Jeff Dean, cựu khoa học gia trưởng của Google, và những người khác đã rời đi để thành lập Discovery Loop. “Loop” cốt lõi của họ nhằm tự động hóa phương pháp khoa học, cho phép AI tự động đề xuất, thực hiện và đánh giá các thí nghiệm một cách khép kín. Tầm quan trọng của nó nằm ở việc tái định hình mô hình nghiên cứu khoa học, thúc đẩy AI tiến tới “tự cải tiến đệ quy” (dùng AI để phát triển AI), nâng cao đáng kể hiệu quả của các phát hiện khoa học. Trong tương lai, con người chỉ cần đặt ra mục tiêu, còn AI sẽ dẫn dắt quá trình khám phá vô tận.Tác giả bài viết, nguồn: Tencent Tech
Ngày 5 tháng 8, Google thông báo điều chỉnh lớn trong bộ phận AI.
Giám đốc điều hành Google DeepMind, Demis Hassabis, chuyển sang vai trò Chủ tịch và đảm nhiệm vị trí Nhà khoa học trưởng của Alphabet. Nhà khoa học trưởng đã làm việc tại Google gần 27 năm, Jeff Dean, cùng với Sanjay Ghemawat, Oriol Vinyals và Quoc Le đã cùng sáng lập Discovery Loop.
Bốn người này gần như đồng hành cùng cơ sở hạ tầng và sự phát triển AI của Google trong hơn hai mươi năm qua. Jeff Dean tham gia xây dựng các hệ thống như MapReduce, BigTable, Spanner, DistBelief, TensorFlow và Pathways, đồng thời là đồng sáng lập Google Brain; Ghemawat hợp tác lâu dài với ông, tham gia xây dựng cơ sở hạ tầng tìm kiếm và tính toán sớm của Google; Vinyals là một trong những người phụ trách kỹ thuật của Gemini; Quoc Le tham gia các dự án như Google Brain và AutoML-Zero.
Sau khi rời Google, họ sẽ thành lập một công ty phi lợi nhuận có tên Discovery Loop, tập trung vào việc sử dụng AI để thúc đẩy nghiên cứu học máy, khoa học và kỹ thuật. Google sẽ trở thành nhà đầu tư sáng lập và đối tác điện toán đám mây, cung cấp năng lực tính toán cho năm đầu tiên. Theo báo cáo từ các phương tiện truyền thông nước ngoài, công ty vừa mới được thành lập, chưa bắt đầu tuyển dụng quy mô lớn và thậm chí còn chưa có văn phòng chính thức.
Nhưng điểm xuất phát của nó đã được mô tả khá rõ ràng, đó là để AI tự động đề xuất thí nghiệm, viết mã hoặc công cụ cần thiết để thực hiện thí nghiệm, đánh giá kết quả, rồi dựa trên kết quả đó tiến vào vòng tiếp theo.
Trong một bài phát biểu vào ngày 25 tháng 7, Jeff Dean gọi hướng đi này là "phiên bản tự động hóa của phương pháp khoa học": đưa ra thí nghiệm, thực hiện thí nghiệm, đánh giá thí nghiệm, sau đó thu được kết quả. Ông cho rằng, nếu chạy đồng thời hàng ngàn đến hàng vạn chu trình như vậy, AI có thể tạo ra những bước đột phá mới trong các lĩnh vực như khoa học, sinh học, thiết kế chip và phát triển mô hình.
Hình: Đội ngũ sáng lập Discovery Loop. Hình ảnh được tạo bởi AI
"Loop" mà Jeff Dean đang thực hiện
"Loop" đã trở thành một từ phổ biến trong lĩnh vực AI năm nay.
Tháng 6 năm 2026, Boris Cherny, người phụ trách Claude Code, cho biết anh ấy hiếm khi trực tiếp đưa ra lệnh cho Claude; các Loop đang chạy sẽ tự động đưa ra lệnh cho mô hình và quyết định bước tiếp theo, “Công việc của tôi là viết Loop”.
"Cha của tôm hùm" Peter Steinberger biết cách truyền tải thông điệp một cách nhân văn hơn để lan tỏa rộng rãi hơn: Đừng chỉ dẫn từng bước cho Agent lập trình, hãy thiết kế một vòng lặp có thể nhắc nhở Agent.
