Discovery Loop richt zich op het wegnemen van de bottleneck in wetenschappelijk onderzoek door de repetitieve experimentele cyclus (de 'loop') te automatiseren middels AI en grootschalige computationele infrastructuur. De strategie start met het optimaliseren van machine learning, om vervolgens bredere 'Grand Challenges' aan te pakken, zoals medicijnontwikkeling, zonne-energie en schoon water. Het team bestaat uit vooraanstaande experts zoals Jeff Dean en Sanjay Ghemawat, die eerder cruciale technologieën zoals TensorFlow en Gemini hebben ontwikkeld. Het uiteindelijke doel is een toekomst waarin wetenschappelijke vorderingen veel sneller worden gerealiseerd door automatisering.
Discovery Loop — Continue Exploratie
De knelpunt in wetenschappelijke ontdekking
Wetenschappelijke ontdekking kampt met een knelpunt. De wetenschappelijke methode is een van de grootste instrumenten die de mensheid ooit heeft bedacht, maar de uitvoering ervan bestaat uit repetitieve experimentele cycli (loops) die moeilijk op te schalen zijn met de huidige handmatige inspanningen: men stelt een experiment voor, voert het uit en analyseert de resultaten, om vervolgens de aanpak te verfijnen en het proces te herhalen.
Historisch gezien is wetenschappelijke vooruitgang afhankelijk geweest van deze opeenvolgende menselijke iteraties. In veel domeinen blijft dit proces ongelooflijk traag en arbeidsintensief.
01 — De Aanpak: Het automatiseren van de experimentele loop
Bij Discovery Loop bouwen we systemen om deze volledige experimentele cycli te automatiseren. Door gebruik te maken van geavanceerde AI-modellen en grootschalige computationele infrastructuur, zullen onze systemen in staat zijn om snel evaluaties voor te stellen, uit te voeren en hiervan te leren.
Deze aanpak maakt de parallelle uitvoering van duizenden experimenten mogelijk, waardoor de iteratietijd drastisch wordt verkort en zowel de kwantiteit als de kwaliteit van wetenschappelijke en technische output toeneemt.
Strategie
- Beginnen met Machine Learning: We richten ons in eerste instantie op het automatiseren van het proces van onderzoek en engineering binnen machine learning (ML).
- Onszelf als eerste klant gebruiken: We zullen deze geautomatiseerde ML-mogelijkheden gebruiken om onze eigen technologiestack snel te optimaliseren voordat we uitbreiden naar andere domeinen.
Grote Uitdagingen (Grand Challenges)
We geloven dat onze aanpak in staat is om elke leerloop met meetbare resultaten binnen de domeinen van wetenschap en techniek op te lossen. Uiteindelijk bouwen we systemen die in staat zijn om de Grand Challenges van de National Academy of Engineering (NAE) aan te pakken, zoals:
- Het ontwikkelen van betere medicijnen;
- Het vooruithelpen van gezondheidsinformatica;
- Het economisch rendabel maken van zonne-energie;
- Het bieden van toegang tot schoon water;
- Het beveiligen van de cyberspace;
- Het ontwerpen van de instrumenten voor wetenschappelijke ontdekking.
02 — Missie
Onze missie is eenvoudig: we bouwen AI-oplossingen die automatisch belangrijke problemen in machine learning, wetenschap en techniek kunnen oplossen. Door het tempo te verhogen waarmee we engineering en wetenschappelijke ontdekkingen uitvoeren, kunnen we de voordelen van wetenschap en technologie veel sneller aan de wereld brengen.
Uiteindelijk is ons doel om AI-systemen te bouwen die fungeren als een diep positieve, empowerende kracht voor de mensheid en technologische oplossingen leveren die het leven van mensen op wereldwijde schaal verbeteren.
03 — Het Team
Ons oprichtende team — Jeff Dean, Sanjay Ghemawat, Quoc Le en Oriol Vinyals — heeft een gedeelde geschiedenis van diepe vriendschap en decennia van nauwe en impactvolle samenwerking.
Collectief vertegenwoordigen zij drie van de meest geciteerde onderzoekers in kunstmatige intelligentie en twee van de meest geciteerde onderzoekers in gedistribueerde systemen. Samen hebben zij gepionierd in grootschalige computing en hebben ze geleid bij de creatie van kritieke infrastructuur, producten en fundamentele AI-vooruitgang waar de wereld op vertrouwt, waaronder:
- Producten en Infrastructuur: Meerdere generaties van Google Search, Google Ads, Google News, Google Translate, Google File System, MapReduce, BigTable en Spanner.
- AI & Frameworks: TensorFlow, Pathways, TPUs, AlphaChip, AlphaStar, AlphaCode, AlphaFold en Gemini.
- Technieken & Architecturen: Modeldistillatie, mixture-of-experts modelarchitecturen, word2vec, sequence-to-sequence modellen, chain of thought reasoning, neural architecture search en meerdere generaties van Large Language Models (LLMs).
Ons relatieve voordeel is niet alleen ons technische kunnen; het is de ongekende schaal van de systemen die we eerder hebben gebouwd. We beschikken over een volledige "full-stack" diepte die reikt van chips en hardware-infrastructuur tot software-infrastructuur, ML-modellen en producten.
