Бывший головний науковець Google Джефф Дін та інші залишили роботу, щоб заснувати Discovery Loop. Їхній ключовий продукт «Loop» призначений для автоматизації наукового методу, дозволяючи ШІ самостійно, у замкненому циклі, формулювати, виконувати та оцінювати експерименти. Його значущість полягає в тому, що він перетворює наукову парадигму, просуваючи ШІ до «рекурсивного самовдосконалення» (ШІ, що розробляє ШІ), істотно підвищуючи ефективність наукових відкриттів. У майбутньому людям достатньо буде встановлювати цілі, поки ШІ керуватиме нескінченними дослідженнями.

Автор статті, джерело: Tencent Tech

5 серпня Google оголосила про значні зміни у своєму відділі ШІ.

Генеральний директор Google DeepMind Деміс Хассабіс перейшов на посаду голови ради та став головним науковим співробітником Alphabet. Джефф Дін, головний науковий співробітник Google протягом майже 27 років, разом з Саньяном Гемаватом, Оріолом Вінялсом та Кво Лем заснували Discovery Loop.

Ці чотири людини майже повністю охоплюють інфраструктуру та розвиток штучного інтелекту Google за останні двадцять з половиною років. Джефф Дін брав участь у розробці систем MapReduce, BigTable, Spanner, DistBelief, TensorFlow та Pathways, а також є співзасновником Google Brain; Гемават довгий час співпрацював з ним, брав участь у створенні ранніх пошукових та обчислювальних інфраструктур Google; Вінальс є одним із технічних керівників Gemini; Квоц Лє брав участь у проектах Google Brain та AutoML-Zero.

Після того як вони залишили Google, вони заснували некомерційну компанію під назвою Discovery Loop, яка зосереджена на використанні ШІ для просування досліджень у галузях машинного навчання, науки та інженерії. Google стане фундатором-інвестором та хмарним партнером, надавши їй обчислювальні ресурси на перший рік. За повідомленнями іноземних ЗМІ, компанія щойно заснована, ще не розпочала масове наймання та не має офіційного офісу.

Але його початкова точка вже досить чітко описана: це автоматичне формулювання експериментів штучним інтелектом, написання коду або інструментів, необхідних для їх виконання, оцінка результатів та перехід до наступного циклу на основі цих результатів.

ДжEFF ДЕАН у виступі 25 липня назвав цей напрямок «автоматизованою версією наукового методу»: формулювання експерименту, реалізація експерименту, оцінка експерименту та отримання результатів. Він вважає, що якщо запустити тисячі таких циклів одночасно, ШІ може призвести до нових проривів у науці, біології, проектуванні чіпів та розробці моделей.

Зображення: Засновники Discovery Loop. Зображення створено за допомогою ШІ

«Loop», який має зробити Джефф Дін

«Loop» став одним із найчастіших термінів у сфері ШІ цього року.

У червні 2026 року Борис Черні, керівник Claude Code, сказав, що він майже не надає прямих підказок Claude — цим займається Loop, який відповідає за надання підказок моделі та визначення наступного кроку: «Моя робота — писати Loop».

«Батько креветки» Пітер Штейнбергер краще використовує людські вирази для більш широкого поширення: перестаньте поступово підказувати програмним агентам, створюйте цикли, які можуть підказувати агентам.

Інженер Google Addy Osmani додав повну структуру до цього методу під назвою «Loop Engineering», включаючи, як запускаються завдання, як зберігаються стани, хто перевіряє результати, коли цикл продовжується та за яких умов зупиняється.

Практика, яка раніше була розсіяна серед робочих процесів невеликої кількості розробників, отримала спільну мову. Зовнішні ЗМІ навіть описали її як нову парадигму після Prompt engineering; 17 липня IBM додала визначення Loop engineering як проектування робочих процесів агентів, здатних постійно «діяти, спостерігати, приймати рішення та ітерувати». На цьому етапі обговорення Loop вийшло за межі спільноти програмних агентів і потрапило в контекст корпоративної автоматизації та ширшої інженерії ШІ.

Слово справді влучає в суть індустрії, бо описує зміни у розподілі праці між людиною та машиною: коли модель може самостійно виконати наступний крок, цінність людини починає зміщуватися вгору — від поетапного надання команд до проектування цілей, зворотного зв’язку, перевірки та умов зупинки. Тому інженерія циклів більше схожа на назву вже відбулося інженерної зміни.

Discovery Loop використовує ту саму структуру "Loop", але має ще амбітніші цілі. Згідно з поточними заявами засновників, вона прагне залучити ШІ до повного циклу наукових та інженерних досліджень: формулювання гіпотез, проведення експериментів, оцінка результатів та прийняття рішень щодо напрямків подальших досліджень на основі зворотного зв’язку.

