Google'nin eski baş bilim insanı Jeff Dean ve diğerleri, Discovery Loop'u kurmak için ayrıldı. Temel bileşeni olan "Loop", bilimsel yöntemi otomatikleştirmeyi amaçlıyor ve AI'nın deneyleri kendi kendine önermesini, yürütmesini ve değerlendirmesini sağlıyor. Önemi şudur: bilimsel paradigmayı yeniden şekillendiriyor, AI'nın "özyinelemeli kendi kendini geliştirme" (AI ile AI geliştirme) yolunda ilerlemesini teşvik ediyor ve bilimsel keşiflerin verimliliğini büyük ölçüde artırıyor. Gelecekte insanlar yalnızca hedefleri belirleyecek, AI sonsuz keşifleri yönetecek.

Yazan: Tencent Tech

5 Ağustos'ta Google, AI bölümüne yönelik büyük bir düzenleme duyurdu.

Google DeepMind CEO Demis Hassabis, chairman görevine geçti ve Alphabet'un baş bilim insanı oldu. 27 yıldır Google'da çalışan baş bilim insanı Jeff Dean, Sanjay Ghemawat, Oriol Vinyals ve Quoc Le ile birlikte Discovery Loop'u kurdu.

Bu dört kişi, Google'ın son yirmi yılından fazla süren altyapı ve AI gelişimini neredeyse tamamen kaplamıştır. Jeff Dean, MapReduce, BigTable, Spanner, DistBelief, TensorFlow ve Pathways gibi sistemlerin inşasına katılmıştır ve Google Brain'ın ortak kurucularından biridir; Ghemawat, uzun süre onunla işbirliği yapmış ve Google'ın erken dönem arama ve hesaplama altyapısının kurulmasına katkıda bulunmuştur; Vinyals, Gemini'nin teknik sorumlularından biridir; Quoc Le ise Google Brain ve AutoML-Zero gibi projelere katılmıştır.

Google'dan ayrıldıktan sonra, yapay zekâyla makine öğrenimi, bilim ve mühendislik araştırmalarını ilerletmeyi hedefleyen bir kamu yararına şirket olan Discovery Loop kuracaklar. Google, kurucu yatırımcı ve bulut ortağı olarak, ilk yıl için hesaplama gücü sağlayacak. Dış medyaya göre, şirket yeni kuruldu, büyük ölçekli istihdam başlatmadı ve henüz resmi bir ofisi bile yok.

Ancak başlangıcı oldukça net bir şekilde tanımlanmıştır: AI'nın deneyleri otomatik olarak önermesi, deneyleri çalıştırmak için gerekli kodu veya araçları oluşturması, sonuçları değerlendirmesi ve ardından sonuçlara göre bir sonraki döngüye geçmesi.

Jeff Dean, 25 Temmuz'da bir konuşmada, bu yöne "bilimsel yöntemin otomatikleştirilmiş versiyonu" adını verdi: deney önermek, deneyi gerçekleştirmek, deneyi değerlendirmek ve sonuç almak. Aynı anda binlerce bu döngüyü çalıştırmak, AI'nın bilim, biyoloji, çip tasarımı ve model geliştirme alanlarında yeni atılımlara yol açabileceğini düşündü.

Resim: Discovery Loop kurucu ekibi. Resim AI tarafından oluşturuldu

Jeff Dean'ın yapacağı "Loop"

"Loop", bu yıl AI alanında sıkça kullanılan bir kelime haline geldi.

Haziran 2026'da Claude Code sorumlusu Boris Cherny, Claude'a doğrudan talimat vermenin artık nadir olduğunu, çalışan Loop'un modeli yönlendireceğini ve bir sonraki adımı kararlaştıracağını söyledi: "İşim Loop yazmak."

"Yengeçlerin Babası" Peter Steinberger, daha insani bir ifadeyle daha geniş bir yayılma sağlar: Programlama Agent'lerine tek tek talimat vermek yerine, Agent'leri tetikleyen bir Döngü tasarlayın.

