Jeff Dean, człowiek który przez blisko trzy dekady współtworzył techniczne fundamenty Google, odchodzi z firmy i zabiera ze sobą trzech badaczy z samego szczytu organizacji. Ich nowa spółka nazywa się Discovery Loop i stawia sobie cel, którego nikt dotąd nie osiągnął: zautomatyzować sam proces prowadzenia badań naukowych.
Kluczowe fakty:
- Jeff Dean, jeden z pierwszych pracowników Google (dołączył w 1999 roku jako trzydziesty pracownik), odchodzi z firmy wraz z trzema czołowymi badaczami: Sanjayem Ghemawatem, Oriolem Vinyalsem i Quokiem Le.
- Założona przez nich spółka Discovery Loop, zarejestrowana jako public benefit corporation, ma na celu zautomatyzowanie procesu prowadzenia badań naukowych.
- Ogłoszenie odejścia Deana, opublikowane 5 sierpnia 2026 roku, spowodowało spadek akcji Alphabetu o nawet 5,4 procent podczas sesji giełdowej.
Ogłoszenie padło 5 sierpnia 2026 roku, najpierw z konta samego Deana: https://twitter.com/JeffDean/status/2085034604172603724. Kilka godzin później akcje Alphabetu traciły w trakcie sesji nawet 5,4 procent.
Announcing Discovery Loop!
I am very excited to announce that, along with my longtime friends and collaborators @Sanjay_Ghemawat, @OriolVinyalsML and @quocleix, we are founding Discovery Loop (@DiscoLoopAI), a Public Benefit Corporation whose mission is to automate machine… pic.twitter.com/ancoplyNvN
— Jeff Dean (@JeffDean) August 5, 2026
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Cztery nazwiska, które zbudowały połowę współczesnego stosu AI
Dean odchodzi nie sam. Razem z nim spółkę zakładają Sanjay Ghemawat, Google Senior Fellow i wieloletni współpracownik Deana przy infrastrukturze wyszukiwarki, Oriol Vinyals, wiceprezes ds. badań w Google DeepMind i jeden z liderów technicznych projektu Gemini, oraz Quoc Le, współzałożyciel Google Brain i autor prac nad automatycznym projektowaniem modeli. Sam Dean był trzydziestym pracownikiem Google, dołączył w 1999 roku, a firma miała wtedy około dwudziestu pięciu osób. Dziś ma ponad sto dziewięćdziesiąt tysięcy.
Dorobek tej czwórki to praktycznie spis treści historii rozproszonych systemów obliczeniowych i uczenia głębokiego: Google File System, MapReduce, BigTable, Spanner, TensorFlow, TPU, AlphaStar, AlphaCode, AlphaFold, modele sekwencja do sekwencji, rozumowanie łańcuchowe. Wedle opisu na stronie spółki znajdziemy tu trzech spośród najczęściej cytowanych badaczy sztucznej inteligencji i dwóch spośród najczęściej cytowanych specjalistów od systemów rozproszonych. Pracują ze sobą od czternastu do trzydziestu lat.
Wired podaje, że pomysł na wspólną firmę skrystalizował się dopiero kilka tygodni przed ogłoszeniem.
Pętla eksperymentu jako produkt
Discovery Loop zarejestrowano jako public benefit corporation, czyli spółkę z wpisanym w statut celem społecznym. Mechanizm, który opisuje sama firma, ma trzy etapy:
- automatyzacja badań i inżynierii uczenia maszynowego przy użyciu najnowszych modeli i dużej mocy obliczeniowej, tak żeby system sam proponował eksperymenty, uruchamiał je i wyciągał wnioski z ocen,
- wykorzystanie tych zdolności na własnym stosie technologicznym, gdzie spółka staje się swoim pierwszym klientem,
- rozszerzenie podejścia na dowolną pętlę uczenia z mierzalnym wynikiem, od projektowania układów scalonych przez biologię i poszukiwanie leków po materiałoznawstwo.
Docelowo firma wskazuje Wielkie Wyzwania Narodowej Akademii Inżynierii, między innymi projektowanie lepszych leków, informatykę zdrowotną i uczynienie energii słonecznej opłacalną. Ambicja polega na uruchamianiu tysięcy takich pętli równolegle, w tempie, którego sekwencyjna praca ludzi nie dogoni.