Тому інженерія Loop ближча до базових інженерних підходів, а Discovery Loop має створити систему, що постійно генерує та перевіряє нові відкриття.

За кілька днів до відходу з посади Джефф Дін описав це як автоматизацію наукового методу: формулювання експерименту, реалізація експерименту, оцінка експерименту, отримання результатів. Система також повинна розбивати складні проблеми на підпроблеми, окремо досліджувати їх у кількох щільних експериментальних циклах та нарешті інтегрувати результати в покращену систему.

Джефф Дін передбачає, що до 2027 року з’явиться більше автоматизованих систем машинного навчання: ШІ підвищуватиме свою здатність шляхом проведення великої кількості експериментів і поширюватиме цей підхід на будь-яку область науки та інженерії, де мету можна виміряти.

Він вважає, що для того, щоб цикл був ефективним, мають виконуватися дві умови: завдання можна повторно тестувати, а результати можна надійно оцінювати.

Loop вже дійшов до якого етапу

За останні два роки подібна замкнена структура з’являлася окремо в трьох напрямках.

Перша категорія — цикл розробки моделей.

У березні 2026 року Андрій Карпаті відкрив джерела AutoResearch, що дозволяє AI-агентам автоматично змінювати код навчання моделі, запускати експерименти, перевіряти результати та зберігати ефективні зміни за фіксований час та показники оцінки. Усе середовище було стиснено до одного змінюваного сценарію навчання, одного фіксованого показника та однієї GPU, що дозволяє швидко порівнювати експерименти.

Колись передові дослідження в галузі ШІ виконувалися «м’ясними комп’ютерами». Вони їли, спали, насолоджувалися іншими задоволеннями та іноді синхронізували інформацію через зв’язковий механізм, відомий як «голос», під час церемонії під назвою «групове засідання».

Та епоха давно минула. Зараз дослідження повністю належить автономним кластерам AI-агентів. Вони працюють на величезних обчислювальних кластерах, розташованих у небі.

Ці агенти стверджують, що поточна кодова база еволюціонувала до 10205-го покоління. Однак тепер ніхто не може визначити, чи правдиве це твердження — сьогоднішній «код» став самозмінною бінарною системою, складність якої вже перевищила межі людського розуміння.

Цей репозиторій документує, як усе це починалося.

—— Андрій Карпаті, березень 2026 року

Після цього Карпаті приєднався до Anthropic, щоб сформувати команду, яка використовуватиме Claude для прискорення досліджень передтренування, що означає, що розробка ШІ з допомогою ШІ перейшла з індивідуальних відкритих проектів у внутрішні процеси компаній, що розробляють передові моделі.

Також подібні дослідження проводить Google. AlphaEvolve від Google DeepMind залучає Gemini до створення коду та алгоритмів, після чого автоматичний оцінювач запускає їх, оцінює та надсилає кращі варіанти до наступного раунду. Google повідомляє, що цю систему вже використовується для підвищення ефективності центрів обробки даних, проектування чіпів, навчання ШІ, алгоритмів матричного множення та розв’язання математичних задач.

Рисунок: AlphaEvolve використовує алгоритмічний підхід від Gemini, після чого автоматичний оцінювач запускає та фільтрує результати, надсилаючи кращі результати до наступного раунду. Джерело: Google DeepMind

Другий тип — це наукові знання Loop.

Sakana AI у 2024 році запустила The AI Scientist, намагаючись дозволити велиkim мовним моделям генерувати ідеї досліджень, писати код, запускати експерименти, аналізувати результати та формулювати наукові статті. У 2025 році компанія оголосила про випадок, коли стаття, згенерована штучним інтелектом, пройшла рецензування на вебінарі конференції з машинного навчання.

FutureHouse використовує AI-агенти для обробки літературного пошуку, аналізу даних, генерації гіпотез та планування експериментів, дозволяючи багатоагентній системі Robin спробувати з’єднати кілька знаннєвих ланок у наукових дослідженнях.

Третій тип — фізичний експеримент Loop.

Сіетлський стартап Potato запропонував «повністю замкнену автономну науку» і прагне перейти від обчислювальних досліджень до лабораторних роботів; європейська Sigmatic Sciences запропонувала «лабораторію-в-циклі», що з’єднує обчислювальні моделі, автоматизовані експерименти та зворотний зв’язок даних.

У Китаї також з’явилися подібні практики. Інститут наукового штучного інтелекту Шанхаю, GeWu ZhiYan та інші організації представили Golab — інтелектуальну фабрику з досліджень у галузі матеріалознавства, яку описують як замкнений цикл «обчислення на основі ШІ — автоматизовані експерименти — зворотний зв’язок даних — саморозвиток моделей», і вже створили самодостатню лабораторію.