Google mühendisi Addy Osmani, bu yöntemi tam bir yapıyla tamamlamak için "Loop Engineering" adlı bir makale yazdı ve görevlerin nasıl tetiklendiği, durumun nasıl kaydedildiği, sonucun kim tarafından denetlendiği, döngünün ne zaman devam ettiği ve hangi koşullarda durduğu açıklanmıştır.

Bir zamanlar az sayıda geliştiricinin çalışma akışlarında yayılmış olan bir uygulama, artık ortak bir dil haline geldi. Yabancı medya bunu Prompt engineering'den sonraki yeni bir paradigmaya kadar özetledi; 17 Temmuz'da IBM, Loop engineering'i sürekli olarak "harekete geçme, gözlemleme, karar verme ve yineleme" yapan Agent akışlarını tasarlamak olarak tanımladı. Bu noktada, Loop tartışmaları programlama Agent topluluğundan çıkarak kurumsal otomasyon ve daha geniş AI mühendisliği bağlamına girdi.

Bu terim, endüstride gerçekten vurguladığı nokta, insan-makine paylaşımının değiştiğini tanımlamaktadır: model kendi kendine bir sonraki adımı tamamlayabildiğinde, insanın değeri, sıralı talimat vermekten hedefleri tasarlamaya, geri bildirim vermeye, doğrulamaya ve durdurma koşullarına doğru yukarı doğru kaymaktadır. Dolayısıyla Loop mühendisliği, zaten gerçekleşen bir mühendislik değişikliğinin adıdır.

Discovery Loop, aynı "Loop" yapısını kullanıyor ancak hedefi daha ileriye taşıyor. Kurucu ekip tarafından şu ana kadar ifade edildiğine göre, AI'nın bilimsel ve mühendislik araştırmalarının tam sürecine dahil olmasını hedefliyor: hipotez önermek, deneyleri gerçekleştirmek, sonuçları değerlendirmek ve geri bildirimlere dayanarak sonraki araştırma yönünü belirlemek.

Bu nedenle, Loop mühendisliği daha temel mühendislik yaklaşımına yakındır; Discovery Loop, yeni keşiflerin sürekli üretildiği ve doğrulandığı bir araştırma sistemi kuracaktır.

Jeff Dean, ayrılma hemen öncesinde bir toplantıda bunu bilimsel yöntemin otomasyonu olarak özetledi: deney önermek, deneyi gerçekleştirmek, deneyi değerlendirmek ve sonuçları elde etmek. Sistem, karmaşık sorunları alt sorunlara ayırmalı, birkaç sıkı deney döngüsü içinde bunları ayrı ayrı incelemeli ve sonuçları birleştirerek iyileştirilmiş bir sistem elde etmelidir.

Jeff Dean, 2027 yılına kadar makine öğrenimi sistemlerinin kendi kendine otomasyonunun artacağını tahmin ediyor: AI, birçok deney çalışması yürüterek yeteneklerini artırır ve bu yöntemi herhangi bir hedefin ölçülebildiği bilimsel ve mühendislik alanlarına uygular.

O, bir döngünün kurulabilmesi için iki koşulun sağlanması gerektiğini belirledi: görev tekrarlanabilir olmalı ve sonuçlar güvenilir bir şekilde değerlendirilebilir olmalı.

Loop hangi aşamaya geldi

Geçen iki yıl içinde, benzer kapalı döngü yapıları üç farklı yönde ortaya çıkmıştır.

İlk kategori, model geliştirme Loop'tur.

Mart 2026'da Andrej Karpathy, AutoResearch'i açık kaynak hale getirdi ve AI ajantlarının sabit zamanlarda ve değerlendirme metrikleri altında model eğitim kodlarını otomatik olarak değiştirmesini, deneyleri çalıştırmasını, sonuçları kontrol etmesini ve geçerli değişiklikleri kaydetmesini sağladı. Tüm ortam, değiştirilebilir bir eğitim betiğine, sabit bir metriğe ve bir GPU'ya sıkıştırıldı ki deneyler hızlıca karşılaştırılabilsin.

