Jeff Dean dan Tim AI Google Keluar, Mendirikan Startup Discovery Loop

Empat Legenda AI Google Berhenti Secara Bersamaan

Pada 25 Juli 2026, Jeff Dean berbicara di hadapan 6.000 calon founder di Y Combinator Startup School di Chase Center, San Francisco. Dean adalah insinyur legendaris di Google—pendiri bersama Google Brains, chief scientist Google DeepMind dan Google Research. Namun, apa yang tidak diketahui audiens: beberapa hari sebelumnya, Dean dan tiga rekan senior lainnya sudah mengundurkan diri.

Bersama Dean keluar: Noam Shazeer (co-inventor arsitektur Transformer), Niki Parmar (co-author paper “Attention Is All You Need)), dan Lukasz Kaiser (peneliti senior di Google Brains). Keempatnya mendirikan Discovery Loop, startup yang berfokus pada penerapan AI untuk penemuan ilmiah fundamental—mulai dari desain obat baru, arsitektur chip generasi berikutnya, hingga material canggih.

Mengapa Meninggalkan Google Sekarang?

Menurut sumber dekat tim, keputusan ini bukan karena kekecewaan terhadap Google, melainkan keinginan untuk bergerak lebih cepat. Di Google, siklus penelitian ke produk bisa memakan tahun. Discovery Loop ingin mempersingkat siklus itu menjadi bulan-bulan dengan tim kecil, autonom, dan bebas dari birokrasi enterprise.

“Kami ingin membangun sistem AI yang tidak hanya memprediksi, tapi benar-benar menemukan,” tulis Dean di memo internal yang bocor ke media. “Penemuan obat butuh 10-15 tahun. Desain chip butuh 3-5 tahun. Kami percaya AI bisa memotong waktu itu drastis—kalau diberi kebebasan untuk bereksperimen tanpa komite approval.”

Fokus Awal: Tiga Bidang Konkrit

1. Penemuan Obat (Drug Discovery)

Discovery Loop bekerjasama dengan dua perusahaan biofarmasi besar (nama belum diumumkan) untuk melatih model AI yang merancang molekul kandidat obat. Target: mengurangi fase lead optimization dari 18 bulan jadi 3-4 bulan. Model mereka menggabungkan geometric deep Leaving dengan simulasi dinamika molekuler—pendekatan yang Dean dan tim kembangkan sejak era Google Brains 2016.

2. Desain Chip (Chip Design)

Shazeer memimpin divisi ini. Tim menggunakan reinforcement Leaving untuk merancang tata letak blok logika pada chip AI generasi berikutnya. Di Google, tim Dean pernah menghasilkan AlphaChip—sistem yang merancang tata letak TPU v5 lebih efisien dari insinyur manusia. Discovery Loop ingin mengkomersialkan teknologi serupa untuk pelanggan fabless semiconductor.

3. Ilmu Material (Materials Science)

Parmar dan Kaiser fokus pada prediksi sifat material baru untuk baterai solid-state dan katalis hijau. Mereka melatih model pada dataset kristalografi terbuka (Materials Project, OQMD) ditambah data eksperimen proprietary dari mitra industri kimia.

Pendanaan dan Struktur Unik

Discovery Loop tidak mengumpulkan dana venture capital tradisional. Sebaliknya, mereka mengadopsi model “evergreen partnership”: mitra industri (farmasi, semiconductor, kimia) berinvestasi sebagai limited partners dengan hak akses pertama ke temuan, sementara tim founder memegang kendali penuh arah penelitian. Dana awal diperkirakan $120 juta dari empat mitra strategis.

Tim awal: 12 peneliti (8 dari Google DeepMind, 3 dari academia, 1 dari biotech). Kantor sementara di Palo Alto, rencana pindah ke ruang laboratorium wet-lab di South San Francisco Q1 2027.

Implikasi bagi Ekosistem AI

Keluarnya empat figur kunci sekaligus menandakan pergeseran: penelitian AI fundamental semakin bergerak dari lab besar (Google, Meta, OpenAI) ke startup vertikal yang mendekati domain application. Tren serupa terlihat di Adept (robotics), Inflection (personal AI), dan Sakana AI (Tokyo).

Bagi Google, kehilangan Dean dan Shazeer adalah pukulan simbolis—namun Google DeepMind masih memiliki 2.000+ peneliti. Sundar Pichai menyatakan “dukung penuh” dan menjanjikan kolaborasi data terbuka dengan Discovery Loop.

Apa yang Perlu Diperhatikan Pengembang dan Peneliti

• Open-weight models: Discovery Loop berkomitmen merilis backbone model (bukan fine-tune spesifik domain) di bawah lisensi Apache 2.0 setiap 6 bulan. Model pertama direncanakan Q4 2026.
• Benchmark baru: Tim akan mempublikasikan “DiscoveryBench”—suite evaluasi untuk kemampuan AI dalam penemuan ilmiah nyata, bukan hanya tugas akademik.
• Rekrutmen: Mereka mencari 20 peneliti ML + 8 insinyur wet-lab sebelum akhir 2026. Prioritas: pengalaman geometric deep Leaving, RL for combinatorial optimization, atau background kimia komputasional.

Kesimpulan

Discovery Loop adalah taruhan besar: apakah tim kecil, bebas birokrasi, dengan keahlian Transformer dan RL, bisa mengalahkan lab raksasa dalam menghasilkan terobosan ilmiah nyata? Jawabannya akan menentukan apakah gelar “AI for science” berikutnya lahir dari startup—bukan dari korporasi. Untuk pengembang Indonesia, peluangnya jelas: pelajari geometric deep Leaving dan RL kombinatorial sekarang, karena kebutuhan talenta di bidang ini akan melonjak 2027-2028.