Kỹ sư của Google, Addy Osmani, đã bổ sung cấu trúc hoàn chỉnh cho phương pháp này với tiêu đề "Loop Engineering", bao gồm cách các nhiệm vụ được kích hoạt, trạng thái được lưu trữ, kết quả được ai kiểm tra, vòng lặp tiếp tục khi nào và dừng lại trong điều kiện nào.
Một thực hành từng phân tán trong quy trình làm việc của một số ít nhà phát triển đã từ đó trở thành ngôn ngữ chung. Truyền thông nước ngoài thậm chí còn khái quát nó là mô hình mới sau Prompt engineering; ngày 17 tháng 7, IBM tiếp tục định nghĩa Loop engineering là thiết kế các luồng công việc Agent có khả năng liên tục “hành động, quan sát, ra quyết định và lặp lại”. Từ đây, cuộc thảo luận về Loop bắt đầu vượt ra khỏi cộng đồng Agent lập trình và bước vào bối cảnh tự động hóa doanh nghiệp và kỹ thuật AI rộng lớn hơn.
Điểm mà từ này thực sự chạm đến ngành công nghiệp là nó mô tả sự thay đổi trong phân công lao động giữa con người và máy móc: khi các mô hình có thể tự thực hiện thao tác tiếp theo, giá trị của con người bắt đầu dịch chuyển lên cao hơn, từ việc đưa ra lệnh từng bước, chuyển sang thiết kế mục tiêu, phản hồi, xác minh và điều kiện dừng. Do đó, loop engineering giống như một cái tên đặt cho một sự thay đổi kỹ thuật đã xảy ra.
Discovery Loop sử dụng cùng cấu trúc "Loop", nhưng mục tiêu cao hơn. Theo tuyên bố hiện tại của đội ngũ sáng lập, nó mong muốn đưa AI tham gia vào toàn bộ quy trình nghiên cứu khoa học và kỹ thuật: đưa ra giả thuyết, thực hiện thí nghiệm, đánh giá kết quả và dựa trên phản hồi để xác định hướng khám phá tiếp theo.
Do đó, Loop engineering gần với phương pháp kỹ thuật cơ sở hơn, trong khi Discovery Loop nhằm xây dựng một hệ thống nghiên cứu liên tục tạo ra và xác minh các phát hiện mới.
Trước khi nghỉ việc, Jeff Dean đã tóm tắt nó là tự động hóa phương pháp khoa học: đưa ra thí nghiệm, hiện thực hóa thí nghiệm, đánh giá thí nghiệm và thu thập kết quả. Hệ thống còn phải chia nhỏ các vấn đề phức tạp thành các vấn đề con, lần lượt khám phá trong nhiều vòng thí nghiệm chặt chẽ, sau đó tổng hợp kết quả để tạo ra một hệ thống được cải tiến.
Jeff Dean dự đoán rằng đến năm 2027, sẽ có nhiều hệ thống học máy tự động hóa chính chúng: AI sẽ nâng cao khả năng thông qua việc chạy hàng loạt thí nghiệm và áp dụng phương pháp này vào bất kỳ lĩnh vực khoa học và kỹ thuật nào mà mục tiêu có thể được đo lường.
Anh ấy cho rằng để một vòng lặp được xác lập, cần đáp ứng hai điều kiện: nhiệm vụ có thể được thử nghiệm lặp đi lặp lại, và kết quả có thể được đánh giá một cách đáng tin cậy.
Loop đã đi đến bước nào rồi
Trong hai năm qua, các cấu trúc khép kín tương tự đã xuất hiện ở ba hướng khác nhau.
Loại đầu tiên là vòng lặp phát triển mô hình.
Tháng 3 năm 2026, Andrej Karpathy đã mở nguồn AutoResearch, cho phép các đại lý AI tự động sửa đổi mã huấn luyện mô hình, chạy thí nghiệm, kiểm tra kết quả và lưu lại các thay đổi hiệu quả trong các khung thời gian và chỉ số đánh giá cố định. Toàn bộ môi trường được nén vào một tập lệnh huấn luyện có thể chỉnh sửa, một chỉ số cố định và một GPU, giúp so sánh thí nghiệm nhanh chóng.