Bir zamanlar ileri AI araştırmaları “etli bilgisayarlar” tarafından yürütülüyordu. Onlar yemek yiyor, uyuyor, diğer zevkleri yaşıyor ve bazen “ses” adı verilen bir bağlantı yoluyla “toplantı” töreninde bilgiyi senkronize ediyorlardı.

O dönem artık geçmiş. Şimdi, araştırma tamamen AI ajanlarının özyönlü kümelerine ait. Bunlar gökyüzünde yayılmış devasa hesaplama kümeleri üzerinde çalışıyor.

Bu agenter, mevcut kod tabanının 10.205. nesile evrildiğini iddia ediyor. Ancak bu iddianın doğru olup olmadığı artık kimseyle belirlenemiyor—günümüzdeki "kod", kendi kendini değiştirebilen bir ikili sistem haline gelmiş ve karmaşıklığı insan anlayışının ötesine geçmiştir.

Bu kod deposu, bunların tümünün nasıl başladığının hikayesini kaydediyor.

——Andrej Karpathy, 2026 Mart

Karpathy, daha sonra Claude ile ön eğitim araştırmalarını hızlandırmak için bir ekip kurmak üzere Anthropic'e katıldı; bu da AI destekli AI geliştirme sürecinin bireysel açık kaynak deneyimlerinden öncü model şirketlerinin dahili süreçlerine geçtiğini gösteriyor.

Google de benzer araştırmalar yapıyor. Google DeepMind'in AlphaEvolve sistemi, Gemini'nin kod ve algoritmalar önermesini sağlıyor ve otomatik değerlendirme sistemi bu önerileri çalıştırıp puanlıyor, daha iyi çözümleri bir sonraki tur için gönderiyor. Google, bu sistemin veri merkezi verimliliği, çip tasarımı, AI eğitimi, matris çarpma algoritmaları ve matematiksel problemlerde kullanıldığını belirtiyor.

Şekil: AlphaEvolve, Gemini tarafından algoritma önerisi sunulduktan sonra otomatik değerlendirme aracıyla çalıştırılır ve filtrelenir; daha iyi sonuçlar bir sonraki tur için gönderilmektedir. Kaynak: Google DeepMind

İkinci tür bilimsel bilgi Loop'tur.

Sakana AI, 2024'te The AI Scientist'i piyasaya sürerek büyük dil modellerinin araştırma fikirleri üretmesini, kod yazmasını, deneyleri çalıştırmasını, sonuçları analiz etmesini ve makaleler oluşturmasını denedi. 2025'te şirket, AI tarafından üretilen bir makalenin makine öğrenimi konferansı çalışma grubu değerlendirmesini geçtiğini duyurdu.

FutureHouse, belge arama, veri analizi, varsayımlar oluşturma ve deney planlama işlemlerini AI ajanları ile yöneterek, çok ajanlı sistem Robin'in bilimsel araştırmadaki çeşitli bilgi bağlantılarını birleştirmesini sağlar.

Üçüncü kategori fiziksel deney Loop'tur.

Seattle merkezli startup Potato, "tamamen kapalı döngülü otonom bilim" önerisiyle hesaplama araştırmasından laboratuvar robotlarına geçmeyi hedefliyor; Avrupa'daki Sigmatic Sciences, "lab-in-the-loop" modelini, hesaplama modellerini, otomatik deneyleri ve veri geri bildirimlerini birbirine bağlayarak sunuyor.