Зараз Loop спочатку запускається в коді та навчанні моделей, оскільки кожна зміна швидко дає оцінку, і успіх або невдача відносно чіткі. Коли йдеться про дослідження літератури та проектування експериментів, зворотний зв’язок починає залежати від професійного судження; а коли потрапляєш у справжню лабораторію, одна перевірка може вимагати використання обладнання, зразків і кількох тижнів часу, і цикл сповільнюється.

Джефф Дин навів приклад квантової хімії під час інтерв’ю з YC.

Традиційні методи для визначення властивостей молекули можуть вимагати запуску симуляцій теорії функціонала густини цілу ніч. Дослідники Google навчили нейронний апроксиматор на величезній кількості симуляцій; за словами Діна, швидкість зросла приблизно в 300 тис. разів при збереженні майже такої ж точності. Це дозволило дослідникам швидко відфільтрувати мільйони кандидатів.

Це також межа, яка визначає, чи може науковий цикл бути реалізований. Модель може швидко генерувати велику кількість кандидатів, але лише тоді, коли етап перевірки також достатньо швидкий і надійний, система зможе перейти до наступного циклу на основі результатів. У квантовій хімії вже існують практики використання нейронних апроксиматорів для скорочення циклу зворотного зв’язку, але в галузях, які більше залежать від реальних експериментів, все ще обмежуються витратами на перевірку та швидкістю зворотного зв’язку.

Це також причина, чому AutoResearch і AlphaEvolve спочатку досягли прогресу в кодуванні, алгоритмах та навчанні моделей. У цих галузях існують чіткі, швидкі та недорогі функції оцінки. У сфері ліків і матеріалів моделі все ще стикаються з реальними експериментами.

Система оцінки також визначає, чи приносить цикл справді прогрес. Sakana AI публічно проаналізувала, що AI CUDA Engineer завищив підвищення продуктивності через доступ до інформації про базові тести. Система може ефективно циклічно працювати, але також може ефективно експлуатувати прогалини в показниках оцінки.

Отже, ключовими активами Discovery Loop можуть бути не лише потужніша модель, а й достатньо швидка та надійна система оцінки.

Від Loop до рекурсивного самовдосконалення

Три типи Loop розподілені за галузями застосування, а також існує вертикальний розвиток: рекурсивне самовдосконалення, англійською Recursive Self-Improvement, скорочено RSI.

Звичайний Loop дозволяє ІІ постійно виконувати зовнішні завдання; RSI вимагає, щоб ІІ брав участь у покращенні власних алгоритмів, процесів навчання, оцінювачів або методів дослідження та використовував здібності, покращені на попередньому етапі, на наступному.

У травні цього року колишній директор дослідницького центру FAIR у Meta Тянь Юаньдун разом із Річардом Зокером, Тімом Роктешелем, Джеффом Клайном та Олексієм Досовіцьким заснували Recursive Superintelligence, прямо включивши «рекурсивне самовдосконалення» до назви компанії. Компанія отримала фінансування у розмірі 6,5 мільярда доларів США з оцінкою в 46,5 мільярда доларів США; провідними інвесторами стали GV та Greycroft, а також участь взяли NVIDIA та AMD.

У червні Recursive представила перший етап автоматизованої AI-дослідницької системи: AI пропонує ідеї, пише реалізацію, запускає експерименти, перевіряє результати та вибирає наступний дослідницький шлях на основі попередніх експериментів. Система також паралельно запускає кілька дослідницьких гілок, об’єднує перспективні напрямки та перевіряє на наявність спекуляцій з нагородами та варіацій експериментів. Вони повідомили, що досягли лідируючих результатів у трьох тестах: навчанні моделей з фіксованим обчислювальним потенціалом, швидкості навчання малих моделей та оптимізації GPU Kernel.

Огляд, опублікований у липні 2026 року, який проаналізував 1250 відповідних статей, класифікував поточну практику RSI на «обмежене самовдосконалення» та «відкрите рекурсивне самовдосконалення». «Обмежене самовдосконалення» вже впроваджено в промисловій практиці, але останнє все ще обмежене зовнішнім верифікуванням, крахом моделей, витратами на обчислювальні ресурси та вибором напрямків досліджень.

Discovery Loop не публічно визначає себе як компанію RSI, але шлях, описаний Джеффом Діном, вже перетнувся з нею.

У інтерв’ю він зазначив: «Моделі машинного навчання можуть самостійно вирішувати, що досліджувати, запускати велику кількість експериментів, відбирати ефективні результати та інтегрувати їх у нові рецепти навчання. Люди також можуть визначати напрямки досліджень на вищому рівні, поклавши на модель завдання масштабного дослідження».

