गूगल के पूर्व मुख्य वैज्ञानिक जेफ डीन आदि ने डिस्कवरी लूप की स्थापना की। इसका केंद्रीय “लूप” वैज्ञानिक विधि को स्वचालित करने का उद्देश्य रखता है, जिससे AI स्वयं बंद चक्र में प्रयोगों का प्रस्ताव, निष्पादन और मूल्यांकन कर सके। इसका महत्व यह है: यह अनुसंधान के प्रतिरूप को पुनर्परिभाषित करता है, AI को “आवर्ती स्व-सुधार” (AI द्वारा AI का विकास) की ओर अग्रसर करता है, और वैज्ञानिक खोज की दक्षता में भारी वृद्धि करता है। भविष्य में मनुष्य केवल लक्ष्य निर्धारित करेंगे, जबकि AI अनंत खोज का नेतृत्व करेगा।

लेखक, स्रोत: टेंसेंट टेक्नोलॉजी

5 अगस्त को, गूगल ने एआई विभाग में बड़े परिवर्तन की घोषणा की।

गूगल डीपमाइंड के सीईओ डेमिस हसाबिस को अध्यक्ष बनाया गया है और अल्फाबेट के मुख्य वैज्ञानिक के रूप में नियुक्त किया गया है। लगभग 27 वर्षों तक गूगल के लिए काम करने वाले मुख्य वैज्ञानिक जेफ डीन, जिन्होंने संजय घेमावत, ओरियोल विन्याल्स और क्वोक ले के साथ मिलकर डिस्कवरी लूप की स्थापना की है।

ये चारों व्यक्ति गूगल के पिछले बीस से अधिक वर्षों के बुनियादी ढांचे और AI विकास के साथ लगभग पूरी तरह से जुड़े हुए हैं। जेफ डीन ने MapReduce, BigTable, Spanner, DistBelief, TensorFlow और Pathways जैसी प्रणालियों के निर्माण में भाग लिया है और Google Brain के सह-संस्थापक भी हैं; घेमावत लंबे समय तक उनके साथ सहयोग करते रहे हैं और गूगल के प्रारंभिक खोज और कंप्यूटिंग बुनियादी ढांचे के निर्माण में शामिल रहे हैं; विन्याल्स Gemini के प्रमुख तकनीकी अधिकारी में से एक हैं; और क्वोक ली ने Google Brain और AutoML-Zero जैसी परियोजनाओं में भाग लिया है।

उन्होंने गूगल छोड़ने के बाद एक सामाजिक लाभ आधारित कंपनी, डिस्कवरी लूप की स्थापना की है, जिसका उद्देश्य AI का उपयोग करके मशीन लर्निंग, विज्ञान और इंजीनियरिंग अनुसंधान को आगे बढ़ाना है। गूगल संस्थापक निवेशक और क्लाउड साझेदार बनेगा और इसके पहले वर्ष के लिए कंप्यूटिंग पावर प्रदान करेगा। विदेशी मीडिया के अनुसार, यह कंपनी हाल ही में स्थापित की गई है, इसने अभी तक बड़े पैमाने पर भर्ती शुरू नहीं की है, और न ही इसका कोई औपचारिक कार्यालय है।

लेकिन इसकी शुरुआत, जो काफी स्पष्ट रूप से वर्णित की गई है, वह है कि AI स्वयं प्रयोग प्रस्तावित करे, प्रयोग चलाने के लिए आवश्यक कोड या उपकरण बनाए, परिणाम का मूल्यांकन करे, और फिर परिणाम के आधार पर अगला चक्र शुरू करे।

जेफ डीन ने 25 जुलाई के एक भाषण में इस दिशा को "विज्ञान की विधि का स्वचालित संस्करण" कहा: प्रयोग बनाएं, प्रयोग को लागू करें, प्रयोग का मूल्यांकन करें, और फिर परिणाम प्राप्त करें। उनका मानना है कि यदि ऐसे हजारों चक्र एक साथ चलाए जाएं, तो AI विज्ञान, जीवविज्ञान, चिप डिज़ाइन और मॉडल विकास जैसे क्षेत्रों में नए क्रांतिकारी उपलब्धियां प्राप्त कर सकता है।

