ഗൂഗിളിന്റെ ഇതിഹാസ എഞ്ചിനീയറായ ജെഫ് ഡീൻ (Jeff Dean), പരീക്ഷണങ്ങൾക്കായി വൻതോതിലുള്ള കമ്പ്യൂട്ടിംഗ് ശേഷി ഉപയോഗപ്പെടുത്തി ശാസ്ത്രീയ രീതികളെ പുനർനിർവചിക്കാൻ ലക്ഷ്യമിടുന്ന 'Discovery Loop' എന്ന പുതിയ കമ്പനി ആരംഭിക്കുന്നതിനായി ഗൂഗിളിനോട് വിടപറയുന്നു.
Google, DeepMind എന്നിവയിൽ നിന്നുള്ള കരുത്തുറ്റ ഒരു ടീം
ഗൂഗിളിന്റെ 30-ാമത്തെ ജീവനക്കാരനായിരുന്ന ഡീൻ, കമ്പനിയുടെ സെർച്ച് ഇൻഫ്രാസ്ട്രക്ചർ നിർമ്മിക്കുന്നതിനും Gemini-യുടെ മൾട്ടിമോഡൽ മോഡലുകൾ വികസിപ്പിക്കുന്നതിനും സഹായിച്ചിട്ടുണ്ട്. അദ്ദേഹം കമ്പനിയുടെ CEO ആയിരിക്കും.
ഗവേഷകരുടെ ഒരു "ഡ്രീം ടീമിനെ" അദ്ദേഹം കൂടെക്കൂട്ടുന്നു: സീനിയർ ഫെല്ലോയും പ്രശസ്ത എഞ്ചിനീയറുമായ സഞ്ജയ് ഘേമാവാട്ട് (Sanjay Ghemawat); Google Brain-ന്റെ സ്ഥാപക അംഗമായ ക്വോക് ലെ (Quoc Le); DeepMind-ലെ സീനിയർ റിസർച്ച് സയന്റിസ്റ്റായ ഒറിയോൾ വിന്യൽസ് (Oriol Vinyals). ഡിസ്ട്രിബ്യൂട്ടഡ് സിസ്റ്റംസ്, ന്യൂറൽ നെറ്റ്വർക്കുകൾ, റൈൻഫോഴ്സ്മെന്റ് ലേണിംഗ് എന്നിവയിലുള്ള ഇവരുടെ വൈദഗ്ധ്യം, Discovery Loop സാങ്കേതികമായി സങ്കീർണ്ണമായ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ പോകുന്നതിന്റെ സൂചനയാണ്.
ഓട്ടോമേറ്റഡ് പരീക്ഷണങ്ങളിലൂടെ ശാസ്ത്രത്തെ വേഗത്തിലാക്കുന്നു
ഗവേഷണങ്ങളിലെ "മനുഷ്യ ഇടപെടൽ മൂലമുള്ള തടസ്സങ്ങൾ" (human bottleneck) ഇല്ലാതാക്കാൻ ലക്ഷ്യമിടുന്ന ഒരു പബ്ലിക് ബെനഫിറ്റ് കോർപ്പറേഷനായാണ് Discovery Loop രൂപീകരിച്ചിരിക്കുന്നത്. പരമ്പരാഗത ലാബുകൾ ഒരു സിദ്ധാന്തം (hypothesis), പരീക്ഷണം, വിശകലനം, തീരുമാനം എന്നിങ്ങനെ സാവധാനത്തിലുള്ള ഒരു ഘട്ടങ്ങളിലൂടെയാണ് മുന്നോട്ട് പോകുന്നത്. ആയിരക്കണക്കിന് പരീക്ഷണങ്ങൾ ഒരേസമയം ആരംഭിക്കാൻ കഴിയുന്ന "ഹൈ-ഓക്റ്റെയ്ൻ അൽഗോരിതങ്ങൾ" ഉപയോഗിച്ച് ഈ രീതിയെ മാറ്റിയെടുക്കാൻ സ്റ്റാർട്ടപ്പ് ആഗ്രഹിക്കുന്നു.
