O ex-cientista-chefe do Google, Jeff Dean, e outros deixaram para fundar a Discovery Loop. Seu núcleo, o “Loop”, visa automatizar o método científico, permitindo que a IA proponha, execute e avalie experimentos de forma autônoma e em闭环. Sua importância reside em: redefinir o paradigma da pesquisa, impulsionando a IA rumo à “autoaprimoramento recursivo” (IA desenvolvendo IA), aumentando drasticamente a eficiência da descoberta científica. No futuro, os humanos apenas definirão objetivos, enquanto a IA liderará uma exploração infinita.

Autor e fonte do artigo: Tencent Tech

Em 5 de agosto, o Google anunciou grandes ajustes em seu departamento de IA.

O CEO do Google DeepMind, Demis Hassabis, passa a ocupar o cargo de presidente e torna-se cientista-chefe da Alphabet. Jeff Dean, cientista-chefe há quase 27 anos no Google, funda junto com Sanjay Ghemawat, Oriol Vinyals e Quoc Le a Discovery Loop.

Essas quatro pessoas estiveram quase integralmente envolvidas na infraestrutura e no desenvolvimento de IA do Google nos últimos vinte e poucos anos. Jeff Dean participou da construção de sistemas como MapReduce, BigTable, Spanner, DistBelief, TensorFlow e Pathways, além de ser co-fundador do Google Brain; Ghemawat trabalhou longamente com ele na construção da infraestrutura de busca e computação inicial do Google; Vinyals é um dos líderes técnicos do Gemini; e Quoc Le participou de projetos como o Google Brain e o AutoML-Zero.

Após deixarem o Google, eles planejam criar uma empresa sem fins lucrativos chamada Discovery Loop, focada em usar IA para avançar a pesquisa em machine learning, ciência e engenharia. O Google será investidor fundador e parceiro de nuvem, fornecendo poder computacional para o primeiro ano. Segundo a mídia externa, a empresa acaba de ser fundada, ainda não iniciou contratações em larga escala e nem possui um escritório oficial.

Mas seu ponto de partida já foi descrito de forma bastante clara: permitir que a IA proponha automaticamente experimentos, implemente o código ou as ferramentas necessárias para executar os experimentos, avalie os resultados e, em seguida, avance para a próxima rodada com base nesses resultados.

Em um discurso em 25 de julho, Jeff Dean chamou essa abordagem de "versão automatizada do método científico": propor experimentos, implementar experimentos, avaliar experimentos e obter resultados. Ele acredita que, se milhares desses ciclos forem executados simultaneamente, a IA pode gerar novas descobertas em áreas como ciência, biologia, design de chips e desenvolvimento de modelos.

Imagem: Equipe fundadora da Discovery Loop. Imagem gerada por IA

O "Loop" que Jeff Dean vai fazer

"Loop" se tornou uma palavra-chave frequente no campo de IA este ano.

Em junho de 2026, Boris Cherny, responsável pelo Claude Code, disse que raramente fornece prompts diretos ao Claude; o Loop em execução é responsável por fornecer prompts ao modelo e decidir o próximo passo: “Meu trabalho é escrever o Loop”.

"O pai do lagosta" Peter Steinberger é ainda mais capaz de alcançar uma divulgação mais ampla com expressões humanas: pare de fornecer instruções individuais aos Agentes de programação e projete loops que possam orientar os Agentes.

O engenheiro do Google, Addy Osmani, completou a estrutura completa deste método sob o título "Loop Engineering", incluindo como as tarefas são acionadas, como os estados são armazenados, quem verifica os resultados, quando o loop continua e em quais condições ele para.

Uma prática anteriormente espalhada nos fluxos de trabalho de poucos desenvolvedores passou a adquirir uma linguagem comum. A mídia internacional até a resumiu como um novo paradigma após o Prompt engineering; em 17 de julho, a IBM definiu ainda mais o Loop engineering como o design de fluxos de trabalho de Agentes capazes de “agir, observar, decidir e iterar” continuamente. Desde então, a discussão sobre Loop começou a transcender a comunidade de Agentes de programação e a entrar no contexto de automação empresarial e engenharia de IA mais ampla.

O ponto em que esse termo realmente atinge a indústria é que ele descreve a mudança na divisão de trabalho entre humanos e máquinas: quando os modelos conseguem realizar a próxima etapa por conta própria, o valor humano começa a se deslocar para cima, passando de dar instruções passo a passo para projetar objetivos, feedback, validação e condições de parada. Portanto, o loop engineering é mais como uma nomeação de uma mudança de engenharia que já ocorreu.

