Jeff Dean i automatyzacja metody naukowej: Discovery Loop oraz agenty AI pracujące w pętlach tygodniowych

Jeff Dean, współtwórca fundamentów Google, opuszcza firmę po 27 latach, aby założyć Discovery Loop — startup mający na celu pełną automatyzację cyklu „hipoteza-eksperyment-ocena”. Ta zmiana paradygmatu, wspierana przez agentów AI zdolnych do autonomicznej pracy przez całe tygodnie, wymusza na organizacjach IT przejście od optymalizacji baz danych do optymalizacji pętli decyzyjnych i efektywności energetycznej inferencji.

Ewolucja od systemów rozproszonych do automatyzacji badań

Przez ostatnie dwie dekady architektura IT opierała się na usuwaniu wąskich gardeł infrastrukturalnych za pomocą systemów takich jak MapReduce, Bigtable i Spanner, które umożliwiły skalowanie obliczeń do petabajtów danych. MapReduce zautomatyzowało obsługę awarii i komunikację między tysiącami maszyn, pozwalając inżynierom skupić się na logice przetwarzania zamiast na mechanice klastra. Z kolei Bigtable wprowadziło model rzadkich, wielowymiarowych map, który stał się fundamentem dla ery NoSQL, obsługując miliony zapytań na sekundę.

Obecnie wąskim gardłem nie jest już samo przechowywanie czy przetwarzanie danych, lecz prędkość cyklu badawczego. Discovery Loop ma na celu zautomatyzowanie pętli naukowej, gdzie system sam proponuje eksperymenty, wdraża je i ocenia wyniki. W Google projekty takie jak AlphaEvolve (2025) pokazały już, że agenci mogą samodzielnie ewoluować bazy kodu i dostarczać ulepszenia algorytmiczne oszczędzające realną moc obliczeniową w centrach danych. Dla architektów oznacza to zmianę priorytetów: systemy muszą być projektowane nie tylko pod kątem trwałości danych, ale pod kątem wspierania niskiej latencji pętli automatycznych eksperymentów.

Mechanizm agentów AI i pętla Discovery Loop

Współczesne systemy agentowe przestały być narzędziami do krótkich, godzinnych interakcji i ewoluują w kierunku autonomicznych jednostek pracujących przez dni lub tygodnie nad jednym zadaniem. Jeff Dean wskazuje, że agenci ci potrafią np. w pełni zaimplementować nowe wersje oprogramowania w innych językach programowania, dbając o bezpieczeństwo i wydajność. Kluczowym elementem tej pracy jest context engineering, czyli precyzyjne dostarczanie modeli umiejętności (skills) i wytycznych zamiast kosztownego dostrajania parametrów modelu.

Mechanizm ten opiera się na trzech filarach: Orkiestracja wieloagentowa: Różne modele testują odmienne podejścia, a dedykowany agent oceniający wybiera najbardziej obiecujące ścieżki. Weryfikacja formalna: Automatyzacja działa najlepiej tam, gdzie cel jest mierzalny (np. poprawa wyniku w benchmarku lub poprawność kodu). * Samodoskonalenie: Systemy wykorzystują czas inferencji do przeszukiwania przestrzeni rozwiązań, co drastycznie podnosi ich niezawodność w długich procesach.

Ryzykiem pozostaje proces oceny (evaluation) — systemy takie jak The AI Scientist (Sakana AI) zawodziły, gdy ich własne mechanizmy recenzenckie nie potrafiły wykryć błędów w generowanych treściach.

Ekonomia inferencji i bariery energetyczne sprzętu

Decyzje o wyborze stacku technologicznego w 2026 roku są determinowane przez koszt energii, gdzie jednostką miary staje się pikożul (pJ). Operacja matematyczna kosztuje około 1 pJ, podczas gdy przesunięcie danych z pamięci głównej do procesora to koszt 1000 razy większy. To ogromne rozwarstwienie wymusza stosowanie dużych wsadów (batching) w treningu, co jednak jest niekorzystne dla inferencji o niskim opóźnieniu.