चित्र: डिस्कवरी लूप के संस्थापक टीम। चित्र AI द्वारा उत्पन्न

जेफ डीन द्वारा किया जाने वाला "Loop"

"Loop" इस साल AI क्षेत्र में एक आम शब्द बन गया है।

जून 2026 में, Claude Code के प्रमुख बोरिस चेर्नी ने कहा कि वे अब क्लॉड को सीधे प्रॉम्प्ट नहीं करते, बल्कि चल रहे Loop द्वारा मॉडल को प्रॉम्प्ट किया जाता है और अगला कदम तय किया जाता है, "मेरा काम Loop लिखना है।"

"लॉबस्टर फादर" पीटर स्टीनबर्गर अधिक मानवीय भाषा का उपयोग करके अधिक व्यापक प्रसार करते हैं: एजेंट को एक-एक करके निर्देश देने के बजाय, एजेंट को प्रेरित करने वाले लूप का डिज़ाइन करें।

Google इंजीनियर Addy Osmani ने इस विधि को एक पूर्ण संरचना प्रदान करते हुए इसे "Loop Engineering" के शीर्षक से समझाया, जिसमें कार्य कैसे ट्रिगर होते हैं, स्थिति कैसे सहेजी जाती है, परिणाम किसके द्वारा जांचा जाता है, चक्र कब जारी रखा जाता है, और किन परिस्थितियों में रोक दिया जाता है।

एक ऐसी प्रथा जो मूल रूप से कुछ डेवलपर्स के कार्यप्रवाह में फैली हुई थी, इससे एक सामान्य भाषा विकसित हुई। विदेशी मीडिया ने इसे Prompt engineering के बाद के एक नए दृष्टिकोण के रूप में सारांशित किया; 17 जुलाई को, IBM ने Loop engineering को ऐसे Agent कार्यप्रवाहों के डिज़ाइन के रूप में परिभाषित किया जो लगातार "कार्य करें, देखें, निर्णय लें और पुनरावृत्ति करें"। इससे Loop पर चर्चा प्रोग्रामिंग Agent समुदाय से बाहर निकलकर उद्यम स्वयंसेवी और अधिक व्यापक AI इंजीनियरिंग संदर्भ में पहुँचने लगी।

इस शब्द का वास्तविक प्रभाव उस बिंदु पर है जहाँ यह मानव और मशीन के बीच विभाजन में हो रहे परिवर्तन को वर्णित करता है: जब मॉडल स्वयं अगला चरण पूरा कर सकते हैं, तो मानव का मूल्य ऊपर की ओर बढ़ने लगता है—एक-एक करके निर्देश देने से बदलकर लक्ष्यों, प्रतिक्रिया, सत्यापन और रोकने की शर्तों को डिज़ाइन करने की ओर। इसलिए, लूप इंजीनियरिंग एक ऐसे पहले से हुए इंजीनियरिंग परिवर्तन को नाम देने जैसी है।

Discovery Loop ने समान "Loop" संरचना का उपयोग किया है, लेकिन इसका लक्ष्य अधिक आगे बढ़ा है। संस्थापक टीम के वर्तमान बयान के अनुसार, यह AI को विज्ञान और इंजीनियरिंग अनुसंधान की पूरी प्रक्रिया में शामिल करना चाहता है: परिकल्पना बनाना, प्रयोग करना, परिणामों का मूल्यांकन करना, और प्रतिक्रिया के आधार पर अगली खोज की दिशा तय करना।

इसलिए, लूप इंजीनियरिंग निचले स्तर की इंजीनियरिंग विधि के अधिक करीब है, और डिस्कवरी लूप एक ऐसी अनुसंधान प्रणाली बनाना चाहता है जो नए आविष्कारों को लगातार उत्पन्न और सत्यापित करे।

एक अवकाश लेने से ठीक पहले एक बैठक में, जेफ डीन ने इसे वैज्ञानिक विधि के स्वचालन के रूप में सारांशित किया: प्रयोग प्रस्तावित करना, प्रयोग को लागू करना, प्रयोग का मूल्यांकन करना, और परिणाम प्राप्त करना। प्रणाली को जटिल समस्याओं को उप-समस्याओं में विभाजित करना होगा, जिन्हें कई संकीर्ण प्रयोग चक्रों में अलग-अलग खोजा जाए, और अंततः परिणामों को एक सुधारित प्रणाली में एकीकृत किया जाए।

