Jeff Dean วิศวกรระดับตำนานของ Google กำลังจะลาออกจากยักษ์ใหญ่ด้านการค้นหาเพื่อก่อตั้ง Discovery Loop บริษัทที่จะพยายามเขียนนิยามใหม่ของการทำวิทยาศาสตร์ด้วยการใช้พลังการประมวลผลมหาศาลในการทดลอง
ทีมระดับทรงพลังจาก Google และ DeepMind
Dean เป็นพนักงานคนที่ 30 ของ Google และมีส่วนช่วยสร้างโครงสร้างพื้นฐานการค้นหาและโมเดลแบบ multimodal ของ Gemini เขาจะดำรงตำแหน่ง CEO
เขาพาทีมวิจัยระดับ "dream team" มาด้วย ได้แก่: Sanjay Ghemawat, senior fellow และวิศวกรชื่อดัง; Quoc Le, สมาชิกผู้ก่อตั้ง Google Brain; และ Oriol Vinyals, นักวิทยาศาสตร์วิจัยอาวุโสที่ DeepMind ประวัติการทำงานของพวกเขาครอบคลุมทั้งระบบแบบกระจายตัว (distributed systems), โครงข่ายประสาทเทียม (neural networks) และการเรียนรู้แบบเสริมกำลัง (reinforcement learning) ซึ่งบ่งชี้ว่า Discovery Loop จะมุ่งจัดการกับปัญหาทางเทคนิคที่ยากลำบาก
เร่งความเร็วทางวิทยาศาสตร์ผ่านการทดลองอัตโนมัติ
Discovery Loop จัดตั้งขึ้นในรูปแบบบริษัทเพื่อประโยชน์สาธารณะ (public-benefit corporation) โดยมีเป้าหมายเพื่อทำลาย "คอขวดที่เป็นมนุษย์" (human bottleneck) ในงานวิจัย ห้องแล็บแบบดั้งเดิมจะดำเนินไปตามวงจรที่ล่าช้าและเป็นลำดับขั้น ตั้งแต่การตั้งสมมติฐาน การทดลอง การวิเคราะห์ และการตัดสินใจ สตาร์ทอัพแห่งนี้ต้องการแทนที่กระบวนการนั้นด้วย "อัลกอริทึมที่มีประสิทธิภาพสูง" (high-octane algorithms) ที่สามารถเริ่มการทดลองหลายพันรายการได้พร้อมกัน
เป้าหมายหลักของบริษัทมีสองประการที่กล้าหาญ:
- การทำให้วงจรการทดลองเป็นอัตโนมัติ – ใช้ AI ในการจัดการการสร้างสมมติฐาน การทดสอบ และการปรับปรุง เพื่อเพิ่มทั้งปริมาณและคุณภาพของข้อมูล
- การปรับปรุงตัวเองแบบเวียนซ้ำ (Recursive self-improvement) – สร้าง AI ที่ช่วยออกแบบ AI ที่ทรงพลังยิ่งขึ้นไปอีก เพื่อลดการแทรกแซงจากมนุษย์ในวงจรการทำงานและเร่งนวัตกรรมแบบทวีคูณ
การสนับสนุนมหาศาลสำหรับพรมแดนใหม่ของ AI
Alphabet เป็นผู้สนับสนุนในรอบ Seed round ซึ่งนำโดย Radical Ventures และ Khosla Ventures นอกจากนี้ยังมี Kleiner Perkins, Lightspeed และ Doerr Capital เข้าร่วมด้วย
เงินทุนนี้สะท้อนถึงความเชื่อที่เพิ่มขึ้นว่าคลื่นลูกถัดไปของ AI จะก้าวข้ามโมเดลภาษาขนาดใหญ่ (large language models) ไปสู่ระบบ "agentic" ที่สามารถทำวิจัยและขับเคลื่อนการค้นพบทั้งในโลกกายภาพและดิจิทัล
ทำไมเรื่องนี้ถึงสำคัญต่อภูมิทัศน์ของ AI
