⏱️ Lectura: 11 min
Un laboratorio fundado por cuatro de los ingenieros de IA más citados del mundo, Jeff Dean, Sanjay Ghemawat, Quoc Le y Oriol Vinyals, se propone automatizar por completo el ciclo de la investigación científica: proponer, implementar, ejecutar y evaluar experimentos, sin depender de la iteración manual de un equipo humano.
📑 En este artículo
La empresa se llama Discovery Loop y arrancará por el aprendizaje automático antes de apuntar a los grandes desafíos de la ingeniería mundial.
TL;DR
- Discovery Loop es el nuevo laboratorio de Jeff Dean, Sanjay Ghemawat, Quoc Le y Oriol Vinyals, ex líderes de Google DeepMind.
- Busca automatizar el ciclo completo de investigación: proponer, implementar, ejecutar y evaluar experimentos con IA.
- Arrancará por la investigación y la ingeniería en machine learning antes de expandirse a otras ciencias.
- Discovery Loop será su propio primer cliente: usará sus sistemas para optimizar su propio stack tecnológico.
- El equipo fundador construyó Google Search, Ads, GFS, MapReduce, BigTable, Spanner, TensorFlow, TPUs, AlphaFold y Gemini.
- La meta final son los Grand Challenges de la National Academy of Engineering, como energía solar y agua limpia.
- Discovery Loop recluta un equipo reducido y presencial; no reveló fecha de lanzamiento ni cifras de financiamiento.
Introducción
Discovery Loop parte de un diagnóstico simple: el método científico es una de las herramientas más poderosas que existen, pero su ejecución es lenta. Proponer una hipótesis, implementarla, correr el experimento, revisar resultados y volver a iterar es un ciclo que en la mayoría de los laboratorios todavía depende de personas trabajando de forma secuencial.
Según la página oficial del proyecto, discoveryloop.com, ese cuello de botella no es un problema de talento sino de escala: hay demasiadas preguntas científicas y muy pocos ciclos de experimentación corriendo al mismo tiempo. La apuesta de Discovery Loop es construir sistemas de IA capaces de ejecutar miles de esos ciclos en paralelo, comprimiendo el tiempo de iteración y elevando tanto la cantidad como la calidad de la producción científica y de ingeniería.
Qué pasó: el lanzamiento de Discovery Loop
El anuncio confirma la formación de un equipo fundador poco común. Jeff Dean y Sanjay Ghemawat vienen de liderar buena parte de la infraestructura de Google (Google File System, MapReduce, BigTable, Spanner), mientras que Quoc Le y Oriol Vinyals encabezaron avances centrales de la era moderna de la IA, desde los modelos secuencia a secuencia y el razonamiento en cadena hasta AlphaStar y AlphaFold.
Discovery Loop no es un producto que un desarrollador pueda instalar hoy. Es, por ahora, una declaración de misión y una convocatoria de contratación: la compañía busca formar un equipo reducido y presencial para ejecutar la visión, según su propia página. No hay fecha pública de lanzamiento de un producto, ni cifras de financiamiento, valuación o clientes anunciadas.
Contexto e historia
El pedigrí del equipo importa para entender la apuesta. Jeff Dean es coautor de trabajos fundacionales sobre sistemas distribuidos como MapReduce y BigTable, la base sobre la que se construyó buena parte de la infraestructura de datos moderna. Sanjay Ghemawat trabajó junto a él en esos mismos sistemas y en Google File System, el diseño que inspiró a Hadoop y a gran parte del ecosistema de datos a gran escala de la década de 2010.
Quoc Le impulsó, entre otros trabajos, los modelos secuencia a secuencia y contribuyó a popularizar el razonamiento en cadena, la técnica que hoy permite a modelos de lenguaje grandes explicar sus pasos intermedios antes de responder. Oriol Vinyals lideró AlphaStar, el sistema que venció a jugadores profesionales de StarCraft II, y participó en el desarrollo de AlphaFold, el sistema de predicción de estructuras de proteínas cuyo impacto científico fue reconocido con el Nobel de Química en 2024.
