Jeff Dean rời Google sau 27 năm. Ông mang theo Sanjay Ghemawat (đồng tác giả MapReduce, GFS, và BigTable — nền móng infrastructure của cloud computing hiện đại), Quoc Le (đồng sáng lập Google Brain, dẫn đầu nghiên cứu nền tảng về neural machine translation), và Oriol Vinyals (DeepMind VP, nhà nghiên cứu đằng sau AlphaStar, AlphaCode, và attention mechanism).
Họ đang thành lập một công ty tên Discovery Loop. Sứ mệnh: tự động hóa nghiên cứu khoa học.
Đây không phải là một thông báo startup bình thường. Hãy để tôi giải thích tại sao điều này quan trọng cụ thể với các kỹ sư.
Jeff Dean Thực Sự Là Ai
Hầu hết mọi người trong tech đều biết tên Jeff Dean. Ít người hiểu ông thực sự đã xây dựng gì.
Ông là nhân viên thứ 30 của Google. Ông thiết kế MapReduce — mô hình distributed computation đã làm cho xử lý dữ liệu quy mô lớn trở nên thực tế và kéo theo Hadoop, Spark, và về cơ bản là kỷ luật data engineering hiện đại. Ông đồng thiết kế Bigtable — tiền thân của HBase, Cassandra, và phong trào NoSQL. Ông dẫn đầu phát triển TensorFlow. Ông là kiến trúc sư chính của series model Gemini.
Khi ai đó với track record như vậy rời đi để tự động hóa nghiên cứu khoa học, câu hỏi không phải là “điều này có thú vị không?” Câu hỏi là “điều này thực sự có nghĩa gì?”
Discovery Loop Đang Xây Dựng Gì
Mục tiêu đã công bố là chạy hàng nghìn thí nghiệm khoa học được AI điều khiển đồng thời, với con người đóng vai trò giám sát. Bắt đầu với tự động hóa nghiên cứu ML — dùng AI để chạy các thí nghiệm ML — sau đó mở rộng sang thiết kế phần cứng, khám phá thuốc, và năng lượng sạch.
Vòng lặp cốt lõi họ đang nhắm đến:
- Tạo giả thuyết — nên test gì?
- Thiết kế thí nghiệm — test như thế nào một cách nghiêm ngặt?
- Thực thi tự động — chạy thí nghiệm ở quy mô lớn
- Phân tích kết quả — chúng ta học được gì?
- Tổng hợp insights — giả thuyết tiếp theo là gì?
- Lặp lại — mỗi chu kỳ nhanh hơn
“Loop” trong Discovery Loop là theo nghĩa đen. Họ tin rằng có thể đóng chu kỳ này nhanh hơn các nhà nghiên cứu con người — và mỗi cải thiện của chu kỳ sẽ tăng tốc cái tiếp theo.
Alphabet là founding investor. Radical Ventures, Khosla Ventures, Kleiner Perkins, Lightspeed, và Doerr Capital đồng đầu tư. Đây không phải một thí nghiệm nhỏ.
Tại Sao Điều Này Quan Trọng Hơn Một Foundation Model Mới
Mỗi tuần có một thông báo model mới. Hầu hết chúng quan trọng ở mức biên — vài phần trăm trên benchmarks, instruction following tốt hơn một chút. Đó là tốc độ tiến bộ bình thường.
Discovery Loop đang cố gắng làm một điều khác về bản chất: tự động hóa quá trình tạo ra những cải tiến đó. Nếu họ thành công dù chỉ một phần, câu hỏi cho mọi kỹ sư thay đổi từ “làm sao tôi theo kịp các model mới?” sang “làm sao tôi làm việc trong một thế giới mà model capabilities cải thiện nhanh hơn đáng kể so với hôm nay?”
Hãy xem xét: khoảng cách giữa GPT-3 (2020) và các frontier models hiện tại (2026) đại diện cho sáu năm nghiên cứu theo tốc độ con người. Nếu nghiên cứu tự động hóa nén sáu năm tiến bộ tương đương tiếp theo xuống còn hai năm — đây là cách diễn đạt thận trọng về những gì thử nghiệm tự động quy mô lớn có thể đạt được — thì tốc độ thay đổi capability trở thành điều đòi hỏi cách tiếp cận hoàn toàn khác.
Tự Động Hóa Nghiên Cứu ML Thực Sự Có Nghĩa Gì Về Mặt Kỹ Thuật
Tạo giả thuyết hiện tại dựa vào các nhà nghiên cứu đọc papers và chạy thí nghiệm hướng dẫn bởi trực giác. LLMs đã khá tốt trong việc tạo giả thuyết hợp lý từ tài liệu hiện có. Khoảng cách là lọc signal từ noise.