ഇതിന്റെ പ്രധാന ലക്ഷ്യങ്ങൾ രണ്ട് കാര്യങ്ങളാണ്:
- പരീക്ഷണാത്മക പ്രക്രിയകൾ ഓട്ടോമേറ്റ് ചെയ്യുക – സിദ്ധാന്തങ്ങൾ രൂപീകരിക്കുക, പരീക്ഷിക്കുക, പരിഷ്കരിക്കുക എന്നിവ നിയന്ത്രിക്കാൻ AI ഉപയോഗിക്കുക വഴി ഡാറ്റയുടെ അളവും ഗുണനിലവാരവും വർദ്ധിപ്പിക്കുക.
- റിക്കേസീവ് സെൽഫ് ഇംപ്രൂവ്മെന്റ് (Recursive self-improvement) – കൂടുതൽ ശക്തമായ AI രൂപകൽപ്പന ചെയ്യാൻ സഹായിക്കുന്ന AI നിർമ്മിക്കുക, ഇതിലൂടെ മനുഷ്യന്റെ ഇടപെടൽ കുറയ്ക്കുകയും നവീകരണത്തിന്റെ വേഗത ഗണ്യമായി വർദ്ധിപ്പിക്കുകയും ചെയ്യുക.
അടുത്ത AI വിപ്ലവത്തിന് വൻതോതിലുള്ള പിന്തുണ
Alphabet ആണ് ഇതിന്റെ സീഡ് റൗണ്ടിൽ പണം നൽകുന്നത്; Radical Ventures, Khosla Ventures എന്നിവർ ഇതിന് നേതൃത്വം നൽകുന്നു. Kleiner Perkins, Lightspeed, Doerr Capital എന്നിവരും ഇതിൽ പങ്കാളികളായിട്ടുണ്ട്.
അടുത്ത AI തരംഗം ലാർജ് ലാംഗ്വേജ് മോഡലുകൾക്ക് അപ്പുറത്തേക്ക് നീങ്ങുമെന്നും, ഗവേഷണങ്ങൾ നടത്താനും ഭൗതികവും ഡിജിറ്റലുമായ മുന്നേറ്റങ്ങൾ കൊണ്ടുവരാനും കഴിയുന്ന "ഏജൻറ്റിക്" (agentic) സിസ്റ്റങ്ങളിലേക്ക് മാറുമെന്നുമുള്ള വളരുന്ന വിശ്വാസമാണ് ഈ നിക്ഷേപത്തിലൂടെ വ്യക്തമാകുന്നത്.
എന്തുകൊണ്ടാണ് ഇത് AI മേഖലയിൽ പ്രധാനമാകുന്നത്?
ഡീനിന്റെ ഈ മാറ്റം "AI ഫോർ കണ്ടന്റ്" (AI for content) എന്നതിൽ നിന്ന് "AI ഫോർ ഡിസ്കവറി" (AI for discovery) എന്നതിലേക്കുള്ള മാറ്റത്തെ സൂചിപ്പിക്കുന്നു. കഴിഞ്ഞ രണ്ട് വർഷങ്ങളിൽ ജനറേറ്റീവ് AI ആണ് ആധിപത്യം പുലർത്തിയതെങ്കിലും, Discovery Loop AI-യും കഠിനമായ ശാസ്ത്രശാഖകളും (hard sciences) തമ്മിലുള്ള സംഗമസ്ഥാനത്താണ് നിലകൊള്ളുന്നത്. ഇത് വിജയിക്കുകയാണെങ്കിൽ, മരുന്ന് കണ്ടുപിടുത്തം (drug discovery), മെറ്റീരിയൽ സയൻസ്, ഊർജ്ജ ഗവേഷണം എന്നിവയുടെ വേഗത ഗണ്യമായി വർദ്ധിക്കുകയും മനുഷ്യരാശി നേരിടുന്ന കഠിനമായ സാങ്കേതിക വെല്ലുവിളികളെ നേരിടുന്ന രീതിയെ തന്നെ മാറ്റിയെടുക്കുകയും ചെയ്യും.
