AI агенти за автоматизация навлизат в discovery loops
Джеф Дийн не просто обяви поредния AI стартъп. Той очерта промяна в това за какво се изграждат AI агенти за автоматизация. След като загатна идеята на 25 юли в Y Combinator Startup School, Дийн, Sanjay Ghemawat, Oriol Vinyals и Quoc Le официално стартираха Discovery Loop — компания, насочена към автоматизиране на научни и инженерни експерименти, според репортажа на WIRED за старта. На практика това означава, че пазарът може да се измества от агенти, които изпълняват задачи, към системи, които управляват затворени learning loops: предлагат, изпълняват, оценяват и итерат.
Обръщам внимание, когато екип от такъв калибър напуска ядрото на Google, за да преследва по-тясна идея. На практика това обикновено е сигнал за едно от две неща: или изследователският фронт е стигнал продуктова стена, или способност, която досега е била неудобна за реализация, вече изглежда изградима с текущите модели, инструменти и икономика на изчисленията. Discovery Loop изглежда много по-близо до втория сценарий.
Discovery Loop превръща AI агентите за автоматизация в R&D стартъп
Новинарският ъгъл е очевиден: четирима високопрофилни AI лидери от Google напускат, за да изградят компания около automated discovery loops. По-важният детайл е откъде започват. Дийн описва автоматизирана версия на научния метод: предложи експеримент, реализирай го, оцени го, после използвай резултатите за следващия цикъл. WIRED съобщава, че екипът основатели планира Discovery Loop да бъде първият му собствен клиент, като използва тези loops, за да подобрява системи за machine learning, преди да се разшири към биология, chip design, материали и сходни области.
Това е много различна цел от настоящата вълна custom AI agents, продавани за support опашки или вътрешна knowledge work дейност. Тези системи обикновено стоят върху API-и, документи и вериги за човешко одобрение. Те помагат, но повечето не генерират ново знание. Един discovery loop го прави. Неговият изход не е просто изпълнена задача. Изходът е по-добра хипотеза, по-добра последователност от експерименти или в крайна сметка по-добра архитектура на модел.
Миналия месец, в рамките на клиентски проект, картографирах производствен workflow, при който екипът смяташе, че иска агент за обобщаване на тестови логове. Реално им трябваше loop, който сравнява неуспешни изпълнения, предлага следващия набор параметри и оценява резултатите спрямо праг за дефекти. Звучи като дребна разлика, но тя променя архитектурата. Спираш да изграждаш първо chat интерфейс и започваш първо с evaluation, state tracking и rollback.
Защо automated discovery loops са реалният залог
Голяма част от AI workflow automation все още приема, че работата е известна предварително. Имате тикет, документ, иск, фактура или клиентско запитване. Агентът маршрутизира, подготвя чернова, извлича или взема решение. Това е полезно, но ограничено.
Discovery Loop залага на по-трудна категория: системи, които могат да търсят в пространство от възможности. Това я поставя по-близо до предишни разработки като AutoML-Zero, където Quoc Le помогна да се изследват machine learning системи, способни да откриват алгоритми с минимален човешки hand-design, отколкото до типичен enterprise chatbot. Има и връзка с работата на основателите по Gemini at Google DeepMind, където мащабът помага, но дисциплината в evaluation и iteration е също толкова важна.
Компромисът е, че self-improving системите са значително по-непрощаващи от обичайната AI бизнес автоматизация. При task automation 92% успеваемост може все пак да даде приличен ROI, ако хората хващат останалото. При experiment loops малка грешка в scoring, настройката на симулацията или дизайна на целта може да се натрупа през 500 или 5000 изпълнения. Виждал съм този провал и в по-малки вътрешни системи: loop-ът оптимизира метриката, която сте изложили, а не реалния резултат, който сте имали предвид.
Компаниите, които ще спечелят в AI, няма просто да имат по-големи модели; те ще имат по-стегнати feedback loops между модели, данни и решения.
— Andrew Ng on building AI products with data-centric iteration
Затова техническият moat тук не е само качеството на модела. Той е в дизайна на loop-а. Доброто AI agent development за тази категория изисква четири неща, които много agent stack решения все още третират като добавки: надеждна инструментализация, ясни reward сигнали, контрол на средата и начин да сравнявате една версия на loop-а с друга.
Ако даден екип е сериозен за изграждане на този слой в enterprise среда, най-близкото приложимо service направление в момента е AI Business Process Automation, защото имплементацията започва с граници на workflow, интеграция на системи и измерими контролни точки, а не с front-end асистент.
Как стратегията „първи собствен клиент“ намалява риска
Използването на стартъпа като негов първи собствен клиент не е просто добра история за основателите. Това е и един от по-добрите начини да се намали неяснотата в ранната AI integration architecture.
Когато обхващам такива системи, първият въпрос винаги е: коя среда контролираме от край до край? Отговорът на Discovery Loop изглежда е самото подобряване на machine learning. Това дава на екипа тясна начална повърхност:
- експериментите са дигитално-родени
- evaluation може да бъде частично автоматизиран
- throughput може да се измерва ежедневно или седмично
- провалите са по-евтини от провали във wet labs или производствени линии
Това е важно, защото на автономния loop му трябва стабилен test bed, преди да му трябва ширина. Ако генерализирате твърде рано, вашият AI operations dashboard се превръща във vanity слой, който отчита активност, а не learning. По-добрата последователност е по-тясна: дефинирайте една цел, измервайте скоростта на експериментиране, следете win rate, измервайте regression risk и чак тогава разширявайте домейна.
