Khosla Ventures مدیریت مشترک دور جذب سرمایه اولیه Discovery Loop، استارتاپ هوش مصنوعی جف دین با هدف خودکارسازی اکتشافات علمی را بر عهده دارد

Khosla Ventures به عنوان یکی از سرمایه‌گذاران اصلی در دور جذب سرمایه اولیه Discovery Loop، یک شرکت نوپای هوش مصنوعی که توسط جف دین و مهندسان سابق گوگل تأسیس شده است، پیوسته است. این استارتاپ اعلام کرده است که با ایجاد یک چرخه بسته میان فرضیه‌سازی، اجرای آزمایش و تحلیل نتایج، به هوش مصنوعی اجازه می‌دهد هزاران آزمایش را بدون دخالت دست انسان انجام دهد.

چرا این تیم اهمیت دارد

بنیان‌گذاران این شرکت در مجموع حدود ۸۰ سال تجربه در گوگل دارند و از سازندگان TensorFlow، واحدهای پردازش تنسور (TPU) و مدل زبانی بزرگ Gemini هستند. رزومه آن‌ها نشان‌دهنده دانش عمیق در هر دو حوزه نرم‌افزار و سخت‌افزاری است که پلتفرم Discovery Loop را قدرت می‌بخشند.

سیستم «چرخه بسته» چگونه قرار است کار کند

  1. هوش مصنوعی آزمایش‌ها را پیشنهاد می‌دهد – یک مدل، داده‌های موجود را اسکن کرده و شرایط آزمایشی جدیدی را پیشنهاد می‌کند.
  2. پردازش، آزمایش‌ها را اجرا می‌کند – منابع محاسباتی در مقیاس بزرگ، پیشنهادها را چه در شبیه‌سازی و چه در یک آزمایشگاه فیزیکی، اجرا می‌کنند.
  3. بازخورد نتایج – نتایج به مدل بازمی‌گردند و مدل درک خود را به‌روزرسانی می‌کند.
  4. هزاران تغییر و تنوع – این چرخه تکرار می‌شود و جریان سریعی از آزمایش‌های جدید را تولید می‌کند.

این استارتاپ امیدوار است با خودکارسازی هر مرحله، سرعت تحقیق در حوزه‌هایی که پیشرفت کندی دارند را افزایش دهد: مواد بهتر برای باتری، مفاهیم انرژی همجوشی و تسریع در زمان‌بندی توسعه داروها.

یک مدل کسب‌وکار متمرکز

Discovery Loop به جای پراکندگی در کاربردهای مختلف هوش مصنوعی، بر علم و مهندسی تمرکز کرده است. این دامنه محدود با هدف جذب استعدادهایی است که به جای نقشه‌های راه تجاری، با چالش‌های بزرگ علمی هدایت می‌شوند. این شرکت به عنوان یک «شرکت با منافع عمومی» (public-benefit corporation) فعالیت می‌کند؛ ساختاری حقوقی که مأموریت را بر سود مقدم می‌دارد و می‌تواند برای مهندسانی که به دنبال هدفمند بودن کار خود هستند، جذاب باشد.

دیدگاه سرمایه‌گذاران

Khosla Ventures تأثیر بالقوه فناوری Discovery Loop را با مدل‌های زبانی بزرگ مقایسه می‌کند که تولید محتوا، کدنویسی و خدمات مشتریان را متحول کرده‌اند. اگر این چرخه بتواند به‌طور قابل‌اعتمادی بینش‌های علمی مفیدی تولید کند، بازده اقتصادی و اجتماعی آن می‌تواند در همان سطح باشد.

موانع پیش رو

خودکارسازی فرآیند اکتشاف همچنان حل‌نشده باقی مانده است. آزمایش‌ها اغلب به دانش تخصصی دقیق، تجهیزات ویژه و پروتکل‌های ایمنی نیاز دارند که کدگذاری آن‌ها در نرم‌افزار دشوار است. منتقدان هشدار می‌دهند که یک رویکرد صرفاً الگوریتمی ممکن است بینش‌های تصادفی و الهام‌بخشی را که شهود انسانی فراهم می‌کند، از دست بدهد. همچنین، اجرای چرخه‌های محاسباتی عظیم برای آزمایش‌های فیزیکی، بدون وجود مسیرهای درآمدی مشخص، خطر بسیار گران شدن را به همراه دارد.

چه مواردی را باید زیر نظر داشت

  • نقاط عطف دمو – نتایج اولیه اثبات مفهوم در هر یک از حوزه‌های هدف (مواد، همجوشی، داروسازی).
  • مشارکت‌ها – همکاری با آزمایشگاه‌های دانشگاهی یا گروه‌های تحقیق و توسعه صنعتی که می‌توانند آزمایش‌های فیزیکی را فراهم کنند.
  • نظارت‌های قانونی – به‌ویژه برای خطوط تولید کشف دارو که نظارت بر آن‌ها سخت‌گیرانه است.
  • دورهای جذب سرمایه – تأمین مالی در مراحل بعدی، نشان‌دهنده اعتماد سرمایه‌گذاران با بلوغ فناوری خواهد بود.

اگر Discovery Loop بتواند چشم‌انداز چرخه بسته خود را به پیشرفت‌های تکرارپذیر تبدیل کند، می‌تواند نحوه انجام تحقیقات را بازتعریف کند. چند ماه آینده نشان خواهد داد که آیا قدرت هوش مصنوعی و جاه‌طلبی علمی می‌توانند به این وعده عمل کنند یا خیر.