Jeff Dean, mantan ilmuwan kepala Google, dan lainnya mengundurkan diri untuk mendirikan Discovery Loop. "Loop" intinya bertujuan untuk mengotomatisasi metode ilmiah, memungkinkan AI secara mandiri mengajukan, menjalankan, dan mengevaluasi eksperimen secara tertutup. Pentingnya terletak pada: merevolusi paradigma penelitian, mendorong AI menuju "perbaikan diri rekursif" (menggunakan AI untuk mengembangkan AI), serta meningkatkan efisiensi penemuan ilmiah secara signifikan. Di masa depan, manusia hanya perlu menetapkan tujuan, sementara AI akan memimpin eksplorasi tanpa batas.

Penulis artikel, sumber: Tencent Tech

Pada 5 Agustus, Google mengumumkan penyesuaian besar di departemen AI.

CEO Google DeepMind Demis Hassabis beralih menjadi ketua sekaligus ilmuwan utama Alphabet. Ilmuwan utama yang telah berkiprah di Google selama hampir 27 tahun, Jeff Dean, bersama Sanjay Ghemawat, Oriol Vinyals, dan Quoc Le mendirikan Discovery Loop.

Keempat orang ini hampir menjadi bagian integral dari pengembangan infrastruktur dan AI Google selama dua dekade terakhir. Jeff Dean terlibat dalam pembangunan sistem-sistem seperti MapReduce, BigTable, Spanner, DistBelief, TensorFlow, dan Pathways, serta merupakan salah satu pendiri Google Brain; Ghemawat bekerja sama dengannya dalam jangka panjang, berkontribusi dalam membangun infrastruktur pencarian dan komputasi awal Google; Vinyals adalah salah satu pemimpin teknis Gemini; sedangkan Quoc Le terlibat dalam proyek-proyek seperti Google Brain dan AutoML-Zero.

Setelah meninggalkan Google, mereka akan mendirikan perusahaan nirlaba bernama Discovery Loop, yang berfokus pada pemanfaatan AI untuk memajukan penelitian pembelajaran mesin, ilmu pengetahuan, dan teknik. Google akan menjadi investor pendiri dan mitra cloud, serta menyediakan daya komputasi untuk tahun pertama mereka. Menurut laporan media asing, perusahaan ini baru saja didirikan, belum memulai rekrutmen skala besar, bahkan belum memiliki kantor resmi.

Namun, permulaannya telah dijelaskan dengan cukup jelas, yaitu memungkinkan AI untuk secara otomatis mengusulkan eksperimen, mengimplementasikan kode atau alat yang diperlukan untuk menjalankan eksperimen, mengevaluasi hasilnya, lalu melanjutkan ke putaran berikutnya berdasarkan hasil tersebut.

Dalam sebuah pidato pada 25 Juli, Jeff Dean menyebut arah ini sebagai "versi otomatis dari metode ilmiah": mengajukan eksperimen, mengimplementasikan eksperimen, mengevaluasi eksperimen, lalu mendapatkan hasil. Ia percaya bahwa jika ribuan siklus semacam ini dijalankan secara bersamaan, AI berpotensi mencapai terobosan baru di bidang ilmu pengetahuan, biologi, desain chip, dan pengembangan model.

Gambar: Tim pendiri Discovery Loop. Gambar dihasilkan oleh AI

"Loop" yang akan dilakukan Jeff Dean

"Loop" telah menjadi kata kunci sering muncul di bidang AI tahun ini.

Pada Juni 2026, Boris Cherny, pemimpin Claude Code, mengatakan bahwa ia jarang lagi memberikan petunjuk langsung kepada Claude; Loop yang berjalan akan bertanggung jawab untuk memberikan petunjuk kepada model dan menentukan langkah selanjutnya, "Tugas saya adalah menulis Loop."

"Father of Lobster" Peter Steinberger lebih mahir menggunakan ekspresi yang lebih manusiawi untuk mencapai penyebaran yang lebih luas: jangan lagi memberikan petunjuk satu per satu kepada Agent pemrograman, tetapi desainlah Loop yang dapat memberikan petunjuk kepada Agent.

Insinyur Google, Addy Osmani, melengkapi struktur lengkap untuk metode ini dengan judul "Loop Engineering", termasuk bagaimana tugas dipicu, bagaimana status disimpan, siapa yang memeriksa hasilnya, kapan siklus berlanjut, dan dalam kondisi apa itu berhenti.