പ്രധാന വിവരങ്ങൾ
- പ്രഗത്ഭരായ വിദഗ്ധരുടെ മാറ്റം – ജെഫ് ഡീൻ, സഞ്ജയ് ഘേമാവാട്ട്, ക്വോക് ലെ, ഒറിയോൾ വിന്യൽസ് എന്നിവർ Discovery Loop രൂപീകരിക്കുന്നതിനായി ഗൂഗിളിൽ നിന്ന് പുറത്തേക്ക് പോകുന്നു.
- ഓട്ടോമേറ്റഡ് സയൻസ് – മനുഷ്യ ഇടപെടൽ മൂലമുള്ള കാലതാമസം ഒഴിവാക്കാൻ സ്റ്റാർട്ടപ്പ് ആയിരക്കണക്കിന് AI അധിഷ്ഠിത പരീക്ഷണങ്ങൾ ഒരേസമയം നടത്തും.
- വൻതോതിലുള്ള മൂലധനം – Alphabet-ഉം Khosla Ventures, Radical Ventures എന്നിവയുൾപ്പെടെയുള്ള പ്രമുഖ വെഞ്ചർ ക്യാപിറ്റലിസ്റ്റുകളും ഇതിനായി ഫണ്ട് അനുവദിച്ചിട്ടുണ്ട്.
ഈ വെല്ലുവിളിക്ക പിന്നിലെ പ്രതിഭകൾ
ഗൂഗിളിന്റെ ഏറ്റവും പ്രശസ്തരായ മൂന്ന് എഞ്ചിനീയർമാരെയാണ് ഡീൻ കൂടെക്കൂട്ടുന്നത്: വെബിന്റെ ഭൂരിഭാഗവും പ്രവർത്തിപ്പിക്കാൻ സഹായിക്കുന്ന ഡിസ്ട്രിബ്യൂട്ടഡ് സിസ്റ്റംസ് നിർമ്മിച്ച സീനിയർ ഫെല്ലോ സഞ്ജയ് ഘേമാവാട്ട്; ഡീപ്പ് ലേണിംഗ് സാങ്കേതികവിദ്യകൾക്ക് തുടക്കം കുറിച്ച Google Brain-ന്റെ സ്ഥാപക അംഗമായ ക്വോക് ലെ; റൈൻഫോഴ്സ്മെന്റ് ലേണിംഗിൽ പ്രാവീണ്യമുള്ള DeepMind-ലെ സീനിയർ റിസർച്ച് സയന്റിസ്റ്റ് ഒറിയോൾ വിന്യൽസ്. വൻതോതിലുള്ള ഡാറ്റാ പ്രോസസ്സിംഗിന് അടിസ്ഥാനമായ മാപ്പ്-റിഡ്യൂസ് (map-reduce) പാരാഡൈമും ഇന്നത്തെ ലാംഗ്വേജ് മോഡലുകൾക്ക് കരുത്ത് പകരുന്ന ന്യൂറൽ നെറ്റ്വർക്കുകളും ഇവർ ചേർന്ന് നിർമ്മിച്ചവരാണ്.
സ്റ്റാർട്ടപ്പിന്റെ പദ്ധതികൾ എന്തൊക്കെയാണ്?
ലാഭത്തോടൊപ്പം തന്നെ സാമൂഹിക പ്രത്യാഘാതങ്ങളും പരിഗണിക്കാൻ Discovery Loop-ന്റെ പബ്ലിക് ബെനഫിറ്റ് ചാർട്ടർ നിർബന്ധമാക്കുന്നു. ഗവേഷണങ്ങളിലെ "മനുഷ്യ ഇടപെടൽ മൂലമുള്ള തടസ്സങ്ങൾ" ഇല്ലാതാക്കുക എന്നതാണ് ഇതിന്റെ ലക്ഷ്യം. ഒരു സാധാരണ ലാബിൽ, ഒരു ശാസ്ത്രജ്ഞൻ ഒരു സിദ്ധാന്തത്തിൽ നിന്ന് പരീക്ഷണത്തിലേക്കും വിശകലനത്തിലേക്കും അടുത്ത ഘട്ടത്തിലേക്കും നീങ്ങാൻ ആഴ്ചകളോ മാസങ്ങളോ ചിലവഴിക്കുന്നു. ഡീനിന്റെ ടീം ആഗ്രഹിക്കുന്നത് AI സിദ്ധാന്തങ്ങൾ രൂപീകരിക്കാനും ആയിരക്കണക്കിന് പരീക്ഷണങ്ങൾ ഒരേസമയം രൂപകൽപ്പന ചെയ്ത് നടത്താനും ഫലങ്ങളുടെ അടിസ്ഥാനത്തിൽ സ്വന്തം മോഡലുകൾ പരിഷ്കരിക്കാനും സാധിക്കണം എന്നാണ്.