Nowym trendem jest specjalizacja sprzętu pod kątem inferencji o bardzo niskiej precyzji, co pozwala zminimalizować ruch danych. CTO muszą brać pod uwagę, że ogólne modele widzą nawet 1000 razy więcej danych niż człowiek do 18. roku życia, aby osiągnąć podobny poziom biegłości, co sugeruje ogromny margines do poprawy efektywności samych algorytmów i ich implementacji sprzętowej.

Strategia 1% dla founderów i niszowe modele AI

W świecie zdominowanym przez gigantów budujących modele ogólne (Gemini, GPT-4), przewaga konkurencyjna mniejszych firm przesuwa się w stronę specyficznych domen i danych. Dean sformułował regułę 1%: należy szukać problemów, w których modele ogólne odnoszą sukces w 0% lub 1% przypadków. Jeśli model radzi sobie w 20%, prawdopodobnie w ciągu 6-12 miesięcy zostanie w tej dziedzinie ulepszony przez liderów rynku.

Obszary o wysokiej trwałości biznesowej obejmują: Dane zastrzeżone: Organizowanie osobistych informacji użytkowników lub danych korporacyjnych, do których modele publiczne nie mają dostępu. Modele niszowe: Rozwiązania typu AlphaFold (składanie białek) lub systemy do projektowania układów scalonych, gdzie precyzja specyficzna dla dziedziny przewyższa możliwości ogólne. * Harnessy i narzędzia: Tworzenie specyficznych skilli, które pozwalają modelom ogólnym korzystać z niszowych narzędzi (np. wewnętrzne systemy logów Google).

Należy pamiętać, że gwałtowne odejście kluczowych badaczy z Google (łącznie 60-90 lat doświadczenia) spowodowało spadek wartości Alphabet o 5,4% (ok. 190 mld USD) w ciągu jednego dnia, co pokazuje, jak krytycznym aktywem jest talent w obszarze AI.

Wnioski praktyczne i rekomendacje

• Zmierz koszt energii i opóźnienia w swoim obecnym stacku inferencyjnym, identyfikując wąskie gardła związane z ruchem danych (I/O) zamiast samych obliczeń.
• Skonfiguruj systemy agentowe do zadań długofalowych, zamiast traktować je jako interfejsy czatowe. Przetestuj agenty w pętlach trwających powyżej 24 godzin nad zadaniami optymalizacji kodu lub migracji systemów.
• Zweryfikuj regułę 1% przed rozpoczęciem nowego projektu AI. Jeśli dany problem jest rozwiązywany przez ogólne modele (Gemini, GPT) w więcej niż 1% przypadków, unikaj budowania tam core’owej przewagi.
• Wdróż „Performance Hints” (dokumentację Deana i Ghemawata) jako zestaw umiejętności (skill) dla swoich agentów kodujących, aby poprawić ich zdolność do optymalizacji niskopoziomowej.
• Sprawdź TrueTime API w systemach rozproszonych, jeśli Twoja firma wymaga globalnej spójności danych bez rezygnacji z wydajności, zamiast polegać na luźno zsynchronizowanych zegarach systemowych.

Źródła

• Bigtable: A Distributed Storage System for Structured Data – USENIX
• Jeff Dean Left Google After 27 Years to Automate the Scientific Method | Pinggy Blog
• Jeff Dean’s work repeatedly removed infrastructure bottlenecks that limited technical progress—from MapReduce and Spanner to distributed AI, sparse models, and accelerators. This verified reading list traces that arc and explains why Discovery Loop, his new venture in automating scientific experimentation, is a logical next step. – Facebook
• Jeff Dean: A 15-Year Whirlwind Tour of How Modern AI Models – TeamDay.ai
• Jeff Dean: The Engineer Who Built Google’s AI Infrastructure — Deep Analysis – Gene Dai
• Jeff Dean: “AI Agents Can Run for WEEKS” — 7 Moments That Matter (Google’s Chief Scientist at YC) – YouTube
• LRitzdorf/TheJeffDeanFacts: A consolidated list of the Jeff Dean Facts! – GitHub
• MapReduce: Simplified Data Processing on Large Clusters – GitHub Pages