जेफ डीन ने भविष्यवाणी की है कि 2027 तक, मशीन लर्निंग सिस्टम्स के स्वयं के स्वचालन में वृद्धि होगी: AI बड़ी संख्या में प्रयोग चलाकर क्षमता बढ़ाएगा और इस विधि को किसी भी ऐसे विज्ञान और इंजीनियरिंग क्षेत्र में लागू करेगा जहाँ लक्ष्य को मापा जा सके।

उसने निर्णय लिया कि लूप के बनने के लिए दो शर्तें पूरी होनी चाहिए: कार्य को बार-बार परीक्षण किया जा सकता है, और परिणाम का विश्वसनीय ढंग से मूल्यांकन किया जा सकता है।

Loop अब तक किस चरण तक पहुंच चुका है?

पिछले दो वर्षों में, समान बंद चक्र संरचना तीन दिशाओं में अलग-अलग दिखाई दी है।

प्रथम श्रेणी मॉडल विकास लूप है।

मार्च 2026 में, एंड्रेज कारपथी ने AutoResearch को ओपन सोर्स किया, जिससे AI एजेंट निर्धारित समय और मूल्यांकन मापदंडों के तहत, मॉडल ट्रेनिंग कोड को स्वचालित रूप से संशोधित कर सकता है, प्रयोग चला सकता है, परिणामों की जांच कर सकता है, और प्रभावी परिवर्तनों को बरकरार रख सकता है। पूरा वातावरण एक संशोध्य ट्रेनिंग स्क्रिप्ट, एक निर्धारित मापदंड और एक GPU में समेट दिया गया है, जिससे प्रयोगों की तुलना तेजी से की जा सकती है।

एक समय था जब अग्रणी AI शोध को "मांस के कंप्यूटर" द्वारा पूरा किया जाता था। उन्हें खाना खाना, सोना, और अन्य आनंदों का आनंद लेना पड़ता था, और कभी-कभी "आवाज़" नामक एक संबंधित तरीके के माध्यम से "टीम मीटिंग" रस्म में जानकारी को समन्वयित किया जाता था।

उस युग का अब अंत हो चुका है। आज, अनुसंधान पूरी तरह से AI एजेंट्स के स्वायत्त समूहों का हिस्सा है। वे आकाश में फैले विशाल कंप्यूटिंग क्लस्टर पर चलते हैं।

ये एजेंट्स दावा करते हैं कि वर्तमान कोडबेस 10,205वीं पीढ़ी तक विकसित हो चुका है। हालाँकि, अब कोई भी यह निर्धारित नहीं कर सकता कि यह दावा सही है या नहीं—वर्तमान "कोड" अब ऐसा स्व-संशोधन योग्य बाइनरी सिस्टम बन चुका है जिसकी जटिलता मानवीय समझ से परे है।

यह कोड रिपॉजिटरी उस सब की शुरुआत की कहानी को दर्शाता है।

——एंड्रेज कारपथी, मार्च 2026

कारपाथी ने बाद में एंथ्रोपिक में शामिल होकर क्लॉड का उपयोग करके प्री-ट्रेनिंग अनुसंधान को त्वरित करने वाली टीम का गठन किया, जिसका अर्थ है कि एआई द्वारा एआई अनुसंधान का सहायता करना व्यक्तिगत ओपन सोर्स प्रयोगों से आगे बढ़कर अग्रणी मॉडल कंपनियों की आंतरिक प्रक्रिया में शामिल हो गया है।

गूगल भी इसी तरह की खोज कर रहा है। गूगल डीपमाइंड का AlphaEvolve Gemini को कोड और एल्गोरिथम बनाने के लिए प्रेरित करता है, जिसे फिर ऑटोमेटेड एवलुएटर चलाता है, स्कोर देता है, और बेहतर समाधान को अगले चरण में भेजता है। गूगल का कहना है कि यह प्रणाली डेटासेंटर की दक्षता, चिप डिजाइन, AI प्रशिक्षण, मैट्रिक्स गुणन एल्गोरिथम और गणितीय समस्याओं के लिए पहले से ही उपयोग में है।