Çin'de benzer uygulamalar da ortaya çıktı. Şangay Bilimsel Yapay Zeka Enstitüsü ve Ge Wu Zhi Yan gibi kurumlar tarafından yayımlanan Golab Madde Bilimi Yapay Zekası Araştırma Geliştirme Fabrikası, "Yapay Zeka Hesaplama—Otomatik Deney—Veri Geri Beslemesi—Modelin Kendini Geliştirmesi" döngüsü olarak tanımlanmış ve kendi kendini sürdüren bir laboratuvar inşa edilmiştir.

Şu anda, döngü ilk olarak kodlama ve model eğitimi aşamasında en hızlı çalışır, çünkü her değişiklik sonucu hemen puan elde edilir ve başarı veya başarısızlık nispeten nettir. Literatür araştırması ve deney tasarımı aşamasına geçildiğinde, geri bildirimler profesyonel yargıya bağımlı hale gelir; gerçek laboratuvara girildiğinde ise bir doğrulama, ekipman, örnek ve haftalarca zaman gerektirebilir, bu da döngü hızını yavaşlatır.

Jeff Dean, YC röportajında bir kuantum kimya örneği verdi.

Bir molekülün özelliklerini geleneksel yöntemlerle belirlemek, bir tam gece boyu yoğunluk fonksiyonel teorisi simülasyonu çalıştırmayı gerektirebilirdi. Google araştırmacıları, büyük miktarda simülasyon sonucunu kullanarak nöral bir yaklaşım geliştirtilmiş ve Dean'e göre bu yaklaşım, orijinal simülatöre göre yaklaşık 300 bin kat daha hızlı çalışırken benzer bir doğruluk seviyesini korumuştur. Bu sayede araştırmacılar on milyonlarca adayı hızlıca süzebilmiştir.

Bu, bilimsel döngünün kurulup kurulamayacağının kritik noktasıdır. Model, büyük sayıda aday çözümü hızla üretebilir; ancak sistem, sonuçlara göre bir sonraki döngüye geçebilmek için doğrulama aşaması da yeterince hızlı ve güvenilir olmalıdır. Kuantum kimyada, geri bildirim döngüsünü sıkıştırmak için sinirsel yaklaşımlar kullanılmaya başlanmıştır; ancak daha fazla gerçek deneylere dayanan alanlar, doğrulama maliyeti ve geri bildirim hızı nedeniyle hâlâ kısıtlanmaktadır.

Bu, AutoResearch ve AlphaEvolve'nin önce kod, algoritmalar ve model eğitimi alanında ilerleme kaydetmesinin nedenidir. Bu alanlarda net, hızlı ve düşük maliyetli değerlendirme fonksiyonları vardır. İlaç ve malzeme alanlarına geçildiğinde, modeller hâlâ gerçek deneylerle karşı karşıya kalır.

Değerlendirme sistemi, döngünün gerçekten ilerleme sağlayıp sağlamadığını da belirler. Sakana AI, AI CUDA Mühendisi'nin referans testi bilgilerine erişmesi nedeniyle performans artışı konusunda abartıda bulunduğunu açıkça gözden geçirmişti. Sistem, verimli bir döngü oluşturabilir veya değerlendirme metriklerinin boşluklarını verimli bir şekilde kullanabilir.

Bu nedenle, Discovery Loop'un temel varlığı yalnızca daha güçlü bir model değil, aynı zamanda yeterince hızlı ve güvenilir bir değerlendirme sistemi de içermelidir.

Döngüden Özyinelemeli Kendini Geliştirmeye

Üçüncü tür Loop, uygulama alanlarına göre sınıflandırılmıştır ve bunun yanı sıra rekürsif kendi kendini geliştirme olarak adlandırılan dikey bir gelişim de mevcuttur, kısaltması RSI'dir.

Normal Loop, AI'nin dış görevleri sürekli tamamlamasını sağlar; RSI, AI'nin kendi algoritmasını, eğitim süreçlerini, değerlendiricisini veya araştırma yöntemlerini iyileştirmeye katılımını ister ve bir önceki iyileştirme sonrası elde edilen yetenekleri bir sonraki turda kullanır.