Thiết kế thí nghiệm là nơi các AI systems hiện tại vật lộn nhiều nhất. Một thí nghiệm ML được thiết kế tốt kiểm soát các confounds, chọn baselines phù hợp, và tạo ra kết quả phân biệt các giải thích cạnh tranh. Tự động hóa điều này một cách chính xác là khó.
Thực thi tự động là phần có thể giải quyết nhất. Training runs, evaluations, benchmark suites — những thứ này đã được tự động hóa nhiều. Bottleneck là GPU compute quy mô lớn, vốn đã có sẵn.
Phân tích và tổng hợp đòi hỏi hiểu ý nghĩa của kết quả trong bối cảnh kiến thức hiện có. Đây là nơi vòng lặp đệ quy đóng lại: các model tốt hơn sẽ tốt hơn trong việc phân tích kết quả, và phân tích tốt hơn tạo ra giả thuyết tốt hơn cho vòng tiếp theo.
Ý Nghĩa Thực Tế Cho Tech Lead
Chiến lược AI của bạn có shelf life ngắn hơn bạn nghĩ
Bất kỳ quyết định nào tổ chức của bạn đã đưa ra về AI tools, tốc độ adoption, và mức đầu tư — hãy giả định rằng quyết định đó sẽ cần được xem xét lại sớm hơn chu kỳ lập kế hoạch hàng năm điển hình.
Đây không phải là lập luận để liên tục thay đổi hướng đi. Đây là lập luận để xây dựng các practices và infrastructure có thể cập nhật được — evaluation pipelines bạn có thể chạy với các model mới, abstractions không hard-code các model API cụ thể, quy trình đánh giá các capabilities mới khi chúng xuất hiện.
Mức sàn kỹ năng đang tăng
Khi nghiên cứu đòi hỏi chuyên môn cấp tiến sĩ có thể được tự động hóa, độ phức tạp hiệu quả mà các công cụ engineering hàng ngày có thể xử lý sẽ tăng lên. Điều này đã xảy ra trước đây trong điện toán: các nhiệm vụ đòi hỏi chuyên môn chuyên biệt (database query optimization, garbage collection) trở thành được xử lý bởi infrastructure, giải phóng kỹ sư để làm việc ở các mức abstraction cao hơn.
Câu hỏi thực tế cho tech leads: những nhiệm vụ nào team của bạn hiện đang thực hiện thủ công là ứng viên cho automation khi model capabilities cải thiện? Bắt đầu xây dựng evaluation frameworks cho những nhiệm vụ đó ngay bây giờ.
Theo dõi khoảng cách “research đến deployment”
Một trong những dynamics ít được đánh giá của kỷ nguyên ML hiện tại là mất bao lâu để các đột phá nghiên cứu trở thành infrastructure sẵn sàng production. Nếu Discovery Loop tăng tốc nghiên cứu, nó không tự động tăng tốc công việc engineering cần thiết để làm cho nghiên cứu đó có thể triển khai. Khoảng cách đó sẽ tạo ra cả rủi ro (bạn cần di chuyển nhanh hơn để kết hợp các capabilities mới) và cơ hội (chuyên môn trong việc triển khai các capabilities cutting-edge sẽ có giá trị hơn, không kém hơn).
Tín Hiệu Trong Quyết Định Của Alphabet
Khía cạnh ít được thảo luận nhất của thông báo này là quyết định của Alphabet đồng đầu tư. Google đang cung cấp vốn cho một công ty đang cố gắng tự động hóa nghiên cứu ML — đây là core competency của Google và cơ sở vị thế cạnh tranh của nó trong AI. Đó là sự thừa nhận rằng công việc này tốt cho lĩnh vực và đáng hỗ trợ bất kể dynamics cạnh tranh, hoặc là cược rằng việc là early investor trong infrastructure của nghiên cứu được tăng tốc tốt hơn là cố gắng ngăn chặn nó.
Đối với kỹ sư: khi tổ chức có nhiều mất mát nhất từ điều này thành công quyết định tài trợ cho nó dù sao, điều đó đáng được xem xét nghiêm túc.
Những người rời Google đã dành sự nghiệp của họ xây dựng các hệ thống thay đổi cách điện toán hoạt động ở cấp độ cơ bản. Các hệ thống họ xây dựng — MapReduce, Bigtable, TensorFlow, Gemini — không phải là những cải tiến tăng dần. Chúng là những thay đổi kiến trúc thay đổi những gì có thể.
Discovery Loop có thể là điều tương tự, một cấp độ cao hơn.
Thuận Lương là Tech Lead với hơn 15 năm kinh nghiệm .NET, kiến trúc cloud và hệ thống AI. Anh viết về những bài học thực tế từ việc xây dựng production systems.