Ese historial explica la frase con la que Discovery Loop resume su ventaja: la empresa dice que su ventaja relativa no es solo la capacidad técnica del equipo, sino la escala sin precedentes de los sistemas que construyeron antes. Discovery Loop afirma combinar profundidad completa, desde chips hasta infraestructura de hardware, infraestructura de software, modelos de IA y producto, dentro de un mismo equipo fundador.
💭 Clave: el mismo equipo que construyó Spanner, TensorFlow y AlphaFold ahora apuesta a que la escala de infraestructura, más que un algoritmo nuevo, es lo que le falta a la automatización científica.
Detalles técnicos y rendimiento
El mecanismo que propone Discovery Loop tiene tres pasos que se repiten en bucle: proponer un experimento, implementarlo y ejecutarlo, y examinar los resultados para refinar la siguiente iteración. La novedad no está en el bucle en sí, así funciona la investigación desde hace siglos, sino en quién lo ejecuta y a qué velocidad.
| Enfoque | Quién itera | Paralelismo | Limitación principal |
|---|---|---|---|
| Ciclo científico tradicional | Un investigador o equipo humano | Bajo, experimentos en serie | Escala con el número de personas disponibles |
| Bucle automatizado de Discovery Loop | Sistemas de IA sobre infraestructura a gran escala | Miles de experimentos simultáneos | Depende de que el problema tenga una métrica de evaluación clara |
flowchart TD
A["Proponer experimento"] --> B["Implementar y ejecutar"]
B --> C["Examinar resultados"]
C --> D["Refinar hipotesis"]
D --> AEse ciclo cerrado es, en esencia, una versión automatizada del método científico clásico. Lo que cambia es la unidad de paralelismo: en vez de un laboratorio corriendo un experimento a la vez, la propuesta de Discovery Loop es correr miles en simultáneo y dejar que un sistema de IA filtre cuáles vale la pena seguir explorando.
Cómo empezar a probarlo
Discovery Loop todavía no publicó una API, un CLI ni un repositorio abierto: por ahora es una página de misión y una convocatoria de contratación, no una herramienta que un desarrollador pueda instalar hoy. Lo que sí se puede hacer es replicar el mismo patrón, proponer, ejecutar, evaluar e iterar, con herramientas de código abierto que ya existen para la búsqueda automática de hiperparámetros.
Un ejemplo mínimo con Optuna, una librería de Python para optimización automática, ilustra la idea central del bucle. La instalación es la misma en Windows, macOS y Linux, porque Optuna se distribuye como paquete de pip:
pip install optunaimport optuna
def objective(trial):
x = trial.suggest_float("x", -10, 10)
return (x - 2) ** 2
study = optuna.create_study(direction="minimize")
study.optimize(objective, n_trials=50)
print(study.best_params)Este bucle mínimo prueba 50 valores de x y busca minimizar (x - 2) ** 2 usando búsqueda bayesiana en vez de fuerza bruta. Optuna decide qué experimento probar después según los resultados anteriores, la misma lógica de proponer y refinar que describe Discovery Loop, aunque a una escala muchísimo menor.
study = optuna.create_study(
study_name="tuning_modelo_clasificacion",
storage="sqlite:///discovery_loop_demo.db",
direction="maximize",
load_if_exists=True,
)
study.optimize(objective_clasificacion, n_trials=200, n_jobs=8)Con storage apuntando a una base SQLite compartida, varios procesos (n_jobs=8) pueden correr experimentos en paralelo y escribir sus resultados al mismo estudio. Es una versión de escritorio, mínima, del paralelismo masivo que Discovery Loop plantea llevar a miles de experimentos simultáneos sobre infraestructura propia. Para confirmar que los trials corrieron en paralelo, study.trials_dataframe() devuelve una tabla con la marca de tiempo de inicio y fin de cada intento; si varios se solapan, el paralelismo está funcionando de verdad.
💡 Tip: herramientas como Optuna, Ray Tune o Vertex AI Vizier ya aplican el mismo patrón de propuesta y evaluación automática, aunque a una escala mucho menor que la que promete Discovery Loop.
