Google DeepMind: як дослідницька AI-лабораторія працює з великими моделями

Коли у 2016 році програма AlphaGo обіграла чемпіона світу з го Лі Седоля, багато хто вперше почув назву DeepMind — невеликої лондонської лабораторії, яку Google купив двома роками раніше. Сьогодні це вже Google DeepMind: об’єднаний AI-підрозділ, що відповідає за моделі Gemini, наукові прориви на кшталт AlphaFold і значну частину дослідницької повістки всього Alphabet. Розберімося, як виникла ця лабораторія, як саме вона працює з великими моделями та чому її бізнес-модель відрізняється від типової продуктової компанії. Такі розробки є частиною ширшого ландшафту технології та інновації: атлас AI, хмар, чипів, кібербезпеки, роботів і deep tech.

Що таке Google DeepMind простими словами

Google DeepMind — це дослідницька лабораторія штучного інтелекту у структурі Alphabet, материнської компанії Google. Її завдання — розробляти фундаментальні AI-технології: алгоритми, архітектури нейронних мереж, методи навчання та оцінювання, а потім перетворювати ці дослідження на працюючі системи й продукти.

Якщо пояснювати зовсім просто, DeepMind — це «мозковий центр» Google у сфері штучного інтелекту. Там працюють дослідники, інженери та вчені з різних галузей: від машинного навчання й математики до нейробіології, фізики та біології. Результатом їхньої роботи є як наукові статті, так і конкретні системи — моделі Gemini, інструменти для прогнозування структури білків, алгоритми оптимізації енергоспоживання дата-центрів.

Важливий нюанс: DeepMind не є окремою комерційною компанією, що продає продукти безпосередньо. Вона існує всередині екосистеми Google, тому її розробки найчастіше потрапляють до користувачів через сервіси пошуку, Android, Google Cloud або окремі додатки на кшталт Gemini.

Історія Google DeepMind: від лондонського стартапу до ядра AI-стратегії Google

Історія компанії починається у 2010 році в Лондоні. DeepMind заснували Деміс Гассабіс, Шейн Легг і Мустафа Сулейман. Гассабіс — колишній дитячий шаховий вундеркінд, розробник відеоігор і нейробіолог із дослідженнями пам’яті та уяви — поставив амбітну мету: створювати системи, здатні навчатися розв’язувати широкий спектр задач, а не одну вузьку проблему.

Ранні роки та купівля Google

Першим резонансним результатом лабораторії стала система DQN (Deep Q-Network), яка у 2013–2015 роках самостійно навчилася грати в десятки класичних ігор Atari, бачачи лише пікселі на екрані. Це був показовий приклад глибокого навчання з підкріпленням: агент отримував винагороду за результат і поступово вибудовував власну стратегію без жодних підказок про правила гри.

У січні 2014 року Google придбав DeepMind приблизно за 500 мільйонів доларів — за оцінками ЗМІ, точна сума офіційно не розкривалася. Умови угоди включали створення незалежної ради з етики, що свідчило: вже тоді сторони розуміли потенційні ризики потужних AI-систем. Після купівлі лабораторія зберегла лондонський офіс і значну наукову автономію.

Прориви AlphaGo і AlphaFold

У 2016 році AlphaGo перемогла Лі Седоля з рахунком 4:1. Го вважалася надто складною для машин через величезну кількість можливих позицій, тому перемога стала символічною межею для всієї галузі. Згодом з’явилися AlphaZero і MuZero — системи, які опановували го, шахи та сьоґі взагалі без людських партій, лише через гру з самими собою.

Другий великий прорив — AlphaFold, система прогнозування тривимірної структури білків. Проблема згортання білка десятиліттями залишалася однією з найважчих у біології, адже від форми білка залежить його функція. У 2020 році AlphaFold 2 продемонструвала на конкурсі CASP точність, порівнянну з експериментальними методами, а згодом лабораторія відкрила базу передбачених структур для сотень мільйонів білків. У 2024 році Деміс Гассабіс і Джон Джампер отримали Нобелівську премію з хімії за цю роботу.

Злиття з Google Brain

У квітні 2023 року Google об’єднав DeepMind із внутрішньою дослідницькою командою Google Brain у єдиний підрозділ — Google DeepMind. Причина була прагматичною: конкуренція у сфері великих мовних моделей різко загострилася, і розподілення зусиль між двома лабораторіями гальмувало розробку. Об’єднана команда зосередилася на моделях Gemini, а Деміс Гассабіс очолив новий підрозділ.

Як Google DeepMind працює з великими моделями

Саме цей блок найкраще відповідає на запитання «як працює» сучасна лабораторія. Робота з великими моделями — це не одна дія, а цикл із кількох етапів, кожен з яких вимагає окремої експертизи та величезних обчислювальних ресурсів.

Архітектура: трансформери та мультимодальність

Основа сучасних моделей DeepMind, як і більшості великих мовних моделей, — архітектура трансформера, яку до речі вперше описали саме дослідники Google у 2017 році. Трансформер обробляє текст (а також зображення, аудіо чи відео) як послідовність токенів і за допомогою механізму уваги визначає, які частини вхідних даних важливі одна для одної.

Моделі сімейства Gemini з самого початку проєктувалися як мультимодальні: вони навчаються одночасно на тексті, зображеннях, аудіо та відео, а не додають ці можливості як окремі модулі після основного навчання. Це принципова відмінність від ранніх підходів, коли «розуміння» картинок прикручували до готової текстової моделі. Практичний наслідок — модель може, наприклад, проаналізувати графік у PDF-документі разом із текстом навколо нього або відповісти на запитання про вміст відео.

