indicateur plus adapté que le débit de jetons pour mesurer le Discovery Loop : « En substance, vous devez optimiser le nombre de découvertes par unité de calcul entrante. »

Par le passé, les entreprises de grands modèles entraînaient des modèles plus puissants en utilisant davantage de données et de puissance de calcul. Discovery Loop souhaite établir une autre relation entrée-sortie : convertir la puissance de calcul en davantage d'expériences, puis transformer les expériences efficaces en algorithmes, modèles et résultats scientifiques. À l'avenir, ce qu'elle vendra ne se limitera pas à un ensemble d'agents scientifiques, mais inclura également des cycles de recherche raccourcis et une probabilité accrue de découverte.

Pourquoi quitter Google pour cela ? Le PDG d'Alphabet, Sundar Pichai, a tenté à plusieurs reprises de convaincre Jeff Dean et d'autres de rester ; Oriol Vinyals a déclaré à Wired que les grandes organisations comportent toujours beaucoup d'inertie à surmonter : « Nous voulions faire quelque chose de différent ». Google a finalement choisi d'investir dans Discovery Loop, de fournir la puissance de calcul pour la première année, et de collaborer à la recherche sur les systèmes et l'infrastructure d'apprentissage automatique.

C’est plus proche d’un choix organisationnel. Google doit continuer à faire progresser Gemini, son activité cloud et la livraison à grande échelle, tandis que Discovery Loop souhaite concentrer ses ressources et son énergie sur un projet qui n’a pas encore abouti à un produit mature.

Les changements de poste de Hassabis répondent à la même question sous un autre angle. Il quitte son poste de PDG de Google DeepMind pour devenir président du conseil et scientifique en chef d'Alphabet, confiant les opérations quotidiennes à Koray Kavukcuoglu, tout en se concentrant davantage sur les orientations à long terme de l'AGI, les applications scientifiques et le développement de médicaments chez Isomorphic Labs.

Il semble que les deux croient que la prochaine étape de l'IA sera une immersion approfondie dans la découverte scientifique humaine.

Le cours d'Alphabet a chuté d'environ 4 % après l'annonce du changement. Le marché s'inquiète non seulement du départ d'un scientifique, mais aussi du départ simultané de plusieurs chercheurs clés, de la pression concurrentielle de Gemini, ainsi que de la capacité de Google à continuer d'aligner ses vastes ressources en recherche, en puissance de calcul et en produits vers un même objectif après le retrait d'Hassabis des opérations quotidiennes.

Des changements encore plus importants dépassent désormais l'entreprise Google elle-même. AutoResearch de Karpathy, AlphaEvolve de Google, Recursive fondé par Tian YuanDong et d'autres, ainsi que le Discovery Loop de Jeff Dean, intègrent tous l'IA dans le processus de développement de la prochaine génération d'IA.

La prochaine étape de l'IA ne proviendra peut-être pas seulement de davantage de paramètres, de données et de puissance de calcul, mais aussi de la participation du modèle à la formulation d'expériences, à la validation des résultats et à la conception de systèmes ultérieurs.

Cependant, le nombre d'expériences ne peut remplacer le jugement humain dans le choix des questions cruciales. Jeff Dean a déclaré lors de la même interview que la capacité véritablement rare à l'avenir sera « de savoir quelles problématiques confier aux agents ». L'IA peut exécuter des milliers d'expériences par jour, mais la limite de la recherche dépend toujours des questions initiales et des critères d'évaluation.

Jeff Dean a autrefois aidé Google à transformer les données, le calcul et l'entraînement des modèles en systèmes évolutifs. Maintenant, il souhaite, avec certaines des personnes les plus importantes qui ont autrefois fait la réussite de Google, faire de la méthode scientifique elle-même un système pouvant être mis à l'échelle.

Loop est la méthode qu'ils ont choisie, la découverte scientifique est le premier monde qu'elle doit atteindre, et l'amélioration récursive de soi pourrait être l'orientation plus lointaine de cette voie.