การลาออกของ Dean บ่งบอกถึงการเปลี่ยนผ่านจาก "AI เพื่อเนื้อหา" (AI for content) ไปสู่ "AI เพื่อการค้นพบ" (AI for discovery) ในขณะที่ generative AI ครองความโดดเด่นในช่วงสองปีที่ผ่านมา Discovery Loop วางตำแหน่งตัวเองไว้ที่จุดตัดระหว่าง AI และวิทยาศาสตร์บริสุทธิ์ (hard sciences) หากทำสำเร็จ การค้นพบยา วิทยาศาสตร์วัสดุ และการวิจัยด้านพลังงานอาจรวดเร็วขึ้นอย่างมหาศาล ซึ่งจะเปลี่ยนโฉมหน้าวิธีที่มนุษยชาติรับมือกับความท้าทายทางเทคนิคที่ยากที่สุด
ประเด็นสำคัญ
- การย้ายค่ายของบุคลากรระดับหัวกะทิ – Jeff Dean, Sanjay Ghemawat, Quoc Le และ Oriol Vinyals กำลังออกจาก Google เพื่อก่อตั้ง Discovery Loop
- วิทยาศาสตร์อัตโนมัติ – สตาร์ทอัพจะรันการทดลองที่ขับเคลื่อนด้วย AI หลายพันรายการแบบขนานเพื่อก้าวข้ามคอขวดที่เป็นมนุษย์
- เงินทุนมหาศาล – Alphabet และกลุ่ม VC ชั้นนำ รวมถึง Khosla Ventures และ Radical Ventures ได้ให้การสนับสนุนเงินทุน
บุคลากรผู้อยู่เบื้องหลังการเดิมพันครั้งนี้
Dean กำลังพาเอาวิศวกรที่ได้รับการยกย่องมากที่สุดสามคนของ Google มาด้วย ได้แก่ Sanjay Ghemawat, senior fellow ผู้สร้างระบบแบบกระจายตัวที่ขับเคลื่อนเว็บไซต์ส่วนใหญ่ในโลก; Quoc Le, สมาชิกผู้ก่อตั้ง Google Brain ผู้บุกเบิกเทคนิค deep-learning; และ Oriol Vinyals, นักวิทยาศาสตร์วิจัยอาวุโสที่ DeepMind ผู้มีผลงานโดดเด่นด้าน reinforcement learning. พวกเขาร่วมกันสร้างรูปแบบ map-reduce ที่เป็นพื้นฐานของการประมวลผลข้อมูลขนาดใหญ่ และโครงข่ายประสาทเทียมที่ขับเคลื่อนโมเดลภาษาในปัจจุบัน
แผนการของสตาร์ทอัพ
กฎบัตรเพื่อประโยชน์สาธารณะของ Discovery Loop กำหนดให้บริษัทต้องพิจารณาผลกระทบต่อสังคมควบคู่ไปกับผลกำไร ภารกิจของบริษัทคือการกำจัด "คอขวดที่เป็นมนุษย์" ในงานวิจัย ในห้องแล็บทั่วไป นักวิทยาศาสตร์ต้องใช้เวลาหลายสัปดาห์หรือหลายเดือนในการเปลี่ยนจากสมมติฐานไปสู่การทดลอง การวิเคราะห์ และขั้นตอนถัดไป ทีมของ Dean ต้องการให้ AI สร้างสมมติฐาน ออกแบบ และรันการทดลองหลายพันรายการพร้อมกัน รวมถึงปรับปรุงโมเดลของตัวเองตามผลลัพธ์ที่ได้
แผนงานมุ่งเน้นไปที่สองเป้าหมายที่เชื่อมโยงกัน ประการแรก คือการสร้างแพลตฟอร์มที่ทำให้กระบวนการทดลองทั้งหมดเป็นอัตโนมัติ ตั้งแต่การสร้างสมมติฐานไปจนถึงการเก็บข้อมูลและการวิเคราะห์ ประการที่สอง คือการพัฒนา AI ที่สามารถปรับปรุงการออกแบบของตัวเองได้ ซึ่งจะสร้างวงจรการตอบกลับ (feedback loop) ที่แต่ละรุ่นจะช่วยสร้างรุ่นถัดไปที่มีความสามารถมากขึ้น หากแพลตฟอร์มนี้ใช้งานได้จริง สาขาที่ต้องพึ่งพาการลองผิดลองถูกอย่างมหาศาล เช่น การค้นพบยา วิทยาศาสตร์วัสดุ และการวิจัยด้านพลังงาน ก็อาจก้าวกระโดดได้อย่างรวดเร็ว