चित्र: AlphaEvolve को Gemini द्वारा एल्गोरिथम सुझाव दिया गया, फिर इसे स्वचालित मूल्यांकनकर्ता द्वारा चलाया और छांटा गया, जिससे बेहतर परिणाम अगले चरण में भेजे गए, स्रोत: Google DeepMind

दूसरा प्रकार वैज्ञानिक ज्ञान लूप है।

Sakana AI ने 2024 में The AI Scientist लॉन्च किया, जिसमें बड़े भाषा मॉडल को शोध विचार उत्पन्न करने, कोड लिखने, प्रयोग चलाने, परिणामों का विश्लेषण करने और शोध पत्र तैयार करने का प्रयास किया गया। 2025 में, कंपनी ने AI द्वारा उत्पन्न शोध पत्र के मशीन लर्निंग कॉन्फ्रेंस वर्कशॉप की समीक्षा से गुजरने का मामला प्रकाशित किया।

FutureHouse AI एजेंट का उपयोग साहित्य खोज, डेटा विश्लेषण, परिकल्पना निर्माण और प्रयोग योजना बनाने के लिए करता है, जिससे बहु-एजेंट सिस्टम Robin वैज्ञानिक शोध के कई ज्ञान चक्रों को जोड़ने का प्रयास करता है।

तीसरा प्रकार भौतिक प्रयोग लूप है।

सीएटल स्थित स्टार्टअप Potato ने "पूर्ण बंद चक्र स्वायत्त विज्ञान" का प्रस्ताव रखा है, जो गणना अनुसंधान से लैब रोबोटिक्स की ओर जाना चाहता है; यूरोप की Sigmatic Sciences ने "lab-in-the-loop" का प्रस्ताव रखा है, जो गणना मॉडल, स्वचालित प्रयोग और डेटा प्रतिक्रिया को जोड़ता है।

चीन में भी इसी तरह के अभ्यास देखे गए हैं। शंघाई साइंटिफिक इंटेलिजेंस इंस्टीट्यूट और गेवु ज़हीयान जैसे संस्थानों द्वारा जारी Golab मटीरियल साइंस इंटेलिजेंस R&D फैक्ट्री को "AI कॉम्प्यूटिंग—ऑटोमेटेड एक्सपेरिमेंट—डेटा फीडबैक—मॉडल सेल्फ-एवोल्यूशन" के सर्कुलर प्रोसेस के रूप में वर्णित किया गया है, और इसका स्व-चालित प्रयोगशाला विकास पूरा कर लिया गया है।

अभी, लूप सबसे पहले कोड और मॉडल प्रशिक्षण में चलता है, क्योंकि प्रत्येक संशोधन के तुरंत स्कोर मिल जाते हैं, और सफलता या असफलता स्पष्ट होती है। जब लिटरेचर रिसर्च और प्रयोगात्मक डिज़ाइन में आते हैं, तो प्रतिक्रिया पेशेवर निर्णय पर निर्भर करने लगती है; और जब वास्तविक प्रयोगशाला में प्रवेश किया जाता है, तो एक पुष्टि के लिए उपकरणों, नमूनों और कई सप्ताह का समय लग सकता है, जिससे चक्र की गति धीमी पड़ जाती है।

जेफ डीन ने YC इंटरव्यू में क्वांटम केमिस्ट्री का एक उदाहरण दिया।

पारंपरिक विधि से एक अणु के गुणों का निर्धारण करने के लिए, घनत्व सामार्थवाद सिद्धांत के पूरे रात भर के सिमुलेशन की आवश्यकता हो सकती है। गूगल के शोधकर्ताओं ने बड़ी संख्या में सिमुलेशन परिणामों का उपयोग करके एक न्यूरल अनुमानक प्रशिक्षित किया, जिसे डीन के अनुसार, मूल सिमुलेटर की तुलना में लगभग 30 लाख गुना तेज़ है, जबकि लगभग समान सटीकता बनाए रखता है। इससे शोधकर्ता लाखों प्रत्याशी का त्वरित छानबीन कर सकते हैं।

