Khosla Ventures نے Discovery Loop کے سیڈ راؤنڈ کی مشترکہ قیادت کی، جو کہ Jeff Dean کا AI اسٹارٹ اپ ہے اور اس کا مقصد سائنسی دریافتوں کو خودکار بنانا ہے
Khosla Ventures نے Discovery Loop کے سیڈ راؤنڈ میں ایک مشترکہ لیڈ سرمایہ کار کے طور پر شرکت کی ہے، جو کہ Jeff Dean اور گوگل کے سابق انجینئرز کا قائم کردہ ایک AI وینچر ہے۔ اسٹارٹ اپ کا کہنا ہے کہ یہ مفروضوں کی تشکیل (hypothesis generation)، تجربات کے عمل درآمد اور نتائج کے تجزیے کے درمیان فرق کو ختم کر دے گا، جس سے AI انسانی مداخلت کے بغیر ہزاروں تجربات کر سکے گا۔
ٹیم کی اہمیت کیوں ہے
بانیوں کے پاس مجموعی طور پر گوگل کا تقریباً 80 سالہ تجربہ ہے، جنہوں نے TensorFlow، Tensor Processing Units اور Gemini large-language model تیار کیا ہے۔ ان کا تجربہ سافٹ ویئر اور ہارڈ ویئر دونوں میں گہری مہارت کا ثبوت ہے جو Discovery Loop کے پلیٹ فارم کو طاقت فراہم کرے گا۔
"کلوزڈ لوپ" (closed-loop) سسٹم کیسے کام کرنے والا ہے
- AI تجربات تجویز کرتا ہے – ایک ماڈل موجودہ ڈیٹا کا جائزہ لیتا ہے اور نئے ٹیسٹ کے حالات تجویز کرتا ہے۔
- کمپیوٹ ٹیسٹ چلاتا ہے – بڑے پیمانے پر وسائل تجاویز پر عمل درآمد کرتے ہیں، چاہے وہ سیمولیشن میں ہو یا کسی جسمانی لیبارٹری میں۔
- نتائج فیڈ بیک کے طور پر واپس آتے ہیں – نتائج ماڈل کو واپس بھیجے جاتے ہیں، جو اپنی سمجھ بوجھ کو اپ ڈیٹ کرتا ہے۔
- ہزاروں اقسام – یہ چکر بار بار دہرایا جاتا ہے، جس سے نئے تجربات کا ایک تیز سلسلہ جاری رہتا ہے۔
ہر مرحلے کو خودکار بنا کر، اسٹارٹ اپ امید کرتا ہے کہ وہ سست رفتار شعبوں میں تحقیق کی رفتار تیز کر سکے گا: جیسے بہتر بیٹری میٹریلز، فیوژن انرجی کے تصورات، اور ادویات کی تیاری کے تیز تر ٹائم لائنز۔
ایک مرکوز کاروباری ماڈل
بہت سی AI ایپلی کیشنز میں پھیلنے کے بجائے، Discovery Loop سائنس اور انجینئرنگ پر توجہ مرکوز کرتا ہے۔ اس محدود دائرہ کار کا مقصد تجارتی روڈ میپس کے بجائے بڑے سائنسی چیلنجز سے متاثر ہونے والے ٹیلنٹ کو اپنی طرف متوجہ کرنا ہے۔ یہ فرم ایک پبلک بینیفٹ کارپوریشن کے طور پر کام کرتی ہے، جو کہ ایک ایسا قانونی ڈھانچہ ہے جو منافع سے پہلے مشن کو ترجیح دیتا ہے اور مقصد پر مبنی انجینئرز کو متاثر کر سکتا ہے۔
سرمایہ کار کیا دیکھتے ہیں
Khosla Ventures Discovery Loop کی ٹیکنالوجی کے ممکنہ اثرات کا موازنہ large-language models سے کرتا ہے، جنہوں نے مواد کی تخلیق، کوڈنگ اور کسٹمر سروس کی شکل بدل دی ہے۔ اگر یہ لوپ قابل اعتماد طریقے سے مفید سائنسی بصیرتیں فراہم کرتا ہے، تو اس کے معاشی اور سماجی نتائج بھی اسی طرح کے ہو سکتے ہیں۔
آنے والی رکاوٹیں
دریافتوں کو خودکار بنانا اب بھی ایک حل طلب مسئلہ ہے۔ تجربات کے لیے اکثر باریک بینی سے متعلقہ شعبائی علم (domain knowledge)، مخصوص آلات اور حفاظتی پروٹوکولز کی ضرورت ہوتی ہے جنہیں سافٹ ویئر میں کوڈ کرنا مشکل ہوتا ہے۔ ناقدین خبردار کرتے ہیں کہ محض الگورتھمک طریقہ کار ان اچانک ملنے والی بصیرتوں (serendipitous insights) کو نظر انداز کر سکتا ہے جو انسانی وجدان فراہم کرتا ہے۔ جسمانی ٹیسٹوں کے لیے بڑے پیمانے پر کمپیوٹ سائیکلز چلانا بھی واضح آمدنی کے راستوں کے بغیر انتہائی مہنگا ہونے کا خدشہ رکھتا ہے۔
کن چیزوں پر نظر رکھنی چاہیے
- ڈیمو سنگ میل (Demo milestones) – کسی بھی ہدف والے شعبے (میٹریلز، فیوژن، فارما) میں ابتدائی ثبوت کے نتائج۔
- شراکت داری (Partnerships) – تعلیمی لیبارٹریوں یا صنعتی R&D گروپس کے ساتھ تعاون جو جسمانی ٹیسٹنگ فراہم کر سکیں۔
- ریگولیٹری نگرانی (Regulatory scrutiny) – خاص طور پر ادویات کی دریافت کے عمل کے لیے جہاں نگرانی سخت ہوتی ہے۔
- فنڈنگ راؤنڈز (Funding rounds) – بعد کی مالی معاونت ٹیکنالوجی کے پروان چڑھنے کے ساتھ سرمایہ کاروں کے اعتماد کی نشاندہی کرے گی۔
اگر Discovery Loop اپنے کلوزڈ لوپ ویژن کو بار بار ہونے والی بڑی کامیابیوں میں بدل دیتا ہے، تو یہ تحقیق کے طریقہ کار کو نئے سرے سے متعارف کروا سکتا ہے۔ اگلے چند ماہ یہ ظاہر کریں گے کہ آیا AI کی طاقت اور سائنسی عزائم اس وعدے کو پورا کر سکتے ہیں یا نہیں۔