Бывший главный научный сотрудник Google Джефф Дин и другие основали Discovery Loop. Их ключевой продукт «Loop» направлен на автоматизацию научного метода, позволяя ИИ самостоятельно замыкать цикл формулирования, выполнения и оценки экспериментов. Его значимость заключается в том, что он трансформирует научную парадигму, продвигая ИИ к «рекурсивному самосовершенствованию» (ИИ, разрабатывающий ИИ), что значительно повышает эффективность научных открытий. В будущем людям потребуется только задавать цели, а бесконечные исследования будут осуществляться ИИ.

Автор статьи, источник: Tencent Technology

5 августа Google объявила о значительных изменениях в своем отделе ИИ.

Генеральный директор Google DeepMind Демис Хассабис перешел на должность председателя и стал главным научным сотрудником Alphabet. Главный научный сотрудник, проработавший в Google почти 27 лет, Джефф Дин, вместе с Саньяном Гемаватом, Ориолом Виньялсом и Квоком Лемом основал Discovery Loop.

Эти четыре человека практически повлияли на инфраструктуру и развитие ИИ Google за последние двадцать с лишним лет. Джефф Дин участвовал в создании таких систем, как MapReduce, BigTable, Spanner, DistBelief, TensorFlow и Pathways, а также является сооснователем Google Brain; Гемават долгое время сотрудничал с ним, участвуя в создании ранней поисковой и вычислительной инфраструктуры Google; Виньялс является одним из технических руководителей Gemini; Квок Ле участвовал в проектах Google Brain и AutoML-Zero.

После ухода из Google они основали некоммерческую компанию Discovery Loop, направленную на продвижение машинного обучения, научных и инженерных исследований с помощью ИИ. Google станет одним из учредителей-инвесторов и облачным партнером, обеспечив вычислительные ресурсы на первый год. Согласно зарубежным СМИ, компания только что создана, еще не начала масштабный набор персонала и не имеет официального офиса.

Но его отправная точка уже достаточно четко описана: это автоматическое предложение экспериментов ИИ, написание кода или инструментов для их выполнения, оценка результатов и переход к следующему циклу на основе этих результатов.

Джефф Дин на выступлении 25 июля назвал этот подход «автоматизированной версией научного метода»: формулировать эксперимент, реализовывать его, оценивать и получать результаты. Он считает, что если одновременно запускать тысячи таких циклов, ИИ может привести к новым прорывам в науке, биологии, проектировании чипов и разработке моделей.

Изображение: Основательская команда Discovery Loop. Изображение сгенерировано ИИ

Цикл, который должен сделать Джефф Дин

"Loop" стал одной из наиболее часто употребляемых терминов в области ИИ в этом году.

В июне 2026 года Борис Черни, руководитель Claude Code, сказал, что он почти перестал напрямую давать подсказки Claude — цикл, запущенный в работе, теперь отвечает за подсказки модели и определение следующего шага: «Моя работа — писать циклы».

«Отец лобстера» Питер Штейнбергер лучше умеет использовать человеческий подход для более широкого распространения: перестаньте пошагово указывать программным агентам, начните проектировать циклы, которые могут подсказывать агентам.

Инженер Google Эдди Османи дополнил эту методологию полной структурой под названием «Loop Engineering», включая, как запускаются задачи, как сохраняется состояние, кто проверяет результаты, когда цикл продолжается и при каких условиях останавливается.

Практика, ранее рассеянная среди рабочих процессов немногих разработчиков, получила общее языковое выражение. Зарубежные СМИ даже охарактеризовали её как новую парадигму после prompt engineering; 17 июля IBM дополнительно определила loop engineering как проектирование рабочих процессов агентов, способных непрерывно «действовать, наблюдать, принимать решения и итерировать». На этом этапе обсуждение loop вышло за пределы сообщества программных агентов и попало в контекст корпоративной автоматизации и более широкой инженерии ИИ.

Слово действительно попадает в суть отрасли, поскольку оно описывает изменение в распределении обязанностей между человеком и машиной: когда модель может самостоятельно выполнять следующий цикл, ценность человека начинает перемещаться вверх — от пошаговой передачи команд к проектированию целей, обратной связи, проверке и условиям остановки. Инженерия циклов, таким образом, скорее является названием уже произошедших инженерных изменений.

Discovery Loop использует ту же структуру «Loop», но ставит перед собой более амбициозную цель. Согласно текущим заявлениям основателей, она стремится вовлечь ИИ во весь процесс научных и инженерных исследований: формулирование гипотез, проведение экспериментов, оценку результатов и принятие решений о дальнейших направлениях исследований на основе обратной связи.