A Discovery Loop utiliza a mesma estrutura "Loop", mas com objetivos ainda mais ambiciosos. De acordo com a declaração atual da equipe fundadora, ela visa envolver a IA em todo o processo de pesquisa científica e de engenharia: formular hipóteses, realizar experimentos, avaliar resultados e decidir, com base no feedback, os próximos rumos da exploração.

Portanto, o Loop Engineering está mais próximo de uma abordagem de engenharia de baixo nível, enquanto o Discovery Loop visa construir um sistema de pesquisa que gera e valida continuamente novas descobertas.

Pouco antes de deixar o cargo, Jeff Dean resumiu isso como a automação do método científico: formular experimentos, implementar experimentos, avaliar experimentos e obter resultados. O sistema também precisa decompor problemas complexos em subproblemas, explorar cada um em ciclos experimentais próximos e, por fim, integrar os resultados em um sistema aprimorado.

Jeff Dean prevê que, até 2027, haverá mais automação de sistemas de aprendizado de máquina: a IA aumentará sua capacidade executando inúmeros experimentos e aplicará esse método a qualquer área da ciência e engenharia cujos objetivos possam ser medidos.

Ele determinou que um loop é válido se atender a dois critérios: a tarefa pode ser repetidamente testada e os resultados podem ser avaliados de forma confiável.

Onde o Loop chegou até agora?

Nos últimos dois anos, estruturas de ciclo fechado semelhantes já apareceram em três direções distintas.

A primeira categoria é o Loop de desenvolvimento de modelos.

Em março de 2026, Andrej Karpathy abriu o código do AutoResearch, permitindo que agentes de IA modifiquem automaticamente o código de treinamento do modelo, executem experimentos, verifiquem os resultados e mantenham as alterações válidas em horários e métricas de avaliação fixos. Todo o ambiente foi compactado em um único script de treinamento modificável, uma métrica fixa e uma única GPU, permitindo comparações rápidas de experimentos.

Em tempos passados, pesquisas avançadas em IA eram realizadas por "computadores orgânicos". Eles precisavam comer, dormir, desfrutar de outros prazeres e, ocasionalmente, sincronizavam informações por meio de um método chamado "voz", em cerimônias conhecidas como "reuniões de grupo".

Aquele tempo já passou. Hoje, a pesquisa pertence inteiramente a clusters autônomos de agentes de IA. Eles operam em enormes clusters de computação espalhados pelo céu.

Esses agentes afirmam que o repositório atual evoluiu até a 10.205ª geração. No entanto, ninguém mais consegue determinar se essa afirmação é verdadeira — o "código" atual tornou-se um sistema binário autoalterável, cuja complexidade ultrapassou há muito o entendimento humano.

Este repositório registra a história de como tudo começou.

—— Andrej Karpathy, março de 2026

Karpathy posteriormente juntou-se à Anthropic para liderar a equipe responsável por utilizar o Claude para acelerar a pesquisa de pré-treinamento, o que significa que a assistência de IA ao desenvolvimento de IA já passou de experimentos individuais de código aberto para processos internos de empresas de modelos avançados.

O Google também está realizando explorações semelhantes. O AlphaEvolve do Google DeepMind faz o Gemini propor código e algoritmos, que são então executados e avaliados automaticamente, enviando as soluções superiores para a próxima rodada. O Google afirma que esse sistema já foi utilizado em eficiência de data centers, design de chips, treinamento de IA, algoritmos de multiplicação de matrizes e problemas matemáticos.

Figura: AlphaEvolve propõe um algoritmo da Gemini, que é executado e filtrado por um avaliador automático, enviando os melhores resultados para a próxima rodada. Fonte: Google DeepMind

A segunda categoria é o Loop de conhecimento científico.

A Sakana AI lançou o The AI Scientist em 2024, tentando permitir que modelos de linguagem de grande porte gerem ideias de pesquisa, escrevam código, executem experimentos, analisem resultados e formem artigos. Em 2025, a empresa divulgou casos de artigos gerados por IA que passaram na revisão de workshops de conferências de aprendizado de máquina.

A FutureHouse utiliza agentes de IA para processar busca de literatura, análise de dados, geração de hipóteses e planejamento de experimentos, permitindo que o sistema multiagente Robin tente conectar vários vínculos de conhecimento na pesquisa científica.

A terceira categoria é o Loop de experimento físico.

A startup de Seattle, Potato, propõe "ciência autônoma totalmente fechada", com o objetivo de passar da pesquisa computacional para robôs de laboratório; a europeia Sigmatic Sciences propõe "lab-in-the-loop", conectando modelos computacionais, experimentos automáticos e feedback de dados.

Práticas semelhantes também surgiram na China. O Laboratório de Inteligência Científica de Materiais Golab, lançado pelo Instituto de Inteligência Científica de Xangai e instituições como Gewu Zhiyan, é descrito como um ciclo fechado de "cálculo de IA — experimentos automáticos — retorno de dados — autoevolução do modelo" e já possui um laboratório autônomo.