Impacto y análisis
La apuesta de Discovery Loop tiene un límite honesto: el bucle automatizado funciona mejor cuando existe una métrica de evaluación clara, como la precisión de un modelo o el tiempo de entrenamiento. Preguntas científicas sin una métrica objetiva, buena parte de la biología de sistemas o la investigación social, son mucho más difíciles de meter en ese ciclo.
Ese límite no es nuevo: es el mismo motivo por el que AlphaFold pudo resolver la predicción de estructuras de proteínas, una tarea con una métrica de éxito muy clara, la coincidencia estructural con datos cristalográficos, pero herramientas similares todavía no resuelven problemas científicos con evaluación ambigua.
Otra limitación declarada por la propia empresa es de alcance. Discovery Loop dice que empezará por la investigación y la ingeniería en machine learning y usará esa capacidad para optimizar su propio stack técnico antes de expandirse a otros dominios. Eso significa que, en esta primera etapa, el proyecto es sobre todo una apuesta de meta-optimización: usar IA para mejorar la IA que construye Discovery Loop, no todavía medicina, energía o agua limpia, los objetivos de largo plazo que menciona la compañía.
📌 Nota: Discovery Loop plantea llegar, con el tiempo, a los Grand Challenges de la National Academy of Engineering: medicinas mejores, energía solar económica, agua limpia accesible y ciberseguridad, entre otros.
Qué sigue
Discovery Loop no publicó una hoja de ruta con fechas ni objetivos técnicos verificables por fuera de su propia página de misión. Lo único concreto por ahora es la convocatoria de contratación para un equipo presencial y reducido.
El próximo indicador real para evaluar el proyecto no será un anuncio de misión sino un resultado técnico público: un modelo entrenado con este método, un paper con resultados reproducibles o una demostración de que el bucle automatizado supera a un equipo humano en una tarea concreta de machine learning. Hasta que eso ocurra, la comparación más honesta es con los primeros anuncios de otros laboratorios de IA: la ambición declarada suele adelantarse por años a la evidencia pública.
📖 Resumen en Telegram: Ver resumen
Si querés ver el mismo patrón de propuesta y evaluación automática funcionando hoy, instalá Optuna con pip install optuna y corré el ejemplo de arriba en tu propia laptop.
Preguntas frecuentes
¿Qué es Discovery Loop?
Es un laboratorio fundado por Jeff Dean, Sanjay Ghemawat, Quoc Le y Oriol Vinyals que busca automatizar el ciclo completo de la investigación científica y de ingeniería usando sistemas de IA a gran escala.
¿Discovery Loop ya tiene un producto público?
No. Por ahora la compañía solo publicó su misión y una convocatoria de contratación para un equipo reducido y presencial. No hay API, repositorio ni fecha de lanzamiento anunciada.
¿En qué área va a empezar a trabajar Discovery Loop?
La compañía dice que arrancará por la investigación y la ingeniería en machine learning, y usará esa capacidad para optimizar su propio stack tecnológico antes de expandirse a otros dominios.
¿Qué relación tiene el equipo con Google?
Los cuatro fundadores tienen una larga trayectoria en Google y Google DeepMind, donde participaron en proyectos como Google Search, Google File System, MapReduce, BigTable, Spanner, TensorFlow, TPUs, AlphaStar, AlphaFold y Gemini, entre otros.
¿Cuáles son los objetivos de largo plazo de la empresa?
Discovery Loop menciona los Grand Challenges de la National Academy of Engineering: medicinas mejores, energía solar económica, agua limpia accesible y ciberseguridad, como los problemas que aspira a resolver a largo plazo.
¿Discovery Loop reveló financiamiento o valuación?
No. La página oficial de la empresa no menciona cifras de inversión, valuación ni clientes; el anuncio se limita a la misión del proyecto y a la convocatoria de contratación.
Referencias
- Discovery Loop: página oficial de misión, equipo fundador y convocatoria de contratación.
- Wikipedia: Jeff Dean: perfil profesional y trayectoria del cofundador en Google.
- Wikipedia: AlphaFold: contexto sobre el sistema de predicción de estructuras de proteínas reconocido con el Nobel de Química en 2024.
- Optuna en GitHub: librería open source usada en los ejemplos de código de este artículo.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Imagen destacada: Foto de Omar:. Lopez-Rincon en Unsplash
0 Comentarios