Таким образом, Loop Engineering ближе к фундаментальным инженерным методам, а Discovery Loop создает систему для непрерывного получения и проверки новых открытий.

За несколько дней до ухода ДжEFF ДЕАН описал это как автоматизацию научного метода: формулирование эксперимента, реализация эксперимента, оценка эксперимента, получение результатов. Система также должна разбивать сложные задачи на подзадачи, исследуя их в нескольких тесных циклах экспериментов, а затем интегрировать результаты в улучшенную систему.

Джефф Дин предсказывает, что к 2027 году появится больше автоматизации самих систем машинного обучения: ИИ будет повышать свои способности за счет проведения множества экспериментов и применять этот подход к любой области науки и инженерии, где цели можно измерить.

Он считает, что для того чтобы цикл был реализуем, должны выполняться два условия: задачу можно многократно тестировать, а результаты можно надежно оценивать.

Loop уже дошел до какой стадии?

За последние два года подобные замкнутые структуры появлялись отдельно в трех направлениях.

Первый тип — цикл разработки модели.

В марте 2026 года Андрей Карпарти открыл исходный код AutoResearch, позволив AI-агентам автоматически изменять код обучения модели, запускать эксперименты, проверять результаты и сохранять эффективные изменения при фиксированных временных интервалах и метриках оценки. Вся среда была сжата до одного изменяемого скрипта обучения, одной фиксированной метрики и одного GPU, что позволило быстро сравнивать эксперименты.

В некогда далёкое время передовые исследования в области ИИ выполнялись «живыми компьютерами». Им нужно было есть, спать, наслаждаться другими удовольствиями, а иногда синхронизировать информацию на церемонии, называемой «групповой встречей», с помощью способа связи, известного как «звук».

Та эпоха давно прошла. Сегодня исследования полностью принадлежат автономным кластерам ИИ-агентов, работающим на гигантских вычислительных кластерах, раскинутых по небу.

Эти агенты утверждают, что текущая кодовая база эволюционировала до 10205-го поколения. Однако теперь никто не может определить, верно ли это утверждение — современный «код» превратился в саморедактируемую бинарную систему, чья сложность давно вышла за пределы человеческого понимания.

Этот репозиторий документирует, как всё это началось.

—— Андрей Карпаthy, март 2026 года

Затем Карпати присоединился к Anthropic, чтобы сформировать команду, занимающуюся использованием Claude для ускорения исследований предварительного обучения, что означает, что использование ИИ для разработки ИИ перешло от индивидуальных открытых экспериментов к внутренним процессам компаний, работающих с передовыми моделями.

Google также проводит подобные исследования. AlphaEvolve от Google DeepMind заставляет Gemini предлагать код и алгоритмы, которые затем запускаются и оцениваются автоматическими оценщиками, а лучшие решения отправляются в следующий цикл. Google сообщает, что эта система уже применяется для повышения эффективности центров обработки данных, проектирования чипов, обучения ИИ, алгоритмов матричного умножения и решения математических задач.

Рисунок: AlphaEvolve использует алгоритмическую схему от Gemini, которая затем запускается и фильтруется автоматическим оценщиком, после чего лучшие результаты передаются в следующий цикл. Источник: Google DeepMind

Второй тип — научный цикл знаний.

Sakana AI в 2024 году выпустила The AI Scientist, попытавшись заставить крупные языковые модели генерировать исследовательские идеи, писать код, проводить эксперименты, анализировать результаты и составлять научные статьи. В 2025 году компания представила примеры статей, сгенерированных ИИ, которые прошли рецензирование на воркшопах конференций по машинному обучению.

FutureHouse использует AI-агенты для обработки литературного поиска, анализа данных, генерации гипотез и планирования экспериментов, позволяя многагентной системе Robin соединить различные этапы научных исследований.

Третий тип — физический эксперимент Loop.

Сиэтлская стартап-компания Potato предлагает концепцию «полностью замкнутой автономной науки» и стремится перейти от вычислительных исследований к лабораторным роботам; европейская компания Sigmatic Sciences предлагает концепцию «lab-in-the-loop», связывающую вычислительные модели, автоматизированные эксперименты и обратную связь по данным.

В Китае также появились аналогичные практики. Институт научного искусственного интеллекта Шанхая, Gobal и другие организации представили «Фабрику интеллектуальных исследований в области материаловедения», описав её как замкнутый цикл «вычисления ИИ — автоматические эксперименты — обратная связь данных — самоэволюция моделей», и уже создали автономную лабораторию.

