SAN FRANCISCO / LONDON (IT BOLTWISE) – Jeff Dean verlässt Google nach fast 27 Jahren und startet mit drei weiteren KI-Spitzenkräften die Firma Discovery Loop. Das Team will KI-gestützte Experimentier- und Verbesserungs-Schleifen bauen, die zunächst das Training und die Algorithmenentwicklung von Machine Learning verbessern sollen. Daraus sollen anschließend Systeme entstehen, die auch Chip-Design, Biologie, Wirkstoffsuche und Materialdesign angehen. Für Google ist der Schritt zugleich ein Signal im Wettbewerb um führende KI-Modelle und um Rechenleistung.
In der KI-Branche wird „Discovery Loop“ nicht nur als weiteres Startup in der Model-Ökonomie wahrgenommen, sondern als Versuch, einen noch fundamentaler wirkenden Engpass zu lösen: den Weg von einer Hypothese zur belastbaren Erkenntnis. Jeff Dean beschrieb beim Auftritt in San Francisco den Kern eines automatisierten wissenschaftlichen Zyklus sehr direkt: „You propose an experiment, you implement what you need to run the experiment, you evaluate the experiment, and then you get results from that.“ Die Idee dahinter ist so schlicht wie anspruchsvoll in der Umsetzung: Wenn ein System große Mengen solcher Loops durchlaufen kann, steigt die Chance, dass nicht nur Aufgaben schneller erledigt werden, sondern dass neue Ideen überhaupt erst in skalierbarer Form entstehen.
Dass Dean diese Vision nun in ein eigenes Unternehmen gießt, wirkt angesichts seiner Historie bei Google wie eine konsequente Fortsetzung technischer Arbeit über Jahre. Laut Darstellung im Text gründet Discovery Loop genau an der Schnittstelle, an der Teams typischerweise „Handarbeit“ leisten müssen: Experimentplanung, Implementierung der nötigen Infrastruktur, Auswertung und Ableitung der nächsten Iteration. Das Startup positioniert diese Schleifen zunächst als internes „Produkt“ für sich selbst – mit dem Ziel, fortgeschrittene Machine-Learning-Algorithmen iterativ zu verbessern. Technisch bedeutet das im Kern: mehr Automatisierung in der Experiment-Pipeline, also in Teilen von Training, Evaluation, Ablation Studies und in der Frage, wie schnell ein Modellupdate in neue Testläufe überführt wird, ohne dass jedes Mal ein Engineering-Team neu die Parameterketten nachzieht.
Die Teamzusammensetzung erklärt, warum das Vorhaben nicht wie ein reines Research-Projekt klingt. Mit Sanjay Ghemawat als Co-Gründer, Oriol Vinyals und Quoc Le holt sich Discovery Loop Personen an Bord, die in unterschiedlichen, aber zusammenpassenden Bereichen gearbeitet haben: von DeepMind- und Gemini-Umfeldern bis hin zu AutoML-Zero-Ansätzen, die zeigen sollen, dass ein System KI-Produkte zumindest teilweise autonomer „zusammenbauen“ kann. Quoc Le formuliert die Zielrichtung dabei ausdrücklich auf die Ebene von Architektursuche: „It might be that we will discover a different transformer architecture.“ Vinyals ergänzt den Fokus auf das „Wie kommt die Idee zustande?“: „One of the things that we’ll be obviously very focused on is how these models come up with new ideas to try. That’s not something that currently they’re super strong at.“ Für Unternehmen ist das relevant, weil viele KI-Organisationen zwar starke Modelle bauen, aber die Ideenfindung und die systematische Generierung neuer Experimente oft langsamer bleibt als das Training selbst.
Unternehmensseitig ist der zweite Teil der Story mindestens genauso bedeutend: Discovery Loop plant, die verbesserten Kernmodelle als Fundament für weitere Domänen zu nutzen. Im Text werden zunächst Chip-Design, Biologie, Drug Discovery und Materialdesign genannt. Die technische Logik dahinter ist, dass ein System, das experimentelle Schleifen im Machine-Learning-Kontext beherrscht, anschließend so generalisiert werden soll, dass es auch in anderen Problemräumen neue Kandidaten vorschlägt. Dabei geht es nicht nur um Vorhersagemodelle, sondern um die gesamte Entscheidungs- und Evaluationskette. Wenn ein Modell neue Ideen vorschlägt, muss es gleichzeitig sicherstellen, dass die nachgelagerten Mess- oder Simulationsschritte sauber mit den Modellannahmen zusammenpassen – sonst entstehen Schleifen, die zwar viele Iterationen erzeugen, aber keine verlässlichen Fortschritte. Genau deshalb ist „compute power for the first year“ im Text als Baustein erwähnt: Schleifen-Ansätze verlangen häufig sehr viel Rechen- und Infrastrukturkapazität, um die Varianz in Experimenten auszuhalten.