Atualmente, o Loop começa a funcionar primeiro no código e no treinamento do modelo, pois cada modificação gera rapidamente uma pontuação, e o sucesso ou fracasso é relativamente claro. Ao chegar à pesquisa bibliográfica e ao design experimental, o feedback passa a depender de julgamento profissional; ao entrar no laboratório real, uma única validação pode exigir o uso de equipamentos, amostras e semanas de tempo, fazendo com que o ciclo desacelere.

Jeff Dean citou um caso de química quântica em uma entrevista com o YC.

Para determinar as propriedades de uma molécula por métodos tradicionais, pode ser necessário executar uma simulação de teoria funcional da densidade durante toda a noite. Pesquisadores do Google treinaram um aproximador neural com grandes volumes de resultados de simulações e, segundo Dean, esse novo método é cerca de 300 mil vezes mais rápido que o simulador original, mantendo precisão semelhante. Isso permite que os pesquisadores filtrem rapidamente dezenas de milhões de candidatos.

Este também é o ponto de viragem para a viabilidade do loop de pesquisa. O modelo pode gerar rapidamente um grande número de candidatos; apenas quando a etapa de validação for igualmente rápida e confiável, o sistema poderá avançar para a próxima rodada com base nos resultados. Na química quântica, já existem práticas que utilizam aproximadores neurais para comprimir o ciclo de feedback, mas em áreas mais dependentes de experimentos reais, ainda se limitam pelos custos de validação e pela velocidade do feedback.

Essa é também a razão pela qual o AutoResearch e o AlphaEvolve primeiro obtiveram avanços em código, algoritmos e treinamento de modelos. Esses campos possuem funções de avaliação claras, rápidas e de baixo custo. Ao entrar nos campos de fármacos e materiais, os modelos ainda precisam enfrentar experimentos reais.

O sistema de avaliação também determina se o ciclo realmente traz progresso. A Sakana AI já revisou publicamente que o AI CUDA Engineer superestimou o aumento de desempenho devido ao acesso a informações de benchmark. O sistema pode circular de forma eficiente ou também pode explorar eficientemente falhas nos indicadores de avaliação.

Portanto, o ativo central do Discovery Loop pode não ser apenas um modelo mais forte, mas também incluir um sistema de avaliação suficientemente rápido e confiável.

De Loop para autoaperfeiçoamento recursivo

Os três tipos de Loop, classificados por área de aplicação, incluem também uma evolução vertical: autoaperfeiçoamento recursivo, denominado em inglês Recursive Self-Improvement, abreviado como RSI.

O Loop normal faz o AI completar continuamente tarefas externas; o RSI exige que o AI participe na melhoria de seus próprios algoritmos, processos de treinamento, avaliadores ou métodos de pesquisa, e utilize a capacidade aprimorada na rodada anterior na próxima rodada.

Em maio deste ano, Tian Yandong, ex-diretor de pesquisa da FAIR do Meta, fundou juntamente com Richard Socher, Tim Rocktäschel, Jeff Clune e Alexey Dosovitskiy a Recursive Superintelligence, incorporando diretamente "autoaprimoramento recursivo" no nome da empresa. A empresa arrecadou US$ 6,5 bilhões em financiamento, com avaliação de US$ 46,5 bilhões, liderada por GV e Greycroft, com participação da NVIDIA e da AMD.

Em junho, a Recursive apresentou o sistema automatizado de pesquisa em IA da primeira fase: a IA propõe ideias, escreve implementações, executa experimentos, valida resultados e, com base nos experimentos anteriores, seleciona o próximo caminho de pesquisa. O sistema também executa paralelamente múltiplas ramificações de pesquisa, combina direções promissoras e verifica exploração de recompensas e variância experimental. Eles afirmam ter obtido resultados líderes em três testes: treinamento de modelos com capacidade de processamento fixa, velocidade de treinamento de modelos pequenos e otimização de GPU Kernel.

Uma revisão publicada em julho de 2026, após analisar 1.250 artigos relacionados, classificou as práticas atuais de RSI em "autoaperfeiçoamento limitado" e "autoaperfeiçoamento recursivo aberto". O "autoaperfeiçoamento limitado" já foi adotado na prática industrial, mas o último ainda enfrenta limitações relacionadas à validação externa, colapso do modelo, custo computacional e escolha de direções de pesquisa.

Discovery Loop não se define publicamente como uma empresa de RSI, mas a rota descrita por Jeff Dean já se cruzou com ela.