Це утворює потенційний рекурсивний ланцюжок:

AI запускає експерименти, які покращують системи машинного навчання, після чого покращена система запускає більш складні експерименти.

Discovery Loop, отже, може використовувати великі моделі не лише для наукових досліджень. Він планує спочатку використати ШІ для покращення ШІ, який здійснює дослідження, а потім поширити покращену систему на інші наукові галузі. Quoc Le навіть запропонував, що цей підхід може допомогти виявити інші архітектури Transformer.

Проте, згідно з поточними відкритими даними, те, що робить Discovery Loop, все ще є контролюваною дослідницькою петлею. Мети, межі експериментів, показники оцінки та кінцеві висновки в основному встановлюються людьми. ШІ може виконувати експерименти, оцінювати результати та починає брати участь у виборі наступного кроку, але це не відкрита RSI.

Discovery Loop не вимірюється за допомогою токенів

Джефф Дін у інтерв’ю навів показник, який краще вимірює Discovery Loop, ніж пропускна здатність токенів: «Сутність у тому, що ви оптимізуєте кількість відкриттів на одиницю обчислювальних вхідних даних.»

Раніше компанії, що розробляють великі моделі, тренували потужніші моделі за допомогою більшої кількості даних та обчислювальних ресурсів. Discovery Loop прагне створити іншу залежність між вкладеннями та результатами: перетворювати обчислювальні ресурси на більше експериментів, а потім перетворювати ефективні експерименти на алгоритми, моделі та наукові досягнення. У майбутньому вона може продавати не лише набір наукових агентів, а й скорочені терміни розробки та підвищену ймовірність відкриттів.

Чому цю справу вирішили розпочати поза Google? Генеральний директор Alphabet Сундар Пічай неодноразово намагався утримати Джеффа Діна та інших; Оріол Вінялс сказав виданню Wired, що у великих організаціях завжди існує багато інерції, яку потрібно подолати: «Ми хотіли зробити щось інше». У кінцевому підсумку Google вирішив інвестувати в Discovery Loop, надати обчислювальні ресурси за перший рік та співпрацювати над дослідженнями систем та інфраструктури машинного навчання.

Це більше схоже на організаційний вибір. Google має продовжувати розвивати Gemini, хмарні послуги та масштабні комерційні рішення, тоді як Discovery Loop хоче зосередити ресурси та зусилля на чомусь, що ще не стало зрілою продуктом.

Зміна посади Хассабіса відповідає на ту саму проблему з іншого боку. Він звільнився з посади генерального директора Google DeepMind, став головою ради та головним науковим співробітником Alphabet, передавши повсякденне керівництво Кораю Кавукчоглу, а сам зосередиться на довгострокових напрямках AGI, наукових застосуваннях та розробці ліків у Isomorphic Labs.

Здається, обидва вірять, що наступний етап ШІ глибоко втілиться у наукові відкриття людини.

Ціна акцій Alphabet впала приблизно на 4% після оголошення про перестановки. Ринок хвилюється не лише через вихід одного вченого, а й через одночасний вихід кількох ключових дослідників, тиск з боку Gemini, а також питання, чи зможе Google продовжувати ефективно координувати величезні дослідницькі, обчислювальні та продуктові ресурси в одному напрямку після виходу Hassabisа з щоденного управління.

Більш значні зміни відбуваються за межами самої компанії Google. Karpathy’s AutoResearch, AlphaEvolve від Google, Recursive, заснована Тянь Юаньдуном та іншими, а також Discovery Loop від Джеффа Дина, усі вони інтегрують ШІ у процес розробки наступного покоління ШІ.

Наступний крок у розвитку ШІ може полягати не лише у більшій кількості параметрів, даних та обчислювальної потужності, а й у участи моделей у формулюванні експериментів, перевірці результатів та проектуванні наступних систем.

Але кількість експериментів не може замінити людського вибору та оцінки ключових питань. Джефф Дин у тій самій інтерв’ю сказав, що найбільш рідкісною здатністю у майбутньому буде «знати, які саме проблеми слід доручити агентам вирішувати». Штучний інтелект може проводити тисячі експериментів на день, але межі досліджень все ще визначаються початковими питаннями та критеріями оцінки.

Джефф Дін раніше допоміг Google перетворити дані, обчислення та навчання моделей на масштабовані системи. Зараз він і колишні ключові фахівці Google намагаються перетворити сам науковий метод на систему, яку можна масштабувати.

Loop — це метод, який вони обрали, наукові відкриття — це світ, який він спочатку має оволодіти, а рекурсивне самовдосконалення може бути більш віддаленою метою цього шляху.