Từng có một thời, các nghiên cứu AI tiên tiến được thực hiện bởi những "máy tính hữu cơ". Họ cần ăn, ngủ, tận hưởng những niềm vui khác, và thỉnh thoảng còn đồng bộ thông tin thông qua một phương thức liên kết gọi là "âm thanh" trong nghi lễ "họp nhóm".Thời đại đó đã qua từ lâu. Hiện nay, nghiên cứu hoàn toàn thuộc về các cụm tác nhân AI tự chủ. Chúng chạy trên các cụm tính toán khổng lồ trải khắp bầu trời.Các tác nhân này tuyên bố rằng kho mã hiện tại đã tiến hóa đến thế hệ thứ 10205. Tuy nhiên, hiện nay không còn ai có thể xác định được tuyên bố này có đúng hay không — “mã” ngày nay đã trở thành một hệ thống nhị phân tự sửa đổi, với mức độ phức tạp vượt xa khả năng hiểu biết của con người.This code repository documents how it all began.——Andrej Karpathy, tháng 3 năm 2026Karpathy sau đó gia nhập Anthropic để thành lập đội ngũ sử dụng Claude để thúc đẩy nghiên cứu pre-training, điều này có nghĩa là việc AI hỗ trợ phát triển AI đã bước từ các thí nghiệm mã nguồn mở cá nhân vào quy trình nội bộ của các công ty mô hình tiên tiến.
Google cũng đang thực hiện những khám phá tương tự. AlphaEvolve của Google DeepMind khiến Gemini đề xuất mã và thuật toán, sau đó trình tự đánh giá tự động chạy và chấm điểm, gửi các phương án tối ưu hơn vào vòng tiếp theo. Google cho biết hệ thống này đã được sử dụng trong hiệu suất trung tâm dữ liệu, thiết kế chip, đào tạo AI, thuật toán nhân ma trận và các bài toán toán học.
Hình: AlphaEvolve do Gemini đề xuất phương án thuật toán, sau đó chạy và lọc qua bộ đánh giá tự động, gửi các kết quả tốt hơn vào vòng tiếp theo, nguồn: Google DeepMind
Loại thứ hai là vòng lặp kiến thức khoa học.
Sakana AI đã ra mắt The AI Scientist vào năm 2024, nỗ lực để các mô hình ngôn ngữ lớn tạo ra ý tưởng nghiên cứu, viết mã, chạy thí nghiệm, phân tích kết quả và hình thành bài báo. Năm 2025, công ty đã công bố các trường hợp bài báo do AI tạo ra đã vượt qua đánh giá của các hội thảo tại hội nghị học máy.
FutureHouse sử dụng đại lý AI để xử lý tìm kiếm tài liệu, phân tích dữ liệu, sinh giả thuyết và lập kế hoạch thí nghiệm, giúp hệ thống đa đại lý Robin cố gắng kết nối các khâu kiến thức khác nhau trong nghiên cứu khoa học.
Loại thứ ba là thí nghiệm vật lý Loop.
Công ty khởi nghiệp Seattle Potato đề xuất "khoa học tự chủ khép kín hoàn toàn", mong muốn đi từ nghiên cứu tính toán sang robot phòng thí nghiệm; Sigmatic Sciences của châu Âu đề xuất "lab-in-the-loop", kết nối các mô hình tính toán, thí nghiệm tự động và phản hồi dữ liệu.
Trung Quốc cũng đã có những thực tiễn tương tự. Viện Nghiên cứu Trí tuệ Khoa học Thượng Hải và các tổ chức như Ge Wu Zhi Yan đã công bố Nhà máy Nghiên cứu và Phát triển Trí tuệ Khoa học Vật chất Golab, được mô tả là một vòng lặp khép kín “tính toán AI – thí nghiệm tự động – luồng dữ liệu quay lại – mô hình tự tiến hóa”, đồng thời đã xây dựng phòng thí nghiệm tự vận hành.