Dean tłumaczył w rozmowie z „Wall Street Journal”, że nazwa firmy oddaje samą istotę pomysłu. Postawienie hipotezy, przeprowadzenie eksperymentu, ocena wyniku. „W wielu dziedzinach da się w pełni skomputeryzować całą tę pętlę” / „you can fully computerize that whole loop”.
Le, który w Google odpowiadał za projekt AutoML-Zero, celuje w coś bardziej konkretnego. „Może się okazać, że odkryjemy inną architekturę transformera” / „It might be that we will discover a different transformer architecture”.
Vinyals był ostrożniejszy i wskazał na dziurę, która stoi na drodze całemu przedsięwzięciu. Modele nadal słabo radzą sobie z wymyślaniem nowych rzeczy do sprawdzenia. „To nie jest obecnie ich mocna strona” / „That’s not something that currently they’re super strong at”. Na starcie systemy mają współtworzyć pomysły razem z ludźmi, a głębsza automatyzacja pozostaje celem, nie stanem wyjściowym.
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Google finansuje własną wyrwę
Najciekawszy element tej układanki to postawa Alphabetu. Firma, z której odchodzi czterech ludzi z pierwszej ligi, jednocześnie inwestuje w ich spółkę jako inwestor założycielski, zostaje dostawcą chmury i, jak podaje Wired, przez pierwszy rok dostarcza moc obliczeniową. Do tego dochodzi plan wspólnych prac nad ramami badawczymi dla systemów uczenia maszynowego.
Sundar Pichai podziękował Deanowi i Ghemawatowi za przeprowadzenie firmy przez najważniejsze przejścia technologiczne, od wczesnej infrastruktury wyszukiwarki po „sieci neuronowe, które pomogły stworzyć erę współczesnej AI” / „the neural networks that helped create the modern AI era”.
Runda zalążkowa nie jest jeszcze zamknięta. Współprowadzą ją Radical Ventures i Khosla Ventures, a wśród pozostałych uczestników wymieniane są Lightspeed, Kleiner Perkins, Doerr Capital oraz sam Alphabet. Jordan Jacobs z Radical wchodzi do rady. Wielkości rundy ani wyceny nikt nie ujawnia. Vinod Khosla napisał publicznie, że wpływ tego zespołu może okazać się większy niż wpływ, jaki miało Google. Zespół budowany jest stacjonarnie w Palo Alto, na razie bez biura i bez ani jednego zatrudnionego poza założycielami.
Ghemawat wyjaśnił motyw techniczny prościej niż ktokolwiek inny: chcieli infrastruktury o innych wymaganiach niż ta, którą Google utrzymuje pod produkty konsumenckie, wyszukiwarkę i reklamę.
Patrzę na to z mieszanymi uczuciami i nie zamierzam tego ukrywać. Z jednej strony mamy zespół, który realnie zbudował infrastrukturę, na której dziś stoi cały przemysł modeli językowych. Jeśli ktokolwiek ma szansę doprowadzić automatyzację badań do stanu użyteczności, to właśnie ci ludzie. Z drugiej strony przypomnę, że automatyczne odkrywanie naukowe obiecywano nam już kilka razy i za każdym razem kończyło się na optymalizacji istniejących rozwiązań, a nie na odkryciu. Vinyals sam przyznał, że modele nie potrafią jeszcze generować sensownych nowych hipotez, a to przecież pierwszy krok całej pętli. Automatyzacja etapów drugiego, trzeciego i czwartego przy słabym etapie pierwszym daje bardzo szybkie mielenie kiepskich pomysłów.
Niepokoi mnie natomiast coś innego. Google finansuje spółkę, która ma zbudować narzędzie do rekurencyjnego ulepszania samej AI, i robi to poza własnymi strukturami nadzoru. Formalnie to public benefit corporation, praktycznie to prywatna firma z dostępem do mocy obliczeniowej największego gracza na rynku. Kto będzie oceniał, czy pętle, które się tam kręcą, prowadzą w bezpieczną stronę? Pytam serio, bo nie znam odpowiedzi.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Przetasowanie na szczycie Google
Odejścia wpisują się w szerszą zmianę warty. Demis Hassabis wycofuje się z bieżącego kierowania Google DeepMind i obejmuje funkcję przewodniczącego jednostki oraz głównego naukowca Alphabetu, zachowując przy tym stery Isomorphic Labs. Koray Kavukcuoglu, dotychczasowy dyrektor techniczny DeepMind i główny architekt AI w Google, awansuje na wiceprezesa wykonawczego jednostki i odpowiada za rozwój modeli Gemini oraz zespoły produktowe.