04 — Wat volgt
Stel je een toekomst voor waarin een handvol mensen wetenschappelijk onderzoek en technische taken veel sneller en met een hogere kwaliteit kan uitvoeren dan enorme teams van wetenschappers en ingenieurs vandaag de dag doen. Door de loops van ontdekking te automatiseren, zal de wereld in staat zijn om veel snellere vorderingen te maken in talloze wetenschappelijke velden.
We bouwen aan een compact, fysiek aanwezig team om deze transformerende visie uit te voeren.
Discovery Loop — Continue Exploratie
De knelpunt in wetenschappelijke ontdekking
Wetenschappelijke ontdekking kampt met een knelpunt. De wetenschappelijke methode is een van de grootste instrumenten die de mensheid ooit heeft bedacht, maar de uitvoering ervan bestaat uit repetitieve experimentele cycli (loops) die moeilijk op te schalen zijn met de huidige handmatige inspanningen: men stelt een experiment voor, voert het uit en analyseert de resultaten, om vervolgens de aanpak te verfijnen en het proces te herhalen.
Historisch gezien is wetenschappelijke vooruitgang afhankelijk geweest van deze opeenvolgende menselijke iteraties. In veel domeinen blijft dit proces ongelooflijk traag en arbeidsintensief.
01 — De Aanpak: Het automatiseren van de experimentele loop
Bij Discovery Loop bouwen we systemen om deze volledige experimentele cycli te automatiseren. Door gebruik te maken van geavanceerde AI-modellen en grootschalige computationele infrastructuur, zullen onze systemen in staat zijn om snel evaluaties voor te stellen, uit te voeren en hiervan te leren.
Deze aanpak maakt de parallelle uitvoering van duizenden experimenten mogelijk, waardoor de iteratietijd drastisch wordt verkort en zowel de kwantiteit als de kwaliteit van wetenschappelijke en technische output toeneemt.
Strategie
- Beginnen met Machine Learning: We richten ons in eerste instantie op het automatiseren van het proces van onderzoek en engineering binnen machine learning (ML).
- Onszelf als eerste klant gebruiken: We zullen deze geautomatiseerde ML-mogelijkheden gebruiken om onze eigen technologiestack snel te optimaliseren voordat we uitbreiden naar andere domeinen.
Grote Uitdagingen (Grand Challenges)
We geloven dat onze aanpak in staat is om elke leerloop met meetbare resultaten binnen de domeinen van wetenschap en techniek op te lossen. Uiteindelijk bouwen we systemen die in staat zijn om de Grand Challenges van de National Academy of Engineering (NAE) aan te pakken, zoals:
- Het ontwikkelen van betere medicijnen;
- Het vooruithelpen van gezondheidsinformatica;
- Het economisch rendabel maken van zonne-energie;
- Het bieden van toegang tot schoon water;
- Het beveiligen van de cyberspace;
- Het ontwerpen van de instrumenten voor wetenschappelijke ontdekking.
02 — Missie
Onze missie is eenvoudig: we bouwen AI-oplossingen die automatisch belangrijke problemen in machine learning, wetenschap en techniek kunnen oplossen. Door het tempo te verhogen waarmee we engineering en wetenschappelijke ontdekkingen uitvoeren, kunnen we de voordelen van wetenschap en technologie veel sneller aan de wereld brengen.
Uiteindelijk is ons doel om AI-systemen te bouwen die fungeren als een diep positieve, empowerende kracht voor de mensheid en technologische oplossingen leveren die het leven van mensen op wereldwijde schaal verbeteren.
03 — Het Team
Ons oprichtende team — Jeff Dean, Sanjay Ghemawat, Quoc Le en Oriol Vinyals — heeft een gedeelde geschiedenis van diepe vriendschap en decennia van nauwe en impactvolle samenwerking.
Collectief vertegenwoordigen zij drie van de meest geciteerde onderzoekers in kunstmatige intelligentie en twee van de meest geciteerde onderzoekers in gedistribueerde systemen. Samen hebben zij gepionierd in grootschalige computing en hebben ze geleid bij de creatie van kritieke infrastructuur, producten en fundamentele AI-vooruitgang waar de wereld op vertrouwt, waaronder:
- Producten en Infrastructuur: Meerdere generaties van Google Search, Google Ads, Google News, Google Translate, Google File System, MapReduce, BigTable en Spanner.
- AI & Frameworks: TensorFlow, Pathways, TPUs, AlphaChip, AlphaStar, AlphaCode, AlphaFold en Gemini.
- Technieken & Architecturen: Modeldistillatie, mixture-of-experts modelarchitecturen, word2vec, sequence-to-sequence modellen, chain of thought reasoning, neural architecture search en meerdere generaties van Large Language Models (LLMs).
Ons relatieve voordeel is niet alleen ons technische kunnen; het is de ongekende schaal van de systemen die we eerder hebben gebouwd. We beschikken over een volledige "full-stack" diepte die reikt van chips en hardware-infrastructuur tot software-infrastructuur, ML-modellen en producten.
04 — Wat volgt
Stel je een toekomst voor waarin een handvol mensen wetenschappelijk onderzoek en technische taken veel sneller en met een hogere kwaliteit kan uitvoeren dan enorme teams van wetenschappers en ingenieurs vandaag de dag doen. Door de loops van ontdekking te automatiseren, zal de wereld in staat zijn om veel snellere vorderingen te maken in talloze wetenschappelijke velden.
We bouwen aan een compact, fysiek aanwezig team om deze transformerende visie uit te voeren.
Groetjes,