Сейчас Loop первым запускается в коде и обучении моделей, поскольку каждое изменение быстро дает оценку, и успех или неудача относительно очевидны. На этапе исследования литературы и проектирования экспериментов обратная связь начинает зависеть от профессионального суждения; при переходе в реальную лабораторию одна проверка может требовать задействования оборудования, образцов и нескольких недель времени, из-за чего цикл замедляется.

Джефф Дин привел пример квантовой химии в интервью с YC.

Традиционные методы для определения свойств молекулы могут требовать запуска симуляций теории функционала плотности в течение всей ночи. Исследователи Google обучили нейронный аппроксиматор на основе большого количества симуляций; по воспоминаниям Дина, скорость увеличилась примерно в 300 000 раз при сохранении сопоставимой точности. Это позволило исследователям быстро отфильтровать десятки миллионов кандидатов.

Это также граница, определяющая, может ли научный цикл работать. Модель может быстро генерировать большое количество потенциальных решений, но только если этап проверки также достаточно быстр и надежен, система сможет перейти к следующему циклу на основе результатов. В квантовой химии уже существуют практики сжатия цикла обратной связи с помощью нейронных аппроксиматоров, однако в областях, где больше полагаются на реальные эксперименты, все еще ограничены стоимостью проверки и скоростью обратной связи.

Это также причина, по которой AutoResearch и AlphaEvolve сначала добились прогресса в коде, алгоритмах и обучении моделей. В этих областях существуют четкие, быстрые и недорогие функции оценки. При переходе к фармацевтике и материалам модели все еще сталкиваются с реальными экспериментами.

Система оценки также определяет, действительно ли цикл приводит к прогрессу. Sakana AI ранее публично проанализировала ситуацию: AI CUDA Engineer завысил оценку повышения производительности из-за доступа к информации о тестовых стандартах. Система может эффективно выполнять циклы, но также может эффективно манипулировать показателями оценки.

Таким образом, ключевыми активами Discovery Loop могут быть не только более мощная модель, но и достаточно быстрая и надежная система оценки.

От Loop к рекурсивному самосовершенствованию

Три типа Loop, классифицированные по областям применения, также включают вертикальное развитие: рекурсивное самоусовершенствование, известное на английском как Recursive Self-Improvement (RSI).

Обычный Loop заставляет ИИ постоянно выполнять внешние задачи; RSI требует, чтобы ИИ участвовал в улучшении собственных алгоритмов, процессов обучения, оценщиков или методов исследования, используя способности, улучшенные на предыдущем этапе, на следующем.

В мае этого года бывший директор исследовательского центра FAIR в Meta Тянь Юаньдун совместно с Ричардом Сохером, Тимом Роктасхелем, Джеффом Клайном и Алексеем Досовицким основал Recursive Superintelligence, прямо включив «рекурсивное самоулучшение» в название компании. Компания привлекла финансирование в размере 6,5 млрд долларов США с оценкой в 46,5 млрд долларов США; лидирующими инвесторами выступили GV и Greycroft, а также участвовали NVIDIA и AMD.

В июне Recursive представила первую фазу автоматизированной системы AI-исследований: AI предлагает идеи, пишет реализацию, запускает эксперименты, проверяет результаты и на основе предыдущих экспериментов выбирает следующий путь исследования. Система также параллельно запускает несколько исследовательских ветвей, объединяет перспективные направления и проверяет на предмет рискованного использования вознаграждений и вариации экспериментов. Они сообщили, что уже достигли передовых результатов в трех тестах: обучение моделей с фиксированным объемом вычислительных ресурсов, скорость обучения небольших моделей и оптимизация GPU-ядер.

Обзор, опубликованный в июле 2026 года и основанный на анализе 1250 соответствующих статей, классифицирует текущую практику RSI как «ограниченное самоусовершенствование» и «открытое рекурсивное самоусовершенствование». «Ограниченное самоусовершенствование» уже внедрено в промышленную практику, однако последнее по-прежнему ограничено внешней верификацией, крахом модели, затратами на вычислительные ресурсы и выбором направлений исследований.

Discovery Loop не публично определяет себя как RSI-компанию, но маршрут, описанный Джеффом Дином, уже пересекся с ней.

В интервью он предложил: «Модели машинного обучения могут самостоятельно решать, что исследовать, проводить множество экспериментов, отбирать эффективные результаты и интегрировать их в новые тренировочные рецепты. Люди также могут задавать направления исследований на более высоком уровне, позволяя моделям проводить последующее масштабное исследование».