В една инженерна програма, по която работих през 2025 г., екипът искаше multi-agent orchestration слой още от първия ден. Сведохме го до един planner, един evaluator, три ясни метрики за успех и нощен отчет за false positives. Този по-бавен дизайн влезе в употреба по-бързо, защото още във втората седмица можехме да кажем дали loop-ът учи или просто създава шум.
Подходът на Discovery Loop с първи собствен клиент създава и реалистичен proof case за инвеститори и бъдещи купувачи. Ако компанията може да покаже, че собствените ѝ loops са подобрили представянето на модели, съкратили са цикъла на експериментиране или са открили архитектури, които хората биха пропуснали, тогава историята за разширяване към биология или chip design става по-убедителна. Ако не може, по-широката визия остава основно изследователски разказ.
Google губи не само имена; губи натрупващ се контекст
Отделянето на стартъпи от големи компании се случва постоянно. Този случай е различен, защото премахва натрупващ се технически контекст от едно и също място приблизително по едно и също време.
Dean и Ghemawat не са просто талантливи хора, които случайно са работили в Google. Те са помогнали да се оформят големи части от изчислителната инфраструктура на Google в продължение на десетилетия. Vinyals и Le добавят дълбок опит във frontier модели и automated ML. Загубата на тази комбинация има значение, защото frontier AI програмите не са само въпрос на суров талант. Те са въпрос на приемственост между инфраструктура, методи за експериментиране и поведение на моделите във времето.
Затова това не е стандартен startup разказ. Google може да замени headcount. Замяната на споделен контекст е по-бавна. Според репортажа на WIRED, Google ще запази дял в Discovery Loop, което смекчава външния ефект. Но стратегически това все пак е сигнал, че част от хората най-близо до текущия model frontier смятат, че следващият ценен слой може да се намира извън продуктовата пътна карта на големите лаборатории.
За пазара това подсилва по-широк модел, който наблюдавам от края на 2025 г.: основните model labs продължават да тласкат capability границите, докато стартъпите се опитват да уловят стойност в loop-а около модела. Не в prompt слоя. Не във wrapper-а. В оперативния loop.
Какво да следят enterprise екипите оттук нататък
Ако управлявате R&D, product engineering, advanced analytics или подобрение на производството, има три практични сигнала, които да следите.
Първо, търсете системи, които могат да докажат по-добър throughput на експериментиране, а не просто по-приятни agent демота. Метриките трябва да включват време за итерация, точност на evaluation и процент на препоръчаните експерименти, които надминават baseline.
Второ, наблюдавайте къде бизнес автоматизацията се среща с контролирани среди. Discovery-подобните loops ще се появят първо в домейни, където входовете, тестовете и резултатите вече са структурирани. Това може да е настройка на софтуерни модели, engineering със силен дял на симулации, индустриален QA анализ или demand planning с кратки feedback цикли.
Трето, разграничете възможността за пилотиране от общата приложимост. Един тесен loop може да създаде стойност бързо. Един обобщен loop, който пресича отдели, инструменти и физически процеси, е много по-труден. Именно там повечето програми за AI бизнес автоматизация блокират: не защото моделът се проваля, а защото слоят за инструментализация и интеграция никога не е бил изграден така, че да поддържа iteration в мащаб.
Работната ми теза е проста. Discovery Loop е важна не толкова защото стартира, а защото дава на пазара ясна техническа теза: следващата вълна AI агенти за автоматизация може да бъде оценявана по това колко добре се учи от действие, а не по това колко добре отговаря на prompt-и. Ако тази теза се потвърди, enterprise купувачите ще трябва да мислят по-малко за polish на chatbot-и и повече за дизайн на експерименти, строгост на evaluation и оперативна дисциплина.
FAQ
Какво означават AI агентите за автоматизация в този контекст?
Тук AI агентите за автоматизация са системи, които могат да предлагат експерименти, да изпълняват нужните стъпки, да оценяват резултатите и да подават изводите към следващия цикъл. Това е по-дълбок loop от task bot или асистент, защото системата се стреми да подобрява представянето си с времето, а не просто да изпълни една заявка.
С какво Discovery Loop се различава от обикновените agent стартъпи?
Повечето agent стартъпи автоматизират отделни видове работа като support, резюмета на проучвания, scheduling или обработка на документи. Discovery Loop е насочена към автоматизирано научно и инженерно откриване, където стойността идва от по-добри хипотези, по-добри експерименти и в крайна сметка по-добри системи, а не само от по-бързо изпълнение на задачи.
Трябва ли enterprise организациите да изграждат или да купуват тази способност още сега?
За повечето екипи е по-разумно да започнат с тясна имплементация с външен партньор, вместо да изграждат широка вътрешна платформа. Трудното не е model call-ът. Трудното е дизайнът на evaluation, системната интеграция и оперативният контрол, нужни, за да остане loop-ът полезен и безопасен при мащабиране.
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation