Jeff Dean, ahli sains utama terdahulu Google, dan lain-lain telah meletakkan jawatan untuk mewujudkan Discovery Loop. “Loop” intinya bertujuan untuk mengautomatiskan kaedah saintifik, membolehkan AI mengusulkan, melaksanakan, dan menilai eksperimen secara tertutup sendiri. Kepentingannya terletak pada: membentuk semula paradigma penyelidikan, mendorong AI ke arah “peningkatan diri berulang” (menggunakan AI untuk mengembangkan AI), dan meningkatkan kecekapan penemuan saintifik secara besar-besaran. Di masa depan, manusia hanya perlu menetapkan matlamat, sementara AI akan mengendalikan pengembaraan tanpa henti.

Penulis artikel, sumber: Tencent Technology

Pada 5 Ogos, Google mengumumkan penyesuaian besar kepada bahagian AI.

CEO Google DeepMind, Demis Hassabis, berpindah ke jawatan ketua penguasa dan dilantik sebagai saintis utama Alphabet. Saintis utama yang telah berkhidmat selama hampir 27 tahun di Google, Jeff Dean, bersama Sanjay Ghemawat, Oriol Vinyals, dan Quoc Le telah mewujudkan Discovery Loop.

Keempat-empat orang ini hampir menyertai infrastruktur dan perkembangan AI Google selama dua dekad terakhir. Jeff Dean terlibat dalam pembinaan sistem-sistem seperti MapReduce, BigTable, Spanner, DistBelief, TensorFlow, dan Pathways, serta merupakan salah seorang penubuh Google Brain; Ghemawat bekerja sama dengannya dalam jangka panjang untuk membina infrastruktur carian dan pengiraan awal Google; Vinyals merupakan salah seorang pemimpin teknikal Gemini; manakala Quoc Le terlibat dalam projek-projek seperti Google Brain dan AutoML-Zero.

Setelah meninggalkan Google, mereka akan mendirikan sebuah syarikat kebajikan bernama Discovery Loop, yang berfokus pada penggunaan AI untuk memajukan penyelidikan pembelajaran mesin, sains, dan kejuruteraan. Google akan menjadi pelabur pendiri dan rakan kongsi awan, serta menyediakan kuasa pengiraan untuk tahun pertama mereka. Menurut laporan media asing, syarikat ini baru sahaja ditubuhkan, belum memulakan perekrutan berskala besar, dan bahkan belum mempunyai pejabat rasmi.

Namun, permulaannya telah diterangkan dengan jelas, iaitu membenarkan AI mengusulkan eksperimen secara automatik, melaksanakan kod atau alat yang diperlukan untuk menjalankan eksperimen, menilai keputusan, dan kemudian memasuki putaran seterusnya berdasarkan keputusan tersebut.

Dalam ucapan pada 25 Julai, Jeff Dean menyebut arah ini sebagai "versi automatik kaedah saintifik": mengemukakan eksperimen, melaksanakan eksperimen, menilai eksperimen, kemudian mendapat keputusan. Beliau percaya bahawa jika ribuan hingga puluhan ribu kitaran seperti ini dijalankan secara serentak, AI mungkin mencapai terobosan baharu dalam bidang sains, biologi, reka bentuk cip, dan pembangunan model.

Gambar: Pasukan asas Discovery Loop. Gambar dihasilkan oleh AI

"Loop" yang ingin dilakukan oleh Jeff Dean

"Loop" telah menjadi perkataan sering digunakan dalam bidang AI tahun ini.

Pada Jun 2026, Boris Cherny, pengurus Claude Code, mengatakan bahawa beliau hampir tidak lagi memberikan arahan langsung kepada Claude; Loop yang berjalan akan bertanggungjawab memberikan arahan kepada model dan menentukan langkah seterusnya, "Kerja saya ialah menulis Loop."

Peter Steinberger, "Bapa Lobster", lebih mahir menggunakan ungkapan yang lebih manusiawi untuk mencapai penyebaran yang lebih luas: jangan lagi memberi petunjuk satu per satu kepada Agent pemrograman, tetapi reka Loop yang boleh memberi petunjuk kepada Agent.

Jurutera Google, Addy Osmani, telah melengkapi struktur penuh kaedah ini dengan tajuk "Loop Engineering", termasuk bagaimana tugas dipicu, keadaan disimpan, hasil diperiksa oleh siapa, kapan kitaran berterusan, dan dalam keadaan apa ia berhenti.

Sebuah amalan yang sebelumnya tersebar dalam alur kerja beberapa pengembang kini mendapat bahasa bersama. Media asing bahkan menggambarkannya sebagai paradigma baru selepas Prompt engineering; pada 17 Julai, IBM lebih lanjut mentakrifkan Loop engineering sebagai reka bentuk alur kerja Agent yang mampu “bertindak, memantau, membuat keputusan, dan berulang” secara berterusan. Sejak itu, perbincangan mengenai Loop mulai keluar dari komuniti Agent pemrograman dan memasuki konteks automatik perniagaan serta kejuruteraan AI yang lebih luas.

Kata ini benar-benar menyentuh inti industri kerana ia menggambarkan perubahan dalam pembahagian tugas antara manusia dan mesin: apabila model mampu menyelesaikan langkah seterusnya sendiri, nilai manusia beralih ke atas, daripada memberi arahan satu per satu, kepada merekabentuk matlamat, umpan balik, pengesahan, dan syarat penghentian. Oleh itu, kejuruteraan Loop lebih merupakan pemberian nama kepada perubahan kejuruteraan yang sudah berlaku.

Discovery Loop menggunakan struktur "Loop" yang sama, tetapi dengan matlamat yang lebih ambisius. Menurut penyataan pasukan penubuh semasa, ia ingin melibatkan AI dalam keseluruhan proses penyelidikan sains dan kejuruteraan: mengemukakan hipotesis, menjalankan eksperimen, menilai keputusan, dan menentukan arah penyelidikan seterusnya berdasarkan maklum balas.

Oleh itu, Loop engineering lebih mendekati kaedah kejuruteraan asas, dan Discovery Loop membina satu sistem penyelidikan yang berterusan menghasilkan dan mengesahkan penemuan baru.

Beberapa waktu sebelum bersara, Jeff Dean merangkumnya sebagai automatik kaedah saintifik: mengemukakan eksperimen, melaksanakan eksperimen, menilai eksperimen, dan mendapat keputusan. Sistem juga perlu memecahkan masalah kompleks kepada sub-masalah, meneroka masing-masing dalam beberapa kitaran eksperimen yang rapat, dan akhirnya menggabungkan keputusan untuk menghasilkan sistem yang telah diperbaiki.

Jeff Dean meramalkan, pada tahun 2027, akan muncul lebih banyak automasi sistem pembelajaran mesin itu sendiri: AI meningkatkan kemampuan melalui pelaksanaan banyak eksperimen, dan memperluas kaedah ini ke mana-mana bidang sains dan kejuruteraan di mana matlamat boleh diukur.

Dia menilai bahawa gelung berlaku apabila dua syarat dipenuhi: tugas boleh diuji berulang kali, dan keputusan boleh dinilai secara boleh dipercayai.

Loop telah sampai ke tahap mana?

Dua tahun lalu, struktur tertutup serupa telah muncul secara berasingan dalam tiga arah.

Kategori pertama ialah Loop pembangunan model.

Pada Mac 2026, Andrej Karpathy membuka sumber AutoResearch, membolehkan agen AI mengubah kod latihan model, menjalankan eksperimen, memeriksa keputusan, dan menyimpan perubahan yang berkesan pada masa dan metrik penilaian yang tetap. Seluruh persekitaran dikompresikan ke dalam satu skrip latihan yang boleh diubah, satu metrik tetap, dan satu GPU, membolehkan perbandingan eksperimen yang pantas.

Pada suatu masa, penyelidikan AI terkini dilakukan oleh "komputer daging". Mereka perlu makan, tidur, menikmati keseronokan lain, dan kadang-kadang menyelaraskan maklumat melalui satu cara sambungan yang dipanggil "suara" dalam upacara "mesyuarat kumpulan".

Zaman itu sudah berlalu. Kini, penyelidikan sepenuhnya menjadi milik kumpulan agen AI autonomi. Mereka beroperasi di atas kumpulan kuasa pengiraan raksasa yang tersebar di seluruh langit.

Agen-agen ini menyatakan bahawa perpustakaan kod semasa telah berevolusi hingga generasi ke-10205. Namun, kebenaran pernyataan ini sudah tidak dapat lagi ditentukan—kod semasa kini telah menjadi sistem binari yang boleh mengubah dirinya sendiri, dengan kompleksiti yang jauh melampaui pemahaman manusia.

Repositori kod ini mencatat bagaimana semuanya bermula.

——Andrej Karpathy, Mac 2026

Karpathy kemudian menyertai Anthropic untuk memimpin pembentukan pasukan yang menggunakan Claude untuk mempercepat penyelidikan pra-pelatihan, yang bermakna bahawa pembangunan AI yang dibantu AI telah berpindah daripada eksperimen sumber terbuka peribadi kepada proses dalaman syarikat model terkini.

Google juga sedang melakukan eksplorasi serupa. AlphaEvolve dari Google DeepMind membolehkan Gemini menghasilkan kod dan algoritma, yang kemudian dijalankan dan dinilai oleh penilai automatik, sebelum skema yang lebih baik dimasukkan ke dalam putaran seterusnya. Google menyatakan sistem ini telah digunakan dalam kecekapan pusat data, reka bentuk cip, latihan AI, algoritma pendaraban matriks, dan masalah matematik.

Rajah: AlphaEvolve menggunakan skema algoritma daripada Gemini, kemudian dijalankan dan disaring melalui penilai automatik, dengan hasil yang lebih baik dipindahkan ke putaran seterusnya, sumber: Google DeepMind

Kategori kedua ialah Loop pengetahuan sains.

Sakana AI melancarkan The AI Scientist pada 2024, mencuba untuk membolehkan model bahasa besar menghasilkan idea penyelidikan, menulis kod, menjalankan eksperimen, menganalisis keputusan, dan membentuk kertas kerja. Pada 2025, syarikat itu mengumumkan kes kertas kerja yang dihasilkan oleh AI yang lulus penilaian workshop persidangan pembelajaran mesin.

FutureHouse menggunakan agen AI untuk menangani pencarian literatur, analisis data, penghasilan hipotesis, dan perancangan eksperimen, membolehkan sistem pelbagai agen Robin mencuba menghubungkan pelbagai sambungan pengetahuan dalam penyelidikan saintifik.

Kategori ketiga ialah eksperimen fizikal Loop.

Syarikat mulaan Seattle, Potato, mengusulkan "sains autonomi tertutup sepenuhnya", dengan harapan berpindah dari penyelidikan komputasi kepada robot makmal; Sigmatic Sciences Eropah mengusulkan "lab-in-the-loop", yang menghubungkan model komputasi, eksperimen automatik, dan maklum balas data.

Amalan serupa juga muncul di China. Institut Kecerdasan Sains China dan lembaga seperti Gewu Zhiyan telah melancarkan Pabrik R&D Kecerdasan Ilmu Bahan Golab, yang digambarkan sebagai kitar tertutup "komputasi AI—eksperimen automatik—aliran data semula—evolusi model sendiri", dan telah membina makmal auto-gerak.

Sekarang, Loop paling awal berjalan dalam kod dan latihan model, kerana setiap perubahan boleh mendapat skor dengan cepat, kejayaan atau kegagalan relatif jelas. Apabila memasuki kajian literatur dan reka bentuk eksperimen, maklum balas bermula bergantung kepada penilaian profesional; apabila memasuki makmal sebenar, satu pengesahan mungkin memerlukan penggunaan peralatan, sampel, dan beberapa minggu masa, menjadikan kelajuan kitaran melambat.

Jeff Dean menyebut satu kes kimiakuantum dalam temu bual YC.

Dengan kaedah tradisional, untuk menentukan sifat molekul, mungkin diperlukan simulasi teori fungsional kepadatan sepanjang malam. Para penyelidik Google melatih penhampir saraf menggunakan hasil simulasi yang besar, dan menurut Dean, ia lebih cepat sebanyak kira-kira 300,000 kali berbanding simulator asal, sambil mempertahankan ketepatan yang hampir sama. Oleh itu, para penyelidik boleh menyaring puluhan juta calon dengan pantas.

Ini juga merupakan titik balik bagi keberkesanan Loop penyelidikan. Model boleh menghasilkan banyak cadangan dalam masa singkat, tetapi hanya apabila tahap pengesahan juga cukup pantas dan boleh dipercayai, sistem baru boleh bergerak ke kitaran seterusnya berdasarkan keputusan. Kimia kuantum telah melihat praktik penggunaan penghampiran saraf untuk memendekkan tempoh maklum balas, tetapi bidang-bidang yang lebih bergantung kepada eksperimen sebenar masih terhad oleh kos pengesahan dan kelajuan maklum balas.

Ini juga merupakan sebab mengapa AutoResearch dan AlphaEvolve terlebih dahulu membuat kemajuan dalam kod, algoritma, dan latihan model. Bidang-bidang ini memiliki fungsi penilaian yang jelas, pantas, dan berkos rendah. Apabila memasuki bidang ubat dan bahan, model masih perlu menghadapi eksperimen sebenar.