เงินทุนเบื้องหลังวิสัยทัศน์
การที่ Alphabet เข้าร่วมในรอบ Seed round เป็นสัญญาณที่แสดงถึงความสนใจเชิงกลยุทธ์ของบริษัทแม่ โดยมี Radical Ventures และ Khosla Ventures เป็นผู้นำร่วมในรอบนี้ พร้อมด้วยเงินทุนเพิ่มเติมจาก Kleiner Perkins, Lightspeed และ Doerr Capital รายชื่อนักลงทุนเหล่านี้แสดงให้เห็นถึงความเชื่อที่ว่า มูลค่าระลอกถัดไปของ AI จะมาจากซอฟต์แวร์แบบ "agentic" ที่สามารถทำงานได้อย่างอิสระ ไม่ใช่เพียงแค่จากโมเดลภาษาขนาดใหญ่ (large language models) เท่านั้น
ทำไมเรื่องนี้จึงสำคัญต่อระบบนิเวศ AI ในวงกว้าง
หาก Discovery Loop ทำได้ตามเป้าหมาย ผลกระทบที่เกิดขึ้นอาจขยายวงกว้างไปไกลกว่าเพียงแค่ผลิตภัณฑ์ของตนเอง การลดระยะเวลาในการค้นหาตัวยาที่มีศักยภาพอาจช่วยประหยัดงบประมาณในกระบวนการพัฒนาทางเภสัชกรรมได้มหาศาลถึงระดับพันล้าน และช่วยให้ผู้ป่วยเข้าถึงการรักษาที่ช่วยชีวิตได้รวดเร็วยิ่งขึ้น การพัฒนาซ้ำอย่างรวดเร็ว (Rapid iteration) ในด้านวัสดุศาสตร์อาจนำไปสู่การสร้างวัสดุคอมโพสิตที่เบาขึ้น แข็งแรงขึ้น และมีความยั่งยืนมากขึ้น สำหรับอุตสาหกรรมการบินและอวกาศรวมถึงอุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภค ด้วยการเปลี่ยน AI จากเครื่องมือที่ช่วยมนุษย์คิด ไปสู่ระบบที่สามารถคิดได้ด้วยตัวเอง สตาร์ทอัพแห่งนี้อาจทำให้ขุมพลังด้านการวิจัยเปลี่ยนทิศทางไปสู่องค์กรที่มีกำลังทรัพย์เพียงพอสำหรับทรัพยากรการประมวลผล (compute) มหาศาล
บทสรุป
การลาออกจาก Google ของ Jeff Dean เพื่อมานำทัพ Discovery Loop เป็นการรวมเอาความเชี่ยวชาญทางเทคนิคที่หาได้ยาก สายสัมพันธ์ที่ลึกซึ้งในอุตสาหกรรม และเงินทุนจำนวนมหาศาลเข้าไว้ด้วยกัน บริษัทมีเป้าหมายที่จะทำให้วงจรการทดลองทางวิทยาศาสตร์เป็นระบบอัตโนมัติ และสร้าง AI ที่สามารถพัฒนาตัวเองได้ ซึ่งอาจช่วยย่นระยะเวลาการวิจัยจากหลายปีให้เหลือเพียงไม่กี่สัปดาห์ อย่างไรก็ตาม บริษัทต้องก้าวข้ามอุปสรรคสำคัญทั้งในด้านเทคนิค โลจิสติกส์ และวัฒนธรรม ก่อนที่จะพิสูจน์ได้ว่า AI สามารถเป็นคู่หูในห้องปฏิบัติการได้อย่างแท้จริง ไม่ใช่เป็นเพียงแค่เครื่องมือที่ชาญฉลาดเท่านั้น ในช่วงไม่กี่เดือนข้างหน้าจะเป็นตัวบ่งชี้ว่า "การค้นพบแบบอัตโนมัติ" (automated discovery) คือก้าวต่อไปที่ทำได้จริงของ AI หรือเป็นเพียงการวิ่งสปรินต์ด้วยวิสัยทัศน์ที่ต้องหยุดชะงักลงก่อนจะถึงเส้นชัย