W komunikacie Pichai podał przy okazji dwie liczby, które pokazują skalę tego, co Google traci i co zatrzymuje. Aplikacja Gemini przekroczyła 950 milionów użytkowników miesięcznie, a modele Gemma zanotowały ponad 900 milionów pobrań. Rynek i tak zareagował na personalia mocniej niż na wyniki. Akcje Alphabetu spadły w okolice 362 dolarów, co według wyliczeń oznaczało chwilowe wyparowanie od stu sześćdziesięciu do dwustu miliardów dolarów wartości.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Helios, NASK i pytanie o polską moc obliczeniową
Dla polskich ośrodków badawczych ta historia ma bardzo praktyczny wymiar i wcale nie chodzi o to, kto komu podkupił badaczy. Chodzi o moc obliczeniową. Discovery Loop startuje z rocznym zapasem infrastruktury dostarczonej przez Google, bo bez tego cała koncepcja tysięcy równoległych pętli eksperymentalnych jest tylko slajdem.
Polska gra w innej lidze i nie ma sensu udawać inaczej. Najszybsza maszyna w kraju, Helios w Akademickim Centrum Komputerowym Cyfronet AGH, oferuje teoretyczną moc szczytową rzędu 35 petaflopów i w 2025 roku mieściła się w setce najsilniejszych systemów świata. W marcu 2026 roku NASK uruchomił własny superkomputer przeznaczony pod obliczenia AI dla administracji publicznej. Wiceminister cyfryzacji Dariusz Standerski mówił wtedy wprost: „Trening modeli, analiza ogromnych zbiorów danych, testowanie nowych rozwiązań to wszystko wymaga odpowiedniego zaplecza technicznego”.
I tu widzę realny problem. Jeżeli automatyzacja pętli badawczej faktycznie zadziała, przewaga przestanie zależeć od liczby doktorantów w zespole, a zacznie zależeć od tego, ile eksperymentów potrafisz uruchomić naraz. Polskie zespoły z chemii obliczeniowej, materiałoznawstwa czy bioinformatyki mają dobre pomysły i publikacje. Nie mają skali obliczeniowej pozwalającej przepuścić tysiąc wariantów hipotezy w weekend. Programy typu PLGrid i dostęp do zasobów europejskich łagodzą tę różnicę, ale jej nie kasują.
Sprawdziłem przy okazji jedną rzecz. Discovery Loop rekrutuje wyłącznie stacjonarnie, do Palo Alto, na stanowiska z zakresu dotrenowywania modeli, agentów, infrastruktury, środowisk testowych, danych i ewaluacji. To dokładnie te kompetencje, których polski rynek pracy ma najmniej, a które ma najlepiej opłacane za oceanem. Kolejna fala drenażu specjalistów jest tu wpisana w model działania firmy.
Pytanie, na które odpowiedź poznamy pewnie dopiero za rok albo dwa, brzmi tak: czy Discovery Loop wyprodukuje wynik, który środowisko naukowe uzna za odkrycie, czy tylko bardzo sprawną optymalizację czegoś, co już znamy. Cała konstrukcja tej spółki, od statutu po dobór ludzi, została zbudowana po to, żeby na to pytanie odpowiedzieć.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym oficjalnego ogłoszenia spółki Discovery Loop i wpisu Jeffa Deana w serwisie Twitter z dnia 05.08.2026, a także materiałów TechCrunch, Wired (Steven Levy), „Wall Street Journal”, „New York Times”, Quartz, GeekWire, The Next Web i wpisu inwestorskiego Radical Ventures. Dane o polskiej infrastrukturze obliczeniowej pochodzą z komunikatów ACK Cyfronet AGH oraz doniesień Nauki w Polsce i PAP. Cytaty Jeffa Deana, Quoca Le, Oriola Vinyalsa i Sundara Pichaia zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym, wypowiedź Dariusza Standerskiego pochodzi z polskiego komunikatu. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o Discovery Loop i przetasowaniach w kierownictwie Google DeepMind.