Sistem penilaian juga menentukan sama ada putaran tersebut benar-benar membawa kemajuan. Sakana AI sebelum ini telah melakukan ulasan terbuka, di mana AI CUDA Engineer melebih-lebihkan peningkatan prestasi kerana mendapat maklumat berkaitan ujian piawai. Sistem boleh berputar dengan cekap, tetapi juga boleh berputar dengan cekap untuk memanfaatkan kelemahan dalam ukuran penilaian.

Oleh itu, aset inti Discovery Loop mungkin tidak hanya memerlukan satu model yang lebih kuat, tetapi juga perlu menyertakan sistem penilaian yang cukup pantas dan boleh dipercayai.

Dari Loop ke Peningkatan Diri Berulang

Tiga jenis Loop dibahagikan mengikut bidang aplikasi, dengan satu perkembangan menegak tambahan: peningkatan diri berulang, dalam bahasa Inggeris dipanggil Recursive Self-Improvement, disingkatkan sebagai RSI.

Loop biasa membolehkan AI terus menyelesaikan tugas luaran; RSI memerlukan AI untuk terlibat dalam memperbaiki algoritma, proses latihan, penilai, atau kaedah penyelidikannya sendiri, serta menggunakan kemampuan yang telah diperbaiki dalam putaran sebelumnya untuk putaran seterusnya.

Pada Mei tahun ini, Tian Yandong, mantan ketua penyelidik Meta FAIR, bersama Richard Socher, Tim Rocktäschel, Jeff Clune, Alexey Dosovitskiy dan lain-lain secara bersama-sama menubuhkan Recursive Superintelligence, secara langsung memasukkan "peningkatan diri rekursif" ke dalam nama syarikat. Syarikat ini memperoleh pendanaan sebanyak $6.5 bilion dengan penilaian $46.5 bilion, dipimpin oleh GV dan Greycroft, dengan penyertaan NVIDIA dan AMD.

Pada Jun, Recursive mengumumkan sistem penyelidikan AI automatik fasa pertama: AI mengusulkan idea, menulis implementasi, menjalankan eksperimen, mengesahkan keputusan, kemudian memilih lintasan penyelidikan seterusnya berdasarkan eksperimen sebelumnya. Sistem ini juga menjalankan banyak cabang penyelidikan secara serentak, menggabungkan arah yang berpotensi, serta memeriksa spekulasi ganjaran dan varians eksperimen. Mereka menyatakan telah mencapai keputusan terdepan dalam tiga ujian: latihan model kuasa komputasi tetap, kelajuan latihan model kecil, dan pengoptimuman GPU Kernel.

Sebuah ulasan yang diterbitkan pada Julai 2026, setelah menganalisis 1,250 kertas berkaitan, mengklasifikasikan amalan RSI semasa kepada "peningkatan diri berbatas" dan "peningkatan diri berulang terbuka". "Peningkatan diri berbatas" telah memasuki amalan industri, tetapi yang terakhir masih dibatasi oleh pengesahan luaran, kemusnahan model, kos kuasa pengiraan, dan pemilihan arah penyelidikan.

Discovery Loop tidak secara terbuka mentakrifkan dirinya sebagai syarikat RSI, tetapi jalan yang digambarkan oleh Jeff Dean telah berpotongan dengannya.

Dalam temu bual itu, beliau mengemukakan, "Model pembelajaran mesin boleh menentukan sendiri apa yang perlu dieksplorasi, menjalankan banyak eksperimen, menyaring hasil yang berkesan, dan menggabungkannya menjadi resepi latihan baru. Manusia juga boleh memberikan arah penyelidikan pada peringkat yang lebih tinggi, membenarkan model melaksanakan eksplorasi berskala besar seterusnya."

Ini membentuk satu rantai berulang yang berpotensi:

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

Oleh itu, Discovery Loop mungkin tidak hanya menggunakan model besar untuk penyelidikan. Ia merancang untuk terlebih dahulu menggunakan AI untuk memperbaiki AI yang melakukan penyelidikan, kemudian memperluaskan sistem yang telah diperbaiki tersebut ke bidang sains lain. Quoc Le bahkan mencadangkan bahawa kaedah ini mungkin membantu menemui arsitektur Transformer yang berbeza.