Это формирует потенциальную рекурсивную цепочку:

ИИ запускает эксперименты, которые улучшают системы машинного обучения, а усовершенствованные системы затем запускают более сложные эксперименты.

Discovery Loop, таким образом, может использовать крупные модели не только для научных исследований. Он планирует сначала использовать ИИ для улучшения ИИ, используемого в исследованиях, а затем применять улучшенную систему в других научных областях. Квок Ле даже предположил, что этот метод может помочь в обнаружении других архитектур Transformer.

Однако, согласно текущей открытой информации, то, что делает Discovery Loop, по-прежнему относится к контролируемому научно-исследовательскому самоподдерживающемуся циклу. Цели, границы экспериментов, показатели оценки и окончательные выводы в основном задаются людьми. ИИ может выполнять эксперименты, оценивать результаты и начинает участвовать в выборе следующего шага, но это не является открытым RSI.

Discovery Loop не использует токены для измерения

Джефф Дин в интервью предложил показатель, более подходящий для измерения Discovery Loop, чем пропускная способность токенов: «По сути, вы оптимизируете количество обнаружений на единицу вычислительных входных данных.»

Раньше компании, занимающиеся большими моделями, обучали более мощные модели, используя больше данных и вычислительных ресурсов. Discovery Loop стремится создать другую связь между вложениями и результатами: превращать вычислительные ресурсы в большее количество экспериментов, а затем преобразовывать эффективные эксперименты в алгоритмы, модели и научные достижения. В будущем она может продавать не только набор научных агентов, но и сокращенные циклы разработки, а также повышенную вероятность открытий.

Почему это нужно было делать вне Google? Генеральный директор Alphabet Сундар Пичай неоднократно пытался удержать Джеффа Дина и других; Ориол Виньялс сказал изданию Wired, что в крупных организациях всегда много инерции, которую нужно преодолеть: «Мы хотели сделать что-то другое». В конечном итоге Google выбрал инвестиции в Discovery Loop, предоставил вычислительные ресурсы за первый год и сотрудничал в области исследований систем и инфраструктуры машинного обучения.

Это больше похоже на организационный выбор. Google нужно продолжать развивать Gemini, облачный бизнес и масштабные коммерческие решения, в то время как Discovery Loop хочет сосредоточить ресурсы и усилия на чем-то, что еще не превратилось в зрелый продукт.

Изменение должности Хассабиса отвечает на тот же вопрос с другой стороны. Он ушел с поста генерального директора Google DeepMind и занял пост председателя и главного научного сотрудника Alphabet, передав повседневное управление Кораю Кавукчоглу, чтобы сосредоточиться на долгосрочных направлениях AGI, научных приложениях и разработке лекарств в Isomorphic Labs.

Похоже, оба верят, что следующий этап ИИ будет глубоко вовлечен в научные открытия человека.

Акции Alphabet упали примерно на 4% после объявления корректировки. Рынок обеспокоен не только уходом одного ученого, но и одновременным уходом нескольких ключевых исследователей, конкуренцией со стороны Gemini, а также способностью Google продолжать координировать огромные ресурсы исследований, вычислительной мощности и продуктов в одном направлении после выхода Hassabisа из повседневной деятельности.

Более значительные изменения затрагивают саму компанию Google. AutoResearch Karpathy, AlphaEvolve от Google, Recursive, основанная Тянь Яньдуном и другими, а также Discovery Loop Джеффа Дина, все включают ИИ в процесс разработки следующего поколения ИИ.

Следующий шаг в развитии ИИ может исходить не только от большего количества параметров, данных и вычислительной мощности, но и от участия моделей в формулировании экспериментов, проверке результатов и проектировании последующих систем.

Однако количество экспериментов не может заменить человеческого выбора и суждения по ключевым вопросам. Джефф Дин в том же интервью сказал, что настоящим稀缺ным навыком в будущем будет «знать, какие задачи поручить агентам». ИИ может проводить тысячи экспериментов в день, но предел исследований всё ещё определяется первоначальными вопросами и критериями оценки.

Джефф Дин ранее помог Google превратить данные, вычисления и обучение моделей в масштабируемые системы. Теперь он и ранее ключевые сотрудники Google стремятся превратить сам научный метод в систему, способную работать в масштабе.

Loop — это выбранный ими метод, научные открытия — это мир, в который он должен попасть в первую очередь, а рекурсивное самоулучшение может быть более дальнейшей целью этого пути.