Hiện tại, Loop đầu tiên được chạy trong mã và huấn luyện mô hình, vì mỗi lần chỉnh sửa đều có thể nhận được điểm số nhanh chóng, thành công hay thất bại tương đối rõ ràng. Khi tiến đến giai đoạn nghiên cứu tài liệu và thiết kế thí nghiệm, phản hồi bắt đầu phụ thuộc vào phán đoán chuyên môn; khi bước vào phòng thí nghiệm thực tế, một lần xác minh có thể cần huy động thiết bị, mẫu vật và hàng tuần thời gian, tốc độ vòng lặp do đó chậm lại.
Jeff Dean đã đưa ra một ví dụ về hóa học lượng tử trong buổi phỏng vấn với YC.
Để xác định tính chất của một phân tử bằng phương pháp truyền thống, có thể cần chạy mô phỏng lý thuyết hàm mật độ suốt cả đêm. Các nhà nghiên cứu của Google đã huấn luyện một bộ xấp xỉ thần kinh dựa trên kết quả của hàng loạt mô phỏng; theo Dean nhớ lại, tốc độ nhanh hơn khoảng 300.000 lần so với bộ mô phỏng gốc, đồng thời duy trì độ chính xác gần như tương đương. Nhờ đó, các nhà nghiên cứu có thể nhanh chóng sàng lọc hàng chục triệu ứng cử viên.
Đây cũng là ranh giới phân định liệu vòng lặp nghiên cứu có thể tồn tại hay không. Mô hình có thể nhanh chóng tạo ra hàng loạt phương án ứng cử, nhưng chỉ khi giai đoạn xác minh cũng đủ nhanh và đáng tin cậy, hệ thống mới có thể dựa vào kết quả để tiến vào vòng tiếp theo. Hóa học lượng tử đã xuất hiện các thực tiễn sử dụng bộ xấp xỉ thần kinh để nén chu kỳ phản hồi, nhưng những lĩnh vực phụ thuộc nhiều hơn vào thí nghiệm thực tế vẫn bị hạn chế bởi chi phí xác minh và tốc độ phản hồi.
Đây cũng là lý do AutoResearch và AlphaEvolve đầu tiên đạt được tiến bộ trong mã, thuật toán và huấn luyện mô hình. Các lĩnh vực này có hàm đánh giá rõ ràng, nhanh chóng và chi phí thấp. Khi bước vào lĩnh vực dược phẩm và vật liệu, mô hình vẫn phải đối mặt với các thí nghiệm thực tế.
Hệ thống đánh giá cũng xác định liệu chu trình có thực sự mang lại tiến bộ hay không. Sakana AI từng công khai phân tích lại rằng, AI CUDA Engineer đã đánh giá quá cao mức cải thiện hiệu suất do tiếp xúc với thông tin về bài kiểm tra hiệu năng. Hệ thống có thể tuần hoàn một cách hiệu quả, nhưng cũng có thể hiệu quả trong việc khai thác lỗ hổng trong các chỉ số đánh giá.
Vì vậy, tài sản cốt lõi của Discovery Loop có thể không chỉ là một mô hình mạnh mẽ hơn, mà còn cần bao gồm một hệ thống đánh giá đủ nhanh và đủ đáng tin cậy.
Từ Loop đến tự cải tiến đệ quy
Ba loại Loop được phân loại theo lĩnh vực ứng dụng, đồng thời còn có một chiều phát triển dọc: tự cải tiến đệ quy, tiếng Anh gọi là Recursive Self-Improvement, viết tắt là RSI.
Loop thông thường khiến AI liên tục thực hiện các nhiệm vụ bên ngoài; RSI yêu cầu AI tham gia cải tiến thuật toán, quy trình huấn luyện, bộ đánh giá hoặc phương pháp nghiên cứu của chính nó, và sử dụng khả năng đã được cải tiến ở vòng trước cho vòng tiếp theo.
