Skoro każde laboratorium już używa AI do poprawiania AI, to czym tu się różni Discovery Loop?
Pierwsza reakcja jest uczciwa. OpenAI, Anthropic, Google, xAI, kogo chcesz. Wszyscy mówią o rekurencyjnym samoulepszaniu. Wszyscy chcą modelu, który napisze lepszy model. Po co więc cztery osoby wychodzą z najbogatszego laboratorium na ziemi, żeby robić to, co cała branża i tak deklaruje?
Bo oni nie budują następnego ogólnego asystenta. Budują pętlę, która prowadzi badania, a pierwszym klientem jest ich własny stos badawczy.
Laboratoria frontu trenują jeden wielki fundament i liczą, że AGI z niego wypadnie. Najpierw czat, nauka może później. Discovery Loop odwraca kolejność. Automatyzuje sam cykl eksperymentu. Hipoteza, wdrożenie, ocena, następny zakład. Tysiące takich cykli naraz. Ta machina najpierw idzie w uczenie maszynowe, aż pojawi się architektura, która nie jest po prostu grubszym transformatorem. Potem ta sama pętla idzie w leki, chipy, materiały, biologię. Model ma być badaczem, nie stażystą, który pisze maila, kiedy badacz skończy.
Bliżej AlphaFold niż ChatGPT
Tej części ludzie stale nie łapią. AlphaFold nie był chatbotem, który akurat znał białka. Był systemem wycelowanym w jeden brzydki, drogi problem, aż pokonał całą dziedzinę. DeepMind później rozmontował sporo tej specjalistycznej formy i pchnął ludzi w stronę Gemini. Spór w branży brzmi teraz tak: czy następny skok wygląda jak kolejny model ogólny, czy jak fabryka wąskich, głębokich pętli.
Vinyals mówi wprost o prawdziwym wąskim gardle. Modele już kodują. Już całkiem nieźle odpalają eksperymenty. Brakuje im gustu badawczego: instynktu, który pomysł w ogóle zasługuje na compute. Tego nikt nie rozwiązał. Więc wczesny plan Discovery Loop jest nienabuzowany. Ludzie i maszyny wymyślają hipotezy razem. Pełna automatyzacja to późniejszy rozdział, nie komunikat prasowy.
Zaraz. To nie jest po prostu AutoML z lepszym brandingiem i plotką o pięćdziesięciu miliardach wyceny?
AutoML-Zero dosłownie jest w życiorysie Quoc Le, więc pokrewieństwo jest prawdziwe. Różnica, którą sprzedają, to skala plus cel. Nie przeszukiwanie układów sieci pod jeden benchmark. Zamknięta pętla, która proponuje, wdraża, ocenia i powtarza w całym programie badawczym, najpierw na samym ML, potem na problemach fizycznych, gdzie eksperyment to nie kolejny przebieg treningu. Projekt chipa. Cząsteczka. Materiał. Jeśli to brzmi jak to samo zdanie, które każde lab teraz wstawia do keynote'u, spójrz na organigram. Keynote może krzyczeć "AI dla nauki", a karty graficzne i tak stoją przy chatbocie.
Jest jeszcze konstrukcja firmy. Public benefit corporation. Dean mówił, że mogą podjąć decyzje, które nie są w najczystszym interesie finansowym spółki. To albo szczere, albo bardzo dobre zdanie na slajdzie dla funduszy. Tak czy siak, to inny zestaw więzów niż laboratorium, które musi dowieźć Gemini 4, utrzymać Search i wyjaśnić capex na conference callu.
Więc różnica nie polega na tym, że "odkryli samoulepszanie, a reszta nie". Różnica polega na tym, czym świadomie nie chcą być. Nie model ogólny z działem nauki z boku. Maszyna do nauki, która traktuje lepsze AI jako pierwszy eksperyment, nie jako produkt.