ഇതിന്റെ റോഡ്മാപ്പ് രണ്ട് പരസ്പരബന്ധിത ലക്ഷ്യങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ഒന്നാമതായി, സിദ്ധാന്ത രൂപീകരണം മുതൽ ഡാറ്റ ശേഖരണവും വിശകലനവും വരെയുള്ള മുഴുവൻ പരീക്ഷണ പ്രക്രിയയും ഓട്ടോമേറ്റ് ചെയ്യുന്ന ഒരു പ്ലാറ്റ്ഫോം നിർമ്മിക്കുക. രണ്ടാമതായി, സ്വന്തം രൂപകൽപ്പന മെച്ചപ്പെടുത്താൻ കഴിയുന്ന AI വികസിപ്പിക്കുക, ഇതിലൂടെ ഓരോ തലമുറയും കൂടുതൽ ശേഷിയുള്ള അടുത്ത തലമുറയെ നിർമ്മിക്കാൻ സഹായിക്കുന്ന ഒരു ഫീഡ്ബാക്ക് ലൂപ്പ് സൃഷ്ടിക്കുക. ഈ പ്ലാറ്റ്ഫോം വിജയിക്കുകയാണെങ്കിൽ, വലിയ തോതിലുള്ള പരീക്ഷണാത്മക ശ്രമങ്ങൾ ആവശ്യമായ മേഖലകളായ മരുന്ന് കണ്ടുപിടുത്തം, മെറ്റീരിയൽ സയൻസ്, ഊർജ്ജ ഗവേഷണം എന്നിവയുടെ വേഗത ഗണ്യമായി വർദ്ധിക്കും.
കാഴ്ചപ്പാടിന് പിന്നിലെ മൂലധനം
Alphabet-ന്റെ സീഡ് റൗണ്ടിലെ പങ്കാളിത്തം മാതൃകമ്പനിയുടെ തന്ത്രപരമായ താൽപ്പര്യത്തെ സൂചിപ്പിക്കുന്നു. Radical Ventures, Khosla Ventures എന്നിവർ ഈ റൗണ്ടിന് നേതൃത്വം നൽകുന്നു; Kleiner Perkins, Lightspeed, Doerr Capital എന്നിവരിൽ നിന്നും കൂടുതൽ നിക്ഷേപം ലഭിക്കുന്നുണ്ട്. അടുത്ത തലമുറയിലെ AI മൂല്യം കേവലം ലാർജ് ലാംഗ്വേജ് മോഡലുകളിൽ (large language models) നിന്ന് മാത്രമല്ല, സ്വയം പ്രവർത്തിക്കാൻ കഴിയുന്ന 'ഏജന്റിക്' (agentic) സോഫ്റ്റ്വെയറുകളിൽ നിന്നായിരിക്കുമെന്ന വിശ്വാസമാണ് നിക്ഷേപകരുടെ ഈ നിര കാണിക്കുന്നത്.