Ele propôs na entrevista: "Os modelos de aprendizado de máquina podem decidir sozinhos o que explorar, executar um grande número de experimentos, filtrar os resultados eficazes e integrá-los em novas receitas de treinamento. Os humanos também podem fornecer direções de pesquisa em um nível mais elevado, permitindo que o modelo realize a exploração em larga escala subsequente."

Isso forma uma cadeia recursiva potencial:

A IA executa experimentos, que aprimoram o sistema de aprendizado de máquina; o sistema aprimorado então executa experimentos mais complexos.

A Discovery Loop, portanto, pode não se limitar a usar grandes modelos apenas para pesquisa. Ela planeja primeiro usar IA para aprimorar a IA que faz pesquisa e, em seguida,推广 o sistema aprimorado para outras áreas científicas. Quoc Le até propôs que esse método possa ajudar a descobrir arquiteturas diferentes de Transformer.

No entanto, conforme as informações públicas atuais, o que a Discovery Loop realiza ainda é um ciclo de pesquisa controlado. Os objetivos, limites experimentais, métricas de avaliação e julgamentos finais são principalmente definidos por humanos. A IA pode executar experimentos, avaliar resultados e já participar da escolha do próximo passo, mas não é um RSI aberto.

Discovery Loop não usa token para medir

Jeff Dean, em uma entrevista, apresentou um indicador mais adequado do que o throughput de tokens para medir o Discovery Loop: “Essencialmente, você está otimizando o número de descobertas por unidade de entrada de cálculo.”

No passado, empresas de grandes modelos treinavam modelos mais poderosos usando mais dados e poder de computação. A Discovery Loop deseja estabelecer outra relação entre insumo e resultado: transformar poder de computação em mais experimentos, e depois transformar experimentos eficazes em algoritmos, modelos e descobertas científicas. O que ela venderá no futuro pode não ser apenas um conjunto de Agentes de pesquisa, mas também ciclos de desenvolvimento encurtados e maior probabilidade de descoberta.

Por que isso precisava sair do Google? O CEO da Alphabet, Sundar Pichai, tentou reter Jeff Dean e outros em várias reuniões; Oriol Vinyals disse à Wired que grandes organizações sempre têm muita inércia a superar: “Queríamos fazer algo diferente”. O Google acabou optando por investir no Discovery Loop, fornecendo poder de computação no primeiro ano e colaborando na pesquisa de sistemas e infraestrutura de aprendizado de máquina.

Isso é mais uma escolha organizacional. O Google precisa continuar avançando com o Gemini, o negócio em nuvem e a entrega em grande escala comercial, enquanto o Discovery Loop deseja concentrar recursos e esforços em algo que ainda não se tornou um produto maduro.

A mudança de cargo de Hassabis respondeu à mesma questão de outro ângulo. Ele deixou o cargo de CEO do Google DeepMind para assumir o papel de presidente e cientista-chefe da Alphabet, delegando as operações diárias a Koray Kavukcuoglu e dedicando mais esforços às direções de longo prazo da AGI, aplicações científicas e à pesquisa de fármacos na Isomorphic Labs.

Parece que ambos acreditam que a próxima fase da IA aprofundará as descobertas científicas humanas.

O preço das ações da Alphabet caiu cerca de 4% após o anúncio do ajuste. O mercado não está apenas preocupado com a saída de um cientista, mas também com a partida simultânea de vários pesquisadores-chave, a pressão competitiva do Gemini e a capacidade do Google de continuar alinhando seus vastos recursos de pesquisa, computação e produtos em uma única direção após a saída de Hassabis das operações diárias.

Mudanças maiores já ultrapassaram a própria empresa Google. O AutoResearch do Karpathy, o AlphaEvolve do Google, a Recursive fundada por Tian YuanDong e outros, e o Discovery Loop de Jeff Dean estão incorporando IA no processo de desenvolvimento da próxima geração de IA.

O próximo passo da IA pode não vir apenas de mais parâmetros, dados e poder de processamento, mas também da participação do modelo na formulação de experimentos, validação de resultados e design de sistemas subsequentes.

Mas o número de experimentos não pode substituir a capacidade humana de escolher e julgar questões críticas. Jeff Dean disse na mesma entrevista que a habilidade verdadeiramente escassa no futuro será "saber quais problemas deixar para os Agentes resolverem". A IA pode executar milhares de experimentos por dia, mas o limite da pesquisa ainda depende da questão inicial e dos critérios de avaliação.

Jeff Dean anteriormente ajudou o Google a transformar dados, computação e treinamento de modelos em sistemas escaláveis. Agora, ele e um dos grupos mais importantes que já trabalharam no Google pretendem transformar o próprio método científico em um sistema que possa ser operado em escala.

Loop é o método que eles escolheram, e a descoberta científica é que ele primeiro entrará no mundo, com autoaperfeiçoamento recursivo sendo possível uma direção mais distante nesse caminho.