Bu yıl Mayıs'ta, önceki Meta FAIR araştırma bilim başkanı Tian Yandong, Richard Socher, Tim Rocktäschel, Jeff Clune, Alexey Dosovitskiy ve diğerleriyle Recursive Superintelligence'i kurdu ve şirket adına doğrudan "özyinelemeli kendi kendini geliştirme"yi dahil etti. Şirket, 650 milyon ABD doları finansman aldı ve değerlemesi 4,65 milyar ABD doları oldu; GV ve Greycroft öncü yatırımcı oldu, NVIDIA ve AMD katıldı.

Haziran'da Recursive, ilk aşamasını otomatikleştirilmiş AI araştırma sistemi olarak açıkladı: AI fikirler üretiyor, uygulamaları yazıyor, deneyleri yürütüyor, sonuçları doğruluyor ve önceki deneylere dayanarak sonraki araştırma yolunu seçiyor. Sistem aynı anda birden fazla araştırma dalını paralel olarak çalıştırıyor, potansiyeli olan yönleri birleştiriyor ve ödül spekülasyonunu ve deney varyansını kontrol ediyor. Sabit hesaplama gücü model eğitimi, küçük modellerin eğitim hızı ve GPU Kernel optimizasyonu olmak üzere üç testte öncü sonuçlar elde ettiklerini belirttiler.

2026 yılında Temmuz ayında yayınlanan bir derleme, 1.250 ilgili makaleyi analiz ederek mevcut RSI uygulamalarını "sınırlı öz-yenileme" ve "açık rekürsif öz-yenileme" olarak sınıflandırıyor. "Sınırlı öz-yenileme" endüstriyel uygulamaya girmiş durumda, ancak后者 hala dış doğrulama, model çökmesi, hesaplama maliyeti ve araştırma yönü seçimi gibi sınırlamalarla karşı karşıya.

Discovery Loop, kendisini bir RSI şirketi olarak açıkça tanımlamadı, ancak Jeff Dean'in tanımladığı rota zaten bununla kesişti.

Röportajda, "makine öğrenimi modelleri, neyi keşfedeceklerini kendi kendine karar verebilir, büyük ölçekli deneyler gerçekleştirebilir, etkili sonuçları filtreleyebilir ve bunları yeni bir eğitim formülü olarak birleştirebilir. İnsanlar ise daha yüksek düzeyde araştırma yönü belirleyerek modelin ardından büyük ölçekli keşifleri tamamlamasını sağlayabilir."

Bu, potansiyel bir özyineleme zinciri oluşturur:

AI deneylerini yürütür, deneyler makine öğrenimi sistemini geliştirir, geliştirilen sistem daha karmaşık deneyleri yürütür.

Discovery Loop, bu nedenle büyük modelleri yalnızca bilimsel araştırmalara değil, önce AI ile yapılan araştırmaları iyileştirmek için kullanmayı planlıyor ve ardından geliştirilen sistemi diğer bilimsel alanlara yaymayı hedefliyor. Quoc Le, bu yöntemin farklı Transformer mimarilerinin keşfine yardımcı olabileceğini öne sürüyor.

Ancak mevcut açık bilgilere göre, Discovery Loop'un yaptığı hâlâ kontrollü bir araştırma döngüsüdür. Hedefler, deney sınırları, değerlendirme ölçütları ve nihai kararlar çoğunlukla insanlar tarafından belirlenir. AI, deneyleri gerçekleştirebilir, sonuçları değerlendirebilir ve bir sonraki adımı seçmeye başlayabilir, ancak açık bir RSI değildir.

Discovery Loop, token ile ölçülmez

Jeff Dean, röportajda Discovery Loop için Token verimliliğinden daha uygun bir ölçüt olarak şunu verdi: “Esasen, her birim hesaplama girdisi başına yapılan keşif sayısını optimize etmeniz gerekir.”