വിശാലമായ AI ഇക്കോസിസ്റ്റത്തിന് ഇത് എന്തുകൊണ്ട് പ്രസക്തമാകുന്നു
Discovery Loop അതിന്റെ ലക്ഷ്യങ്ങൾ കൈവരിച്ചാൽ, അതിന്റെ സ്വാധീനം സ്വന്തം ഉൽപ്പന്നങ്ങൾക്കും അപ്പുറത്തേക്ക് വ്യാപിച്ചേക്കാം. ഫാർമസ്യൂട്ടിക്കൽ പൈപ്പ്ലൈനുകളിൽ നിന്ന് അനുയോജ്യമായ മരുന്നുകൾ കണ്ടെത്തുന്നതിനുള്ള സമയം കുറയ്ക്കുന്നത് കോടിക്കണക്കിന് ഡോളറിന്റെ ചെലവ് ലാഭിക്കാനും ജീവൻരക്ഷാ ചികിത്സകൾ രോഗികളിലേക്ക് വേഗത്തിൽ എത്തിക്കാനും സഹായിക്കും. മെറ്റീരിയൽ സയൻസിലെ വേഗത്തിലുള്ള പുരോഗതി എയറോസ്പേസ്, കൺസ്യൂമർ ഇലക്ട്രോണിക്സ് മേഖലകൾക്കായി കൂടുതൽ ഭാരം കുറഞ്ഞതും കരുത്തുറ്റതും സുസ്ഥിരവുമായ കോമ്പോസിറ്റുകൾ (composites) നൽകിയേക്കാം. മനുഷ്യനെ ചിന്തിക്കാൻ സഹായിക്കുന്ന ഒരു ഉപകരണം എന്നതിലുപരി, സ്വയം ചിന്തിക്കാൻ കഴിയുന്ന ഒരു സംവിധാനമായി AI-യെ മാറ്റുന്നതിലൂടെ, വൻതോതിലുള്ള കമ്പ്യൂട്ടിംഗ് ശേഷി (compute) താങ്ങാൻ കഴിയുന്ന സ്ഥാപനങ്ങളിലേക്ക് ഗവേഷണ അധികാരം മാറ്റാൻ ഈ സ്റ്റാർട്ടപ്പിന് സാധിച്ചേക്കും.
ചുരുക്കത്തിൽ
Discovery Loop-ന് നേതൃത്വം നൽകാനായി ഗൂഗിളിൽ നിന്ന് പുറത്തുവന്ന ജെഫ് ഡീൻ (Jeff Dean), അപൂർവ്വമായ സാങ്കേതിക വൈദഗ്ധ്യവും ആഴത്തിലുള്ള വ്യവസായ ബന്ധങ്ങളും വൻതോതിലുള്ള മൂലധനവും ഒന്നിപ്പിക്കുന്നു. ശാസ്ത്രീയ പരീക്ഷണങ്ങൾ സ്വയമേവ നടക്കുന്ന രീതിയിൽ (automate) മാറ്റാനും സ്വയം മെച്ചപ്പെടുന്ന AI നിർമ്മിക്കാനും കമ്പനി ലക്ഷ്യമിടുന്നു; ഇത് വർഷങ്ങളെടുക്കുന്ന ഗവേഷണങ്ങളെ ആഴ്ചകൾക്കുള്ളിലേക്ക് ചുരുക്കിയേക്കാം. എങ്കിലും, AI വെറുമൊരു ബുദ്ധിപരമായ ഉപകരണം എന്നതിലുപരി ഒരു ലാബ് പങ്കാളിയാകാൻ കഴിയുമെന്ന് തെളിയിക്കുന്നതിന് മുമ്പ് വലിയ സാങ്കേതികവും ലോജിസ്റ്റിക്കൽ പരവും സാംസ്കാരികവുമായ തടസ്സങ്ങൾ മറികടക്കേണ്ടതുണ്ട്. 'ഓട്ടോമേറ്റഡ് ഡിസ്കവറി' (automated discovery) എന്നത് AI-യുടെ അടുത്ത പ്രായോഗിക ഘട്ടമാണോ അതോ ലക്ഷ്യസ്ഥാനത്തിന് തൊട്ടുമുമ്പ് നിലച്ചുപോകുന്ന ഒരു ദീർഘവീക്ഷണമുള്ള ഓട്ടമാണോ എന്ന് വരും മാസങ്ങൾ വെളിപ്പെടുത്തും.