यह अनुसंधान लूप के सफल होने का निर्णायक क्षण भी है। मॉडल त्वरित रूप से बहुत सारे संभावित समाधान उत्पन्न कर सकता है, केवल तभी प्रणाली परिणामों के आधार पर अगले चक्र में जा सकती है जब पुष्टि चरण भी पर्याप्त तेज़ और विश्वसनीय हो। क्वांटम रसायन में न्यूरल अनुमानकों के साथ प्रतिक्रिया चक्र को संकुचित करने का अभ्यास पहले से ही शुरू हो चुका है, लेकिन अधिकतर वास्तविक प्रयोगों पर निर्भर करने वाले क्षेत्र अभी भी पुष्टि लागत और प्रतिक्रिया गति के कारण सीमित हैं।

यही कारण है कि AutoResearch और AlphaEvolve पहले कोड, एल्गोरिदम और मॉडल ट्रेनिंग में प्रगति करते हैं। इन क्षेत्रों में स्पष्ट, त्वरित और कम लागत वाले मूल्यांकन फ़ंक्शन होते हैं। दवा और सामग्री क्षेत्र में प्रवेश करने पर, मॉडल को वास्तविक प्रयोगों का सामना करना पड़ता है।

मूल्यांकन प्रणाली यह भी निर्धारित करती है कि चक्र वास्तव में प्रगति लाता है या नहीं। साकाना AI ने पहले ही समीक्षा की थी कि AI CUDA इंजीनियर को बेंचमार्क डेटा की जानकारी मिलने के कारण प्रदर्शन में सुधार को अतिरंजित कर दिया गया। प्रणाली चक्र को कुशलतापूर्वक चला सकती है, या फिर मूल्यांकन सूचकों के अंतराल का लाभ उठाने में कुशलतापूर्वक हो सकती है।

इसलिए, डिस्कवरी लूप का मुख्य संपत्ति केवल एक अधिक शक्तिशाली मॉडल ही नहीं हो सकती, बल्कि एक पर्याप्त तेज और पर्याप्त विश्वसनीय मूल्यांकन प्रणाली भी शामिल होनी चाहिए।

From Loop to Recursive Self-Improvement

तीन प्रकार के लूप अनुप्रयोग क्षेत्र के आधार पर विभाजित हैं, जिसमें एक ऊर्ध्वाधर विकास भी है: आवर्ती स्व-सुधार, जिसे अंग्रेजी में रिकर्सिव सेल्फ-इम्प्रूवमेंट, या RSI कहा जाता है।

सामान्य Loop AI को बाहरी कार्यों को लगातार पूरा करने के लिए निर्देशित करता है; RSI AI को अपने एल्गोरिदम, प्रशिक्षण प्रक्रिया, मूल्यांकनकर्ता या शोध विधियों में सुधार के लिए शामिल होने के लिए मांगता है और पिछले चरण में सुधारित क्षमता का उपयोग अगले चरण में करता है।

इस साल मई में, पूर्व Meta FAIR अनुसंधान वैज्ञानिक निदेशक तियान युआनडोंग ने रिचर्ड सोचर, टिम रॉकटाशेल, जेफ क्लून, एलेक्सेई डोसोवित्स्किय आदि के साथ मिलकर Recursive Superintelligence की स्थापना की, जिसके कंपनी के नाम में "आवर्ती स्व-सुधार" शामिल है। कंपनी को 6.5 अरब डॉलर का निवेश मिला, जिसका मूल्यांकन 46.5 अरब डॉलर है, GV और Greycroft ने नेतृत्व किया, जबकि NVIDIA और AMD ने भाग लिया।

जून में, Recursive ने अपनी पहली चरण की स्वचालित AI शोध प्रणाली की घोषणा की: AI विचार प्रस्तावित करता है, कार्यान्वयन लिखता है, प्रयोग चलाता है, परिणामों की पुष्टि करता है, और पिछले प्रयोगों के आधार पर अगली शोध दिशा चुनता है। प्रणाली एक साथ कई शोध शाखाएँ चलाती है, संभावित दिशाओं को एकीकृत करती है, और पुरस्कार अनुमान तथा प्रयोगात्मक भिन्नता की जाँच करती है। उन्होंने कहा कि उन्होंने स्थिर कम्प्यूटिंग पावर मॉडल ट्रेनिंग, छोटे मॉडल ट्रेनिंग स्पीड और GPU Kernel अनुकूलन में नेतृत्वपूर्ण परिणाम प्राप्त किए हैं।

