Il leggendario ingegnere di Google Jeff Dean lascia il colosso della ricerca per fondare Discovery Loop, un'azienda che cercherà di riscrivere il modo in cui viene fatta la scienza, applicando una potenza di calcolo massiccia agli esperimenti.
Un team d'élite da Google e DeepMind
Dean è stato il 30° dipendente di Google e ha contribuito a costruire la sua infrastruttura di ricerca e i modelli multimodali di Gemini. Sarà il CEO.
Porta con sé una "dream team" di ricercatori: Sanjay Ghemawat, senior fellow e celebre ingegnere; Quoc Le, membro fondatore di Google Brain; e Oriol Vinyals, senior research scientist presso DeepMind. I loro curricula spaziano dai sistemi distribuiti alle reti neurali e all'apprendimento per rinforzo (reinforcement learning), segnale che Discovery Loop affronterà problemi tecnicamente complessi.
Accelerare la scienza attraverso l'esperimentazione automatizzata
Discovery Loop è organizzata come una "public-benefit corporation" che mira a abbattere il "collo di bottiglia umano" nella ricerca. I laboratori tradizionali procedono attraverso un ciclo lento e sequenziale di ipotesi, esperimento, analisi e decisione. La startup vuole sostituire questo processo con "algoritmi ad alto numero di ottani" in grado di lanciare migliaia di esperimenti contemporaneamente.
La sua tesi centrale ha due obiettivi audaci:
- Automazione dei cicli sperimentali – utilizzare l'IA per gestire la generazione di ipotesi, i test e il perfezionamento, aumentando sia la quantità che la qualità dei dati.
- Auto-miglioramento ricorsivo – costruire un'IA che aiuti a progettare un'IA ancora più potente, eliminando l'intervento umano dal ciclo e accelerando l'innovazione in modo esponenziale.
Un enorme sostegno per la prossima frontiera dell'IA
Alphabet sta sostenendo il round seed, co-guidato da Radical Ventures e Khosla Ventures. Hanno partecipato anche Kleiner Perkins, Lightspeed e Doerr Capital.
I capitali riflettono la crescente convinzione che la prossima ondata di IA andrà oltre i grandi modelli linguistici, puntando verso sistemi "agentic" capaci di condurre ricerche e guidare scoperte fisiche e digitali.
Perché questo è importante per il panorama dell'IA
La partenza di Dean segna uno spostamento dall' "IA per i contenuti" all' "IA per la scoperta". Mentre l'IA generativa ha dominato gli ultimi due anni, Discovery Loop si posiziona all'intersezione tra l'IA e le scienze dure. Se avrà successo, la scoperta di farmaci, la scienza dei materiali e la ricerca energetica potrebbero accelerare drasticamente, rimodellando il modo in cui l'umanità affronta le sue sfide tecniche più difficili.
Punti chiave
- Esodo di talenti d'élite – Jeff Dean, Sanjay Ghemawat, Quoc Le e Oriol Vinyals lasciano Google per fondare Discovery Loop.
- Scienza automatizzata – la startup eseguirà migliaia di esperimenti guidati dall'IA in parallelo per superare i colli di bottiglia umani.
- Forti capitali – Alphabet e una serie di importanti VC, tra cui Khosla Ventures e Radical Ventures, hanno impegnato finanziamenti.
Il talento dietro la scommessa
Dean porta con sé tre degli ingegneri più celebrati di Google: Sanjay Ghemawat, senior fellow che ha costruito i sistemi distribuiti che alimentano gran parte del web; Quoc Le, membro fondatore di Google Brain che ha fatto da pioniere nelle tecniche di deep learning; e Oriol Vinyals, senior research scientist presso DeepMind con una comprovata esperienza nell'apprendimento per rinforzo. Insieme hanno costruito il paradigma map-reduce che sta alla base dell'elaborazione dei dati su larga scala e le reti neurali che alimentano gli odierni modelli linguistici.
Cosa intende fare la startup
Lo statuto di "public-benefit corporation" di Discovery Loop la obbliga a valutare l'impatto sociale insieme al profitto. La sua missione è eliminare il "collo di bottiglia umano" nella ricerca. In un laboratorio tipico, uno scienziato trascorre settimane o mesi passando dall'ipotesi all'esperimento, dall'analisi al passaggio successivo. Il team di Dean vuole che l'IA generi ipotesi, progetti ed esegua migliaia di esperimenti in parallelo e perfezioni i propri modelli in base ai risultati.
La tabella di marcia si concentra su due obiettivi intrecciati. Primo, costruire una piattaforma che automatizzi l'intero processo sperimentale, dalla generazione di ipotesi alla raccolta e all'analisi dei dati. Secondo, sviluppare un'IA in grado di migliorare il proprio design, creando un ciclo di feedback in cui ogni generazione aiuta a costruire un successore più capace. Se la piattaforma funzionerà, settori che si basano su massicci tentativi ed errori — come la scoperta di farmaci, la scienza dei materiali e la ricerca energetica — potrebbero accelerare drasticamente.
I capitali dietro la visione
La partecipazione di Alphabet al seed round segnala l'interesse strategico della società madre. Radical Ventures e Khosla Ventures co-guidano il round, con ulteriori investimenti da parte di Kleiner Perkins, Lightspeed e Doerr Capital. L'elenco degli investitori dimostra la convinzione che la prossima ondata di valore dell'IA deriverà da software "agentici" in grado di agire autonomamente, e non solo dai grandi modelli linguistici.
Perché è importante per l'ecosistema dell'IA nel suo complesso
Se Discovery Loop manterrà le promesse, l'impatto potrebbe estendersi ben oltre i propri prodotti. Ridurre i tempi per identificare un candidato farmaceutico valido potrebbe far risparmiare miliardi alle pipeline farmaceutiche e portare trattamenti salvavita ai pazienti più velocemente. Una rapida iterazione nella scienza dei materiali potrebbe produrre compositi più leggeri, resistenti e sostenibili per l'aerospazio e l'elettronica di consumo. Spostando l'IA da strumento che aiuta gli esseri umani a pensare a un sistema capace di pensare autonomamente, la startup potrebbe spostare il potere della ricerca verso le organizzazioni in grado di permettersi una potenza di calcolo massiccia.
In sintesi
L'uscita di Jeff Dean da Google per guidare Discovery Loop mette insieme una rara competenza tecnica, profonde connessioni nel settore e un capitale sostanziale. L'azienda punta ad automatizzare il ciclo degli esperimenti scientifici e a creare un'IA capace di auto-migliorarsi, comprimendo potenzialmente anni di ricerca in poche settimane. Tuttavia, dovrà superare significativi ostacoli tecnici, logistici e culturali prima di dimostrare che l'IA possa diventare davvero un partner di laboratorio piuttosto che un semplice strumento ingegnoso. I prossimi mesi riveleranno se la "scoperta automatizzata" sia un passo successivo realistico per l'IA o uno sprint visionario che si arresta prima del traguardo.