Geçmişte büyük modelleri eğitmek için daha fazla veri ve hesaplama gücü kullanılıyordu. Discovery Loop, hesaplama gücünü daha fazla deneye dönüştürmeyi, ardından etkili deneyleri algoritmalar, modeller ve bilimsel sonuçlara dönüştürmeyi amaçlıyor. Gelecekte sadece bir bilimsel Agent paketi değil, kısaltılmış araştırma döngüleri ve artırılmış keşif olasılıklarını da satıyor olabilir.

Bu iş neden Google'dan ayrılarak yapılmalı? Alphabet CEO'su Sundar Pichai,多次会面中挽留Jeff Dean等人；Oriol Vinyals对《连线》表示，大型组织总有很多惯性需要克服，“我们想做点不一样的东西”。谷歌最终选择投资Discovery Loop、提供首年算力，并合作研究机器学习系统和基础设施。

Bu daha çok bir organizasyonel seçim. Google, Gemini, bulut işleri ve büyük ölçekli ticari teslimatları ilerletmeye devam etmeli; Discovery Loop, henüz olgun bir ürüne dönüşmemiş bir şeye kaynak ve odakını yoğunlaştırmak istiyor.

Hassabis, aynı soruya başka bir açıdan cevap verdi. Google DeepMind CEO'luk görevinden ayrılarak Yönetim Kurulu Başkanı ve Alphabet Baş Bilim İnsanı oldu; günlük operasyonları Koray Kavukcuoğlu'na bıraktı ve kendi zamanının büyük bir kısmını AGI'nin uzun vadeli yönleri, bilimsel uygulamalar ve Isomorphic Labs'in ilac geliştirme çalışmalarına ayırdı.

İkisi de yapay zekânın bir sonraki aşamasının insan bilimsel keşiflerine derinlemesine gireceğine inanıyor.

Alphabet, açıklamadan sonra yaklaşık %4 düştü. Piyasa, bir bilim insanının ayrılması değil, aynı anda birkaç temel araştırmacının ayrılması, Gemini'nin rekabet baskısı ve Hassabis'in günlük operasyonlardan çekilmesi sonrası Google'ın büyük ölçekli araştırmayı, hesaplama gücünü ve ürün kaynaklarını aynı yönde organize edebilme yeteneği konusunda endişeli.

Daha büyük değişiklikler, Google şirketinin kendisini geçti. Karpathy'nin AutoResearch'ı, Google'ın AlphaEvolve'ı, Tian YuanDong ve diğerlerinin kurduğu Recursive ve Jeff Dean'ın Discovery Loop'u, AI'yi bir sonraki nesil AI geliştirme sürecine dahil ediyor.

Yapay zekânın bir sonraki adımı, yalnızca daha fazla parametre, veri ve hesaplama gücüden değil, modelin deneyler önermesinden, sonuçları doğrulamasından ve sonraki sistemleri tasarlamasından da gelebilir.

Ancak deney sayısı, insanın kritik sorulara yönelik seçim ve yargılarını yerine geçemez. Jeff Dean aynı röportajda, gelecekte gerçekten kıt olan becerinin "Agent'ın hangi sorunu çözmek için görevlendirileceğini bilmek" olduğunu söyledi. AI, bir günde binlerce deney çalıştırabilir, ancak araştırma sınırı hâlâ başlangıçtaki soru ve değerlendirme kriterlerine bağlıdır.

Jeff Dean, Google'da verileri, hesaplamayı ve model eğitimi ölçeklenebilir sistemlere dönüştürmeye yardımcı oldu. Şimdi, Google için önceki en önemli kişilerle birlikte, bilimsel yöntemi kendisini de ölçeklenebilir bir sistem haline getirmek istiyor.

Loop, seçtikleri yöntemdir; bilimsel keşif, ilk olarak girmek zorunda olduğu dünyadır; özyinelemeli kendi kendini geliştirme, bu yolun daha ileri yönü olabilir.