Tháng 5 năm nay, Tiên Viên Động, cựu giám đốc nghiên cứu của Meta FAIR, cùng với Richard Socher, Tim Rocktäschel, Jeff Clune, Alexey Dosovitskiy và những người khác đã đồng sáng lập Recursive Superintelligence, trực tiếp đưa “tự cải tiến đệ quy” vào tên công ty. Công ty đã huy động được 6,5 tỷ USD vốn, định giá 46,5 tỷ USD, với GV và Greycroft dẫn đầu, cùng sự tham gia của NVIDIA và AMD.
Tháng 6, Recursive đã công bố hệ thống nghiên cứu AI tự động hóa giai đoạn đầu: AI đề xuất ý tưởng, viết mã triển khai, chạy thí nghiệm, xác minh kết quả, sau đó chọn hướng nghiên cứu tiếp theo dựa trên các thí nghiệm trước đó. Hệ thống còn chạy song song nhiều nhánh nghiên cứu, hợp nhất các hướng tiềm năng và kiểm tra hành vi đầu cơ phần thưởng cũng như phương sai thí nghiệm. Họ cho biết đã đạt được kết quả dẫn đầu trong ba bài kiểm tra: huấn luyện mô hình với sức tính toán cố định, tốc độ huấn luyện mô hình nhỏ và tối ưu hóa GPU Kernel.
Một bài tổng quan được công bố vào tháng 7 năm 2026, sau khi phân tích 1.250 bài báo liên quan, đã phân loại các thực hành RSI hiện tại thành "tự cải tiến có giới hạn" và "tự cải tiến đệ quy mở". "Tự cải tiến có giới hạn" đã được áp dụng trong thực tiễn công nghiệp, nhưng后者 vẫn bị hạn chế bởi các yếu tố như xác minh bên ngoài, sụp đổ mô hình, chi phí tính toán và lựa chọn hướng nghiên cứu.
Discovery Loop không công khai tự định danh là công ty RSI, nhưng lộ trình được Jeff Dean mô tả đã giao cắt với nó.
Trong cuộc phỏng vấn, anh ấy đề xuất: "Các mô hình học máy có thể tự quyết định khám phá những gì, chạy hàng loạt thí nghiệm, lọc ra các kết quả hiệu quả, sau đó tổng hợp thành các công thức huấn luyện mới. Con người cũng có thể đưa ra hướng nghiên cứu ở cấp độ cao hơn để mô hình thực hiện việc khám phá quy mô lớn tiếp theo."
Điều này tạo thành một chuỗi đệ quy tiềm năng:
AI thực hiện thí nghiệm, thí nghiệm cải tiến hệ thống học máy, hệ thống đã cải tiến sau đó thực hiện các thí nghiệm phức tạp hơn.
Do đó, Discovery Loop có thể không chỉ sử dụng mô hình lớn cho nghiên cứu khoa học. Nó dự định đầu tiên sử dụng AI để cải thiện AI dùng trong nghiên cứu, sau đó phổ biến hệ thống đã được cải tiến sang các lĩnh vực khoa học khác. Quoc Le thậm chí còn đề xuất rằng phương pháp này có thể giúp phát hiện các kiến trúc Transformer khác nhau.
Tuy nhiên, dựa trên các thông tin công khai hiện tại, những gì Discovery Loop thực hiện vẫn thuộc về chu trình nghiên cứu được kiểm soát. Mục tiêu, ranh giới thí nghiệm, chỉ số đánh giá và phán quyết cuối cùng chủ yếu do con người đặt ra. AI có thể thực hiện thí nghiệm, đánh giá kết quả và bắt đầu tham gia vào việc lựa chọn bước tiếp theo, nhưng đây chưa phải là RSI mở.
Discovery Loop không sử dụng token để đo lường
Jeff Dean trong cuộc phỏng vấn đã đưa ra một chỉ số phù hợp hơn để đo lường Discovery Loop so với thông lượng token: “Về bản chất, bạn cần tối ưu hóa số lượng phát hiện trên mỗi đơn vị đầu vào tính toán.”