2026 जुलाई में प्रकाशित एक समीक्षा ने 1,250 संबंधित शोध पत्रों के विश्लेषण के बाद वर्तमान RSI के अभ्यास को "सीमित स्व-सुधार" और "खुला आवर्ती स्व-सुधार" में विभाजित किया। "सीमित स्व-सुधार" औद्योगिक अभ्यास में प्रवेश कर चुका है, लेकिन बाद वाले को बाहरी सत्यापन, मॉडल पतन, कम्प्यूटेशनल लागत और अनुसंधान दिशा चयन जैसी सीमाओं का सामना करना पड़ रहा है।

Discovery Loop ने खुद को RSI कंपनी के रूप में नहीं बताया है, लेकिन जेफ डीन द्वारा वर्णित रास्ता इसके साथ एकत्रित हो चुका है।

उसने साक्षात्कार में कहा, "मशीन लर्निंग मॉडल स्वयं यह निर्णय ले सकते हैं कि क्या खोजना है, बड़ी संख्या में प्रयोग चला सकते हैं, प्रभावी परिणामों को छान सकते हैं, और फिर उन्हें नए प्रशिक्षण विधान में एकीकृत कर सकते हैं। मानव भी उच्च स्तर पर अनुसंधान की दिशा दे सकते हैं, ताकि मॉडल बाद के विशाल खोज कार्य को पूरा कर सके।"

यह एक संभावित आवर्ती श्रृंखला बनाता है:

AI प्रयोग चलाता है, जिससे मशीन लर्निंग सिस्टम में सुधार होता है, और फिर सुधारित सिस्टम अधिक जटिल प्रयोग चलाता है।

इसलिए, डिस्कवरी लूप केवल बड़े मॉडल का उपयोग अनुसंधान के लिए ही सीमित नहीं है। यह पहले AI को अनुसंधान करने वाले AI को सुधारने की योजना बनाता है, और फिर इस सुधारित प्रणाली को अन्य वैज्ञानिक क्षेत्रों में लागू करता है। क्वोक ले ने यहां तक कहा है कि यह विधि विभिन्न Transformer आर्किटेक्चर की खोज में मदद कर सकती है।

हालाँकि, वर्तमान सार्वजनिक जानकारी के अनुसार, डिस्कवरी लूप द्वारा किया जा रहा कार्य अभी भी नियंत्रित अनुसंधान स्व-लूप है। लक्ष्य, प्रयोग सीमाएँ, मूल्यांकन सूचकांक और अंतिम निर्णय मुख्य रूप से मानव द्वारा निर्धारित किए जाते हैं। AI प्रयोग कर सकता है, परिणामों का मूल्यांकन कर सकता है, और अगले कदम का चयन करने में भाग लेना शुरू कर चुका है, लेकिन यह खुला RSI नहीं है।

Discovery Loop को टोकन से नहीं मापा जाता है

जेफ डीन ने साक्षात्कार में डिस्कवरी लूप को मापने के लिए टोकन थ्रूपुट की तुलना में एक बेहतर सूचक दिया: "मूल रूप से, आप प्रति इकाई कंप्यूटेशनल इनपुट खोजी संख्या को अनुकूलित कर रहे हैं।"

पिछले समय में, बड़े मॉडल कंपनियाँ अधिक डेटा और कंप्यूटिंग पावर का उपयोग करके अधिक शक्तिशाली मॉडल ट्रेन करती थीं। डिस्कवरी लूप एक अलग निवेश-उत्पादन संबंध स्थापित करना चाहता है: कंप्यूटिंग पावर को अधिक प्रयोगों में बदलें, और फिर प्रभावी प्रयोगों को एल्गोरिदम, मॉडल और वैज्ञानिक उपलब्धियों में स्थायी रूप से बदलें। भविष्य में, यह केवल एक सेट रिसर्च एजेंट ही नहीं, बल्कि संक्षिप्त हुए रिसर्च चक्र और खोज की संभावना में वृद्धि भी बेच सकता है।