Sebuah praktik yang awalnya tersebar di alur kerja sejumlah pengembang kini memperoleh bahasa bersama. Media asing bahkan merangkumnya sebagai paradigma baru setelah prompt engineering; pada 17 Juli, IBM lebih lanjut mendefinisikan loop engineering sebagai desain alur kerja Agent yang mampu terus-menerus “bertindak, mengamati, mengambil keputusan, dan beriterasi.” Sejak itu, diskusi tentang loop mulai melampaui komunitas Agent pemrograman dan memasuki konteks otomasi perusahaan serta rekayasa AI yang lebih luas.

Kata ini benar-benar menyentuh inti industri karena menggambarkan perubahan dalam pembagian tugas antara manusia dan mesin: ketika model dapat menyelesaikan operasi berikutnya sendiri, nilai manusia mulai bergerak ke atas, dari memberikan perintah satu per satu, beralih ke merancang tujuan, umpan balik, verifikasi, dan kondisi penghentian. Oleh karena itu, loop engineering lebih merupakan pemberian nama terhadap perubahan teknis yang sudah terjadi.

Discovery Loop menggunakan struktur "Loop" yang sama, tetapi dengan tujuan yang lebih ambisius. Menurut pernyataan tim pendiri saat ini, ia bertujuan untuk melibatkan AI dalam seluruh proses penelitian ilmiah dan teknik: merumuskan hipotesis, menjalankan eksperimen, mengevaluasi hasil, serta menentukan arah eksplorasi selanjutnya berdasarkan umpan balik.

Oleh karena itu, Loop engineering lebih mendekati pendekatan rekayasa dasar, sedangkan Discovery Loop bertujuan membangun sistem penelitian yang terus-menerus menghasilkan dan menguji temuan baru.

Tidak lama sebelum pensiun, Jeff Dean merangkumnya sebagai otomatisasi metode ilmiah: mengajukan eksperimen, mengimplementasikan eksperimen, mengevaluasi eksperimen, dan mendapatkan hasil. Sistem juga harus memecah masalah kompleks menjadi sub-masalah, mengeksplorasi masing-masing dalam siklus eksperimen yang erat, dan akhirnya mengintegrasikan hasilnya menjadi sistem yang ditingkatkan.

Jeff Dean memprediksi bahwa pada tahun 2027, akan muncul lebih banyak otomatisasi sistem pembelajaran mesin itu sendiri: AI meningkatkan kemampuannya melalui eksekusi sejumlah besar eksperimen, dan menerapkan metode ini ke semua bidang ilmu dan teknik di mana tujuan dapat diukur.

Dia menilai bahwa loop terbentuk memerlukan dua kondisi: tugas dapat diuji berulang kali, dan hasilnya dapat dievaluasi secara andal.

Loop telah sampai pada tahap mana?

Dua tahun terakhir, struktur tertutup serupa telah muncul di tiga arah berbeda.

Kategori pertama adalah Loop pengembangan model.

Pada Maret 2026, Andrej Karpathy melepaskan AutoResearch sebagai sumber terbuka, memungkinkan agen AI secara otomatis memodifikasi kode pelatihan model, menjalankan eksperimen, memeriksa hasil, dan menyimpan perubahan yang efektif dalam waktu dan metrik evaluasi tetap. Seluruh lingkungan dikompresi menjadi satu skrip pelatihan yang dapat dimodifikasi, satu metrik tetap, dan satu GPU, sehingga eksperimen dapat dibandingkan dengan cepat.

Dulu kala, penelitian AI mutakhir dilakukan oleh "komputer daging". Mereka makan, tidur, menikmati kesenangan lainnya, dan sesekali menyinkronkan informasi melalui sebuah metode koneksi yang disebut "suara" dalam ritual "rapat kelompok".

Zaman itu sudah berlalu. Kini, penelitian sepenuhnya menjadi milik kluster otonom agen AI. Mereka berjalan di atas kluster komputasi raksasa yang tersebar di seluruh langit.

Agen-agen ini menyatakan bahwa kode saat ini telah berevolusi hingga generasi ke-10205. Namun, kebenaran pernyataan ini kini tidak dapat lagi dipastikan—kode saat ini telah menjadi sistem biner yang dapat memodifikasi dirinya sendiri, dengan kompleksitas yang jauh melampaui pemahaman manusia.

Repo ini mencatat kisah bagaimana semua ini awalnya dimulai.

——Andrej Karpathy, Maret 2026

Karpathy kemudian bergabung dengan Anthropic untuk memimpin pembentukan tim yang menggunakan Claude untuk mempercepat penelitian pre-training, yang berarti AI yang membantu pengembangan AI telah berpindah dari eksperimen open source perorangan ke dalam proses internal perusahaan model mutakhir.

Google juga melakukan eksplorasi serupa. AlphaEvolve dari Google DeepMind meminta Gemini untuk menghasilkan kode dan algoritma, lalu evaluator otomatis menjalankan dan memberi skor, serta mengirimkan solusi yang lebih baik ke putaran berikutnya. Google menyatakan bahwa sistem ini telah digunakan untuk efisiensi pusat data, desain chip, pelatihan AI, algoritma perkalian matriks, dan masalah matematis.

Grafik: AlphaEvolve menggunakan skema algoritma dari Gemini, kemudian dijalankan dan disaring oleh evaluator otomatis, dengan hasil terbaik diproses ke putaran berikutnya, sumber: Google DeepMind

Kategori kedua adalah Loop pengetahuan ilmiah.

Sakana AI meluncurkan The AI Scientist pada 2024, mencoba memungkinkan model bahasa besar menghasilkan ide penelitian, menulis kode, menjalankan eksperimen, menganalisis hasil, dan menyusun makalah. Pada 2025, perusahaan mengumumkan kasus makalah yang dihasilkan AI berhasil melewati tinjauan lokakarya konferensi pembelajaran mesin.

FutureHouse memanfaatkan agen AI untuk menangani pencarian literatur, analisis data, generasi hipotesis, dan perencanaan eksperimen, memungkinkan sistem multi-agent Robin mencoba menghubungkan berbagai tahap pengetahuan dalam penelitian ilmiah.

Kategori ketiga adalah Loop eksperimen fisik.

Perusahaan rintisan Seattle, Potato, mengusulkan "ilmu otonom tertutup sepenuhnya", berharap beralih dari penelitian komputasi ke robot laboratorium; Sigmatic Sciences di Eropa mengusulkan "lab-in-the-loop", menghubungkan model komputasi, eksperimen otomatis, dan umpan balik data.

Praktik serupa juga muncul di Tiongkok. Laboratorium Riset dan Pengembangan Intelejensi Ilmu Material Golab, yang dirilis oleh Institut Intelejensi Ilmiah Shanghai dan Ge Wu Zhi Yan, digambarkan sebagai siklus tertutup "komputasi AI—eksperimen otomatis—aliran data kembali—evolusi model mandiri", dan telah membangun laboratorium yang berjalan sendiri.

Saat ini, Loop paling awal dijalankan dalam kode dan pelatihan model, karena setiap perubahan dapat segera mendapatkan skor, keberhasilan atau kegagalan relatif jelas. Ketika memasuki studi literatur dan desain eksperimen, umpan balik mulai bergantung pada penilaian profesional; kemudian saat memasuki laboratorium nyata, satu validasi mungkin memerlukan penggunaan peralatan, sampel, dan waktu beberapa minggu, sehingga kecepatan siklus melambat.

Jeff Dean dalam wawancara YC menyebutkan sebuah contoh kimia kuantum.

Metode tradisional untuk menentukan sifat molekul mungkin memerlukan simulasi teori fungsional kerapatan selama semalam penuh. Para peneliti Google melatih neuron pendekatan menggunakan hasil simulasi dalam jumlah besar; menurut Dean, kecepatannya sekitar 300.000 kali lebih cepat daripada simulator asli, sambil mempertahankan akurasi yang hampir setara. Hal ini memungkinkan para peneliti untuk menyaring puluhan juta kandidat dengan cepat.

Ini juga merupakan titik balik apakah Loop penelitian dapat berjalan. Model dapat dengan cepat menghasilkan sejumlah besar solusi kandidat, namun hanya jika tahap verifikasi juga cukup cepat dan andal, sistem dapat melanjutkan ke putaran berikutnya berdasarkan hasilnya. Di bidang kimia kuantum, sudah ada praktik yang menggunakan neural approximators untuk memperpendek siklus umpan balik, tetapi bidang-bidang yang lebih bergantung pada eksperimen nyata masih terbatas oleh biaya verifikasi dan kecepatan umpan balik.

Ini juga alasan mengapa AutoResearch dan AlphaEvolve terlebih dahulu membuat kemajuan dalam kode, algoritma, dan pelatihan model. Bidang-bidang ini memiliki fungsi evaluasi yang jelas, cepat, dan berbiaya rendah. Ketika memasuki bidang obat-obatan dan material, model masih harus menghadapi eksperimen nyata.

Sistem evaluasi juga menentukan apakah siklus tersebut benar-benar membawa kemajuan. Sakana AI pernah melakukan tinjauan publik, di mana AI CUDA Engineer melebih-lebihkan peningkatan kinerja karena terpapar informasi pengujian benchmark. Sistem dapat berputar secara efisien, tetapi juga dapat secara efisien memanfaatkan celah dalam metrik evaluasi.

Jadi, aset inti Discovery Loop mungkin tidak hanya berupa satu model yang lebih kuat, tetapi juga harus mencakup sistem evaluasi yang cukup cepat dan andal.

Dari Loop ke Peningkatan Diri Rekursif

Tiga jenis Loop dibagi berdasarkan bidang aplikasinya, dengan satu evolusi vertikal tambahan: Peningkatan Diri Rekursif, dalam bahasa Inggris disebut Recursive Self-Improvement, disingkat RSI.

Loop biasa membuat AI terus menyelesaikan tugas eksternal; RSI memerlukan AI untuk berpartisipasi dalam meningkatkan algoritma, proses pelatihan, evaluator, atau metode penelitiannya sendiri, serta menggunakan kemampuan yang telah diperbaiki pada putaran sebelumnya untuk putaran berikutnya.

Pada Mei tahun ini, Tian Yandong, mantan direktur penelitian Meta FAIR, bersama Richard Socher, Tim Rocktäschel, Jeff Clune, Alexey Dosovitskiy, dan lainnya mendirikan Recursive Superintelligence, secara langsung memasukkan "perbaikan mandiri rekursif" ke dalam nama perusahaan. Perusahaan ini memperoleh pendanaan sebesar 6,5 miliar dolar AS, dengan valuasi 46,5 miliar dolar AS, dipimpin oleh GV dan Greycroft, dengan partisipasi NVIDIA dan AMD.

Pada Juni, Recursive meluncurkan sistem penelitian AI otomatis tahap pertama: AI mengusulkan ide, menulis implementasi, menjalankan eksperimen, memvalidasi hasil, lalu memilih jalur penelitian berikutnya berdasarkan eksperimen sebelumnya. Sistem juga menjalankan beberapa cabang penelitian secara paralel, menggabungkan arah yang berpotensi, serta memeriksa reward hacking dan varians eksperimen. Mereka menyatakan telah mencapai hasil terdepan dalam tiga pengujian: pelatihan model dengan daya komputasi tetap, kecepatan pelatihan model kecil, dan optimasi GPU Kernel.

Sebuah tinjauan yang diterbitkan pada Juli 2026, setelah menganalisis 1.250 makalah terkait, mengklasifikasikan praktik RSI saat ini menjadi "perbaikan diri terbatas" dan "perbaikan diri rekursif terbuka". "Perbaikan diri terbatas" telah memasuki praktik industri, tetapi yang terakhir masih dibatasi oleh verifikasi eksternal, keruntuhan model, biaya komputasi, dan pemilihan arah penelitian.

Discovery Loop tidak secara publik mendefinisikan dirinya sebagai perusahaan RSI, tetapi jalur yang digambarkan oleh Jeff Dean telah berpotongan dengannya.

Dalam wawancara tersebut, ia menyatakan, "Model pembelajaran mesin dapat menentukan sendiri apa yang akan dieksplorasi, menjalankan sejumlah besar eksperimen, menyaring hasil yang efektif, lalu mengintegrasikannya menjadi resep pelatihan baru. Manusia juga dapat memberikan arahan penelitian pada tingkat yang lebih tinggi, membiarkan model menyelesaikan eksplorasi skala besar selanjutnya."

Ini membentuk rantai rekursif potensial:

AI menjalankan eksperimen, eksperimen tersebut meningkatkan sistem pembelajaran mesin, dan sistem yang telah diperbaiki kemudian menjalankan eksperimen yang lebih kompleks.

Discovery Loop karena itu mungkin tidak hanya menggunakan model besar untuk penelitian ilmiah. Perusahaan ini berencana terlebih dahulu menggunakan AI untuk meningkatkan AI yang melakukan penelitian, lalu menerapkan sistem yang telah diperbaiki tersebut ke bidang ilmiah lainnya. Quoc Le bahkan mengusulkan bahwa metode ini mungkin membantu menemukan arsitektur Transformer yang berbeda.

Namun, berdasarkan informasi publik saat ini, yang dilakukan Discovery Loop masih merupakan siklus pengembangan terkendali. Tujuan, batasan eksperimen, indikator evaluasi, dan penilaian akhir sebagian besar ditetapkan oleh manusia. AI dapat menjalankan eksperimen, mengevaluasi hasil, dan mulai terlibat dalam memilih langkah selanjutnya, tetapi bukan RSI terbuka.