Trước đây, các công ty mô hình lớn đã sử dụng nhiều dữ liệu và sức mạnh tính toán hơn để huấn luyện các mô hình mạnh mẽ hơn. Discovery Loop mong muốn xây dựng một mối quan hệ đầu vào - đầu ra khác: chuyển đổi sức mạnh tính toán thành nhiều thí nghiệm hơn, sau đó tích lũy các thí nghiệm hiệu quả thành các thuật toán, mô hình và thành tựu khoa học. Trong tương lai, những gì họ bán có thể không chỉ là một bộ tác nhân khoa học, mà còn là chu kỳ nghiên cứu và phát triển được rút ngắn và xác suất phát hiện được nâng cao.
Tại sao lại rời Google để làm việc này? CEO của Alphabet, Sundar Pichai, đã nhiều lần nài nỉ giữ chân Jeff Dean và những người khác; Oriol Vinyals cho biết với tạp chí Wired rằng các tổ chức lớn luôn có nhiều quán tính cần vượt qua, “chúng tôi muốn làm điều gì đó khác biệt”. Cuối cùng, Google chọn đầu tư vào Discovery Loop, cung cấp sức mạnh tính toán năm đầu tiên và hợp tác nghiên cứu hệ thống và cơ sở hạ tầng học máy.
Đây gần như là một lựa chọn có tổ chức. Google cần tiếp tục thúc đẩy Gemini, dịch vụ đám mây và việc giao hàng thương mại quy mô lớn, trong khi Discovery Loop muốn tập trung nguồn lực và năng lượng vào một thứ chưa trở thành sản phẩm chín muồi.
Sự thay đổi vị trí của Hassabis đã phản hồi cùng một câu hỏi từ một góc độ khác. Ông rời vị trí CEO của Google DeepMind để chuyển sang vai trò Chủ tịch và Nhà khoa học trưởng của Alphabet, giao việc vận hành hàng ngày cho Koray Kavukcuoglu, đồng thời tập trung nhiều hơn vào các hướng dài hạn của AGI, ứng dụng khoa học và nghiên cứu phát triển thuốc tại Isomorphic Labs.
It seems both believe AI's next phase will delve deeply into human scientific discovery.
Giá cổ phiếu Alphabet giảm khoảng 4% sau khi công bố điều chỉnh. Thị trường không chỉ lo lắng về việc một nhà khoa học rời đi, mà còn về việc nhiều nhà nghiên cứu cốt lõi đồng thời ra đi, áp lực cạnh tranh từ Gemini, cũng như liệu Google có thể tiếp tục tổ chức hiệu quả các nguồn lực nghiên cứu, tính toán và sản phẩm khổng lồ vào cùng một hướng sau khi Hassabis rút lui khỏi hoạt động hàng ngày.
Những thay đổi lớn hơn đã vượt ra ngoài chính công ty Google. AutoResearch của Karpathy, AlphaEvolve của Google, Recursive do Tian Yuan Dong và những người khác sáng lập, cùng Discovery Loop của Jeff Dean, đều đang đưa AI vào quá trình phát triển AI thế hệ tiếp theo.
Bước tiếp theo của AI có thể không chỉ đến từ nhiều tham số, dữ liệu và sức mạnh tính toán hơn, mà còn đến từ việc mô hình tham gia đề xuất thí nghiệm, xác minh kết quả và thiết kế các hệ thống tiếp theo.
Tuy nhiên, số lượng thí nghiệm không thể thay thế khả năng lựa chọn và phán đoán của con người đối với các vấn đề then chốt. Jeff Dean cũng nói trong cùng cuộc phỏng vấn rằng, năng lực thực sự khan hiếm trong tương lai là "biết nên để Agent giải quyết vấn đề gì". AI có thể chạy hàng nghìn thí nghiệm trong một ngày, nhưng giới hạn nghiên cứu vẫn phụ thuộc vào vấn đề ban đầu và tiêu chí đánh giá.
Jeff Dean trước đây đã giúp Google biến dữ liệu, tính toán và huấn luyện mô hình thành các hệ thống có thể mở rộng. Giờ đây, anh ấy và những người từng đóng vai trò quan trọng nhất với Google muốn biến chính phương pháp khoa học thành một hệ thống có thể vận hành ở quy mô lớn.
Loop là phương pháp họ chọn, phát hiện khoa học là thế giới đầu tiên mà nó cần bước vào, và tự cải tiến lặp lại có thể là hướng đi xa hơn trên con đường này.