Markt- und Wettbewerbsdynamik spielt hier ebenfalls hinein. Der Text ordnet die Abwanderung als „devastating blow“ für Google ein, weil Dean und Ghemawat zu den frühen Schlüsselpersonen gehörten und andere Top-Namen ebenfalls folgen. Google versucht, im Modellwettlauf Tempo zu halten; parallel ist aber Personal ein kapitalintensiver Hebel. Dean selbst rahmt die Entscheidung nicht als Bruch mit der Vision, sondern als Bruch mit organisatorischer Trägheit: Vinyals sagt: „We want to build something different.“ Der Hinweis auf Stealth im Aufbau – noch kein Team, keine Bürofläche – zeigt, dass man den Zeitraum bis zur ersten echten Produkt-Validierung gezielt managen will. Das ist insofern plausibel, als Schleifen-Systeme schwer früh zu bewerten sind: Außenstehende sehen häufig „nur“ Demo-Outputs, während die eigentliche Stärke im internen Iterationszyklus steckt.
Für die Finanzierung und das Go-to-Market-Design bleibt ein weiterer Punkt: Discovery Loop macht sich zu seinem eigenen ersten Kunden. Im Text entsteht dadurch eine Art geschlossener Qualitätszirkel: Die Schleifen verbessern zunächst Machine-Learning-Algorithmen, und die Ergebnisse fließen zurück in die nächste Iteration der eigenen Plattform. Gleichzeitig sollen spätere Anwender offenbar als „kleine Teams“ auftreten, die im Vergleich zu den „weltgrößten Forschungseinrichtungen“ mit weniger Personen auskommen könnten. Khosla formuliert das als grundlegende Annahme: „Humans have been using AI to do research, not using AI to be a researcher.“ Und er setzt die Kernidee auf den Punkt: „The fundamental thing [in Discovery Loop] is that AI is the researcher.“ Geld und Rechenpower werden dabei nicht als Selbstzweck dargestellt, sondern als Voraussetzungen für genügend Schleifenlaufzeit, damit aus Ideen überhaupt messbare Verbesserungen werden.
Die Abmeldung aus Google bleibt dennoch zentral für die Branchenwirkung. Laut Text versuchte Alphabet-CEO Sundar Pichai über mehrere Treffen, die Ingenieure bei Google zu halten; am Ende habe das Team sich für die „fun–and freedom–of doing a startup“ entschieden. Pichai würdigt in einer Stellungnahme die langjährige Arbeit, und Google hält die Verbindung als Gründungsinvestor und Cloud-Partner offen: „We’ll continue to work with Discovery Loop as a founding investor and Cloud partner, and collaborate on a research framework for ML systems and related infrastructure advances.“ Für Beobachter bedeutet das: Google verliert zwar Kernressourcen, versucht aber, über Infrastruktur und Forschungskonvergenzen Einfluss zu behalten. Unterm Strich steht Discovery Loop damit vor einer doppelten Hürde – technisch muss das System zuverlässig bessere Schleifen erzeugen, wirtschaftlich muss es zeigen, dass die Ergebnisse einer startup-basierten Iterationsgeschwindigkeit tatsächlich mit den Ressourcen großer Organisationen mithalten können.
Genau hier entscheidet sich, ob „KI als automatisierter Wissenschaftler“ mehr bleibt als ein überzeugender Pitch. Der Erfolg hängt an mehreren stillen Faktoren: Wie schnell lässt sich ein Experiment tatsächlich automatisiert anstoßen und auswerten? Wie gut wird die Qualität der Mess- oder Simulationssignale gesichert, damit die Loop nicht in sich selbst optimiert? Und wie robust sind die gefundenen Verbesserungen, wenn ein Problem außerhalb des ursprünglichen Machine-Learning-Setups liegt? Wenn Discovery Loop diese Punkte früh in ihrer Plattform integriert, könnte das Startup die nächste Welle von KI-Entwicklungen stärker als bisher an experimentelle Forschung koppeln – und damit die Frage neu stellen, wer in Zukunft die schnellsten Erkenntniszyklen produziert.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Jeff Dean gründet „Discovery Loop“: KI als automatisierter Wissenschaftstreiber" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Jeff Dean gründet „Discovery Loop“: KI als automatisierter Wissenschaftstreiber" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Jeff Dean gründet „Discovery Loop“: KI als automatisierter Wissenschaftstreiber« bei Google Deutschland suchen, bei Bing oder Google News!