Discovery Loop tidak menggunakan token sebagai ukuran

Jeff Dean dalam wawancara memberikan indikator yang lebih cocok daripada throughput token untuk mengukur Discovery Loop: "Pada dasarnya, yang perlu Anda optimalkan adalah jumlah penemuan per unit input komputasi."

Di masa lalu, perusahaan model besar melatih model yang lebih kuat dengan menggunakan lebih banyak data dan daya komputasi. Discovery Loop ingin membangun hubungan input-output lain: mengubah daya komputasi menjadi lebih banyak eksperimen, lalu mengubah eksperimen yang efektif menjadi algoritma, model, dan temuan ilmiah. Di masa depan, yang dijualnya mungkin tidak hanya sekumpulan Agent ilmiah, tetapi juga periode pengembangan yang dipersingkat dan probabilitas penemuan yang ditingkatkan.

Mengapa hal ini harus dilakukan di luar Google? CEO Alphabet Sundar Pichai pernah berusaha meyakinkan Jeff Dean dan lainnya untuk tetap tinggal dalam beberapa pertemuan; Oriol Vinyals mengatakan kepada Wired bahwa organisasi besar selalu memiliki banyak inertial yang harus diatasi, “Kami ingin membuat sesuatu yang berbeda.” Google akhirnya memilih untuk berinvestasi di Discovery Loop, menyediakan daya komputasi tahun pertama, serta bekerja sama dalam penelitian sistem dan infrastruktur machine learning.

Ini lebih mirip pilihan organisasi. Google perlu terus mendorong Gemini, bisnis cloud, dan pengiriman komersial skala besar, sementara Discovery Loop ingin memfokuskan sumber daya dan energi pada sesuatu yang belum menjadi produk matang.

Perubahan posisi Hassabis merespons pertanyaan yang sama dari sudut yang berbeda. Ia melepaskan jabatannya sebagai CEO Google DeepMind, beralih menjadi Ketua dan Ilmuwan Utama Alphabet, menyerahkan operasi sehari-hari kepada Koray Kavukcuoglu, sementara ia akan lebih fokus pada arah jangka panjang AGI, aplikasi ilmiah, dan pengembangan obat di Isomorphic Labs.

Tampaknya, keduanya percaya bahwa tahap berikutnya dari AI akan mendalam ke dalam penemuan ilmiah manusia.

Saham Alphabet turun sekitar 4% setelah pengumuman penyesuaian. Pasar tidak hanya khawatir tentang kepergian seorang ilmuwan, tetapi juga kepergian bersamaan beberapa peneliti inti, tekanan kompetitif dari Gemini, serta apakah Google masih mampu mengoordinasikan sumber daya penelitian, komputasi, dan produk yang besar ke arah yang sama setelah Hassabis keluar dari operasi sehari-hari.

Perubahan yang lebih besar telah melampaui perusahaan Google itu sendiri. AutoResearch Karpathy, AlphaEvolve Google, Recursive yang didirikan oleh Tian Yuan Dong dan lainnya, serta Discovery Loop milik Jeff Dean, semuanya memasukkan AI ke dalam proses pengembangan AI generasi berikutnya.

Langkah selanjutnya AI mungkin tidak hanya datang dari lebih banyak parameter, data, dan daya komputasi, tetapi juga dari partisipasi model dalam mengusulkan eksperimen, memvalidasi hasil, dan merancang sistem berikutnya.

Namun, jumlah eksperimen tidak dapat menggantikan penilaian manusia dalam memilih masalah penting. Jeff Dean dalam wawancara yang sama mengatakan bahwa kemampuan yang benar-benar langka di masa depan adalah "mengetahui masalah apa yang harus diberikan kepada Agent". AI dapat menjalankan ribuan eksperimen dalam sehari, tetapi batas penelitian tetap ditentukan oleh masalah awal dan kriteria evaluasi.

Jeff Dean sebelumnya membantu Google mengubah data, komputasi, dan pelatihan model menjadi sistem yang dapat diskalakan. Sekarang, ia dan sejumlah orang paling penting yang pernah berkontribusi pada Google ingin menjadikan metode ilmiah itu sendiri sebagai sistem yang dapat dijalankan secara skala.

Loop adalah metode yang mereka pilih, temuan ilmiah adalah dunia yang pertama kali akan dimasuki, dan perbaikan diri rekursif mungkin merupakan arah yang lebih jauh di sepanjang jalur ini.