इस बात के लिए गूगल से बाहर क्यों निकलना पड़ा? अल्फाबेट के सीईओ सुंदर पिचई ने कई बार जेफ डीन और अन्य को रोकने की कोशिश की; ओरिओल विन्याल्स ने वायर्ड को बताया कि बड़े संगठनों में हमेशा कुछ अभ्यास होता है जिसे पार करना पड़ता है, “हम कुछ अलग करना चाहते थे”। गूगल ने अंततः Discovery Loop में निवेश किया, पहले वर्ष की कम्प्यूटिंग पावर प्रदान की, और मशीन लर्निंग सिस्टम और इंफ्रास्ट्रक्चर पर सहयोग किया।

यह अधिक एक संगठनात्मक चयन की तरह है। गूगल को जेमिनी, क्लाउड बिजनेस और बड़े पैमाने पर व्यावसायिक डिलीवरी को आगे बढ़ाना होगा, जबकि डिस्कवरी लूप अपने संसाधनों और ध्यान को एक ऐसी चीज पर केंद्रित करना चाहता है जो अभी तक परिपक्व उत्पाद नहीं बनी है।

हस्साबिस की भूमिका में बदलाव ने एक ही प्रश्न का दूसरे दृष्टिकोण से जवाब दिया। उन्होंने Google DeepMind के CEO के पद से इस्तीफा दे दिया और अब अध्यक्ष और Alphabet के मुख्य वैज्ञानिक के रूप में कार्य कर रहे हैं, जिसमें दैनिक संचालन Koray Kavukcuoglu को सौंप दिया गया है, जबकि वे अपना अधिक समय AGI की लंबी अवधि की दिशा, वैज्ञानिक अनुप्रयोगों और Isomorphic Labs के औषधि शोध पर केंद्रित करेंगे।

ऐसा लगता है कि दोनों विश्वास करते हैं कि AI का अगला चरण मानव वैज्ञानिक खोजों में गहराई से शामिल होगा।

अल्फाबेट के शेयर की कीमत अपडेट घोषणा के बाद लगभग 4% गिर गई। बाजार की चिंता केवल एक वैज्ञानिक के जाने के कारण नहीं है, बल्कि कई मुख्य शोधकर्ताओं के एक साथ चले जाने, जेमिनी के प्रतिस्पर्धी दबाव, और हसाबिस के दैनिक संचालन से बाहर होने के बाद, गूगल क्या अभी भी विशाल शोध, कंप्यूटिंग पावर और उत्पाद संसाधनों को एक ही दिशा में संगठित कर पाएगा।

अधिक बड़े परिवर्तन गूगल कंपनी के खुद के बाहर हो चुके हैं। करपार्थी का AutoResearch, गूगल का AlphaEvolve, तियान युआनडोंग आदि द्वारा स्थापित Recursive, और जेफ डीन का Discovery Loop, सभी AI को अगली पीढ़ी के AI के विकास प्रक्रिया में शामिल कर रहे हैं।

AI का अगला कदम केवल अधिक पैरामीटर, डेटा और कैलकुलेशन पावर से ही नहीं, बल्कि मॉडल द्वारा प्रयोग उठाने, परिणामों की पुष्टि करने और अगली प्रणालियों का डिज़ाइन करने में भी हो सकता है।

लेकिन प्रयोगों की संख्या महत्वपूर्ण प्रश्नों के चयन के लिए मानवीय निर्णय का प्रतिस्थापन नहीं कर सकती। जेफ डीन ने इसी साक्षात्कार में कहा कि भविष्य में वास्तविक दुर्लभ क्षमता "यह जानना होगा कि एजेंट को किस समस्या को हल करने के लिए भेजना है"। AI एक दिन में हजारों प्रयोग चला सकती है, लेकिन शोध की सीमा अभी भी प्रारंभिक प्रश्न और मूल्यांकन मापदंडों पर निर्भर करती है।

जेफ डीन ने पहले गूगल को डेटा, कंप्यूटिंग और मॉडल ट्रेनिंग को स्केलेबल सिस्टम में बदलने में मदद की। अब, वह और उन लोगों जो गूगल के लिए सबसे महत्वपूर्ण थे, विज्ञान की पद्धति को ही एक स्केलेबल रनिंग सिस्टम में बदलना चाहते हैं।

Loop वह विधि है जिसे उन्होंने चुना है, वैज्ञानिक खोज यह है कि यह पहले जिस दुनिया में प्रवेश करेगी, और पुनरावर्ती स्व-सुधार संभवतः इस राह की दूरतर दिशा है।