Namun, berdasarkan maklumat awam semasa, apa yang dilakukan oleh Discovery Loop masih merupakan kitaran pengembangan terkawal. Matlamat, sempadan eksperimen, indikator penilaian, dan penilaian akhir terutamanya ditetapkan oleh manusia. AI boleh menjalankan eksperimen, menilai keputusan, dan mulai terlibat dalam memilih langkah seterusnya, tetapi ia bukan RSI terbuka.

Discovery Loop tidak mengukur dengan token

Jeff Dean dalam temu bual memberikan satu ukuran yang lebih sesuai daripada throughput token untuk mengukur Discovery Loop: "Pada dasarnya, anda perlu mengoptimumkan jumlah penemuan setiap unit input pengiraan."

Dahulu, syarikat model besar melatih model yang lebih kuat dengan menggunakan lebih banyak data dan kuasa pengiraan. Discovery Loop berhasrat membina hubungan input-output yang lain: menukar kuasa pengiraan kepada lebih banyak eksperimen, kemudian mengubah eksperimen yang berkesan menjadi algoritma, model, dan pencapaian saintifik. Pada masa depan, apa yang dijualnya mungkin bukan sahaja satu set Agent saintifik, tetapi juga tempoh pengembangan yang dipersingkat dan kebarangkalian penemuan yang ditingkatkan.

Mengapa perkara ini perlu keluar dari Google? CEO Alphabet, Sundar Pichai, telah berusaha meyakinkan Jeff Dean dan lain-lain untuk tetap tinggal dalam beberapa pertemuan; Oriol Vinyals memberitahu Wired bahawa organisasi besar sentiasa mempunyai banyak inersia yang perlu diatasi, “Kami ingin membuat sesuatu yang berbeza.” Google akhirnya memilih untuk melabur dalam Discovery Loop, menyediakan kuasa pengiraan tahun pertama, serta bekerjasama dalam penyelidikan sistem dan infrastruktur pembelajaran mesin.

Ini lebih mendekati pilihan organisasi. Google perlu terus memajukan Gemini, perniagaan awan, dan penghantaran komersial berskala besar, manakala Discovery Loop ingin memfokuskan sumber daya dan tenaga kepada satu perkara yang belum membentuk produk yang matang.

Perubahan jawatan Hassabis memberi respons kepada soalan yang sama dari sudut yang berbeza. Beliau meletakkan jawatan sebagai CEO Google DeepMind, beralih ke peranan Ketua Lembaga dan Ilmuwan Utama Alphabet, menyerahkan operasi harian kepada Koray Kavukcuoglu, sementara beliau akan memfokuskan lebih banyak usaha kepada arah jangka panjang AGI, aplikasi saintifik, dan pembangunan ubat-ubatan di Isomorphic Labs.

Kelihatan bahawa kedua-dua orang itu percaya bahawa AI pada peringkat seterusnya akan mendalam ke dalam penemuan ilmiah manusia.

Harga saham Alphabet turun sekitar 4% selepas pengumuman penyesuaian. Pasaran tidak hanya bimbang tentang kepergian seorang saintis, tetapi juga kepergian bersamaan beberapa penyelidik utama, tekanan persaingan daripada Gemini, serta sama ada Google mampu terus mengkoordinasikan sumber penyelidikan, kuasa pengiraan, dan produk yang besar ke arah yang sama selepas Hassabis menarik diri daripada operasi harian.

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

Langkah seterusnya AI mungkin tidak hanya datang daripada lebih banyak parameter, data, dan kuasa pengiraan, tetapi juga daripada model yang terlibat dalam mencadangkan eksperimen, mengesahkan keputusan, dan merekabentuk sistem seterusnya.

Namun, bilangan eksperimen tidak boleh menggantikan penilaian manusia terhadap soalan penting. Jeff Dean dalam temu bual yang sama berkata, kemampuan yang benar-benar langka di masa depan ialah "mengetahui perkara apa yang perlu diberikan kepada Agent untuk selesaikan". AI boleh menjalankan ribuan eksperimen sehari, tetapi had penyelidikan masih ditentukan oleh soalan dan kriteria penilaian awal.

Jeff Dean sebelum ini membantu Google menjadikan data, pengiraan, dan latihan model sebagai sistem yang boleh diskalakan. Sekarang, dia dan sekumpulan orang yang pernah paling penting kepada Google ingin menjadikan kaedah saintifik itu sendiri sebagai sistem yang boleh dijalankan secara berskala.

Loop adalah kaedah yang mereka pilih, penemuan ilmiah adalah dunia pertama yang perlu dimasuki, dan peningkatan diri berulang mungkin merupakan arah yang lebih jauh di sepanjang jalan ini.