Етапи навчання моделі

Спрощено створення великої моделі виглядає так:

• Попереднє навчання (pretraining). Модель обробляє величезні обсяги даних і вчиться передбачати наступний токен. Саме на цьому етапі вона набуває знань про мову, факти й базові патерни міркування. Це найдорожчий етап: він вимагає тисяч спеціалізованих чипів TPU, які Google розробляє власними силами.
• Донавчання та інструктивне налаштування (fine-tuning). Модель тренують на прикладах «запитання — правильна відповідь», щоб вона слідувала інструкціям, а не просто продовжувала текст.
• Вирівнювання за людськими оцінками (RLHF і похідні методи). Люди-оцінювачі порівнюють варіанти відповідей, і модель оптимізується під ті, які люди вважають кориснішими та безпечнішими. Тут DeepMind використовує свій багаторічний досвід навчання з підкріпленням.
• Оцінювання (evaluation). Перед запуском модель проходить десятки тестів: на міркування, знання мов програмування, схильність до вигадування фактів, небезпечні можливості.

Навчання з підкріпленням як фірмова перевага

Історична сильна сторона DeepMind — саме навчання з підкріпленням, тобто навчання через винагороду за досягнення мети. Досвід AlphaGo та AlphaZero безпосередньо вплинув на сучасні методи: моделі вчаться не лише імітувати людські тексти, а й перевіряти власні міркування, шукати кращі ланцюжки думок, працювати крок за кроком. Така комбінація масштабного pretraining і посиленого навчання — одна з ознак, що відрізняють підхід лабораторії.

Інфраструктура: чому це можливо лише всередині Google

Тренування фронтирних моделей потребує обчислень, які коштують сотні мільйонів доларів. Google DeepMind має доступ до власних кластерів TPU — тензорних процесорів, спеціально створених для операцій нейронних мереж. Це знімає залежність від зовнішніх постачальників чипів і дозволяє проєктувати моделі під конкретне залізо, а залізо — під моделі. Для дослідницької лабораторії це стратегічна перевага, якої немає у більшості університетських команд.

Технології та інновації: головні напрями роботи

Портфоліо лабораторії значно ширше за чат-боти. Умовно його можна поділити на чотири напрями.

Окремо варто згадати роботу з безпеки. DeepMind однією з перших інституціоналізувала дослідження вирівнювання — задачі зробити поведінку AI-систем передбачуваною та відповідною до людських намірів. Лабораторія публікує рамки оцінювання фронтирних моделей і внутрішньо тестує системи на можливості, які могли б стати ризикованими (наприклад, автономне копіювання чи маніпулятивна поведінка), перш ніж розгортати їх у продуктах.

Бізнес-модель Google DeepMind

Запитання про бізнес-модель DeepMind цікаве тим, що лабораторія майже не продає нічого напряму. Її економіка працює інакше, і розуміння цього механізму пояснює багато стратегічних рішень.

Дослідження як внутрішній постачальник технологій

Основна модель — трансфер технологій усередині Alphabet. DeepMind створює моделі та алгоритми, а монетизують їх інші підрозділи:

• Споживчі продукти. Gemini вбудовано у застосунки, Android, пошук, Workspace — це підвищує цінність підписок Google One AI Premium і корпоративних планів.
• Хмарні сервіси. Через Google Cloud і Vertex AI підприємства отримують доступ до моделей за підпискою або за обсягом використання — це прямий дохід від дослідницьких розробок.
• Операційна ефективність. Алгоритми DeepMind ще у 2016 році застосували для оптимізації охолодження дата-центрів Google, що зменшило витрати енергії на цю задачу на десятки відсотків.

Відкрита наука як інвестиція в репутацію й таланти

Другий шар моделі менш очевидний: публікації, відкриті бази даних (як-от AlphaFold Protein Structure Database) і відкриті моделі Gemma не приносять прямого доходу, але працюють на довгострокові цілі. Вони залучають найсильніших дослідників, формують стандарти галузі та зміцнюють позиції Google у діалозі з регуляторами. У конкуренції за кілька сотень провідних AI-фахівців світу репутація лабораторії, де роблять Нобелівський рівень науки, — це реальний економічний актив.

При цьому варто розуміти обмеження: DeepMind залишається витратним підрозділом, і її існування виправдане лише масштабом Alphabet. Самостійна лабораторія з такою структурою витрат не вижила б без стабільного фінансування від рекламного й хмарного бізнесу.

Що відрізняє Google DeepMind від інших AI-лабораторій

На тлі OpenAI, Anthropic чи Meta AI у DeepMind є кілька впізнаваних рис. Перша — глибоке коріння у фундаментальній науці: лабораторія регулярно публікується в Nature і Science та береться за задачі, які не мають швидкого комерційного результату, як-от математичні доведення чи прогнозування структур білків. Друга — історична спеціалізація на навчанні з підкріпленням, успадкована від ігрових систем. Третя — повна інтеграція з інфраструктурою Google: власні чипи, дата-центри й канали дистрибуції до мільярдів користувачів.

Є й компроміс. На відміну від незалежних лабораторій, DeepMind підпорядкована продуктовій стратегії Google, тому частина досліджень закривається або прискорюється під потреби ринку. Злиття з Google Brain у 2023 році — саме про цей баланс між наукою та бізнесом.

Поширені запитання про Google DeepMind

Чи є DeepMind окремою компанією

Ні. Юридично це підрозділ у структурі Google/Alphabet. До 2014 року DeepMind була незалежним лондонським стартапом, але після придбання повністю належить Google, а з 2023 року об’єднана з командою Google Brain.

Чим Gemini відрізняється від AlphaGo

Це різні покоління систем. AlphaGo — вузькоспеціалізована система для однієї гри, навчена методами з підкріпленням. Gemini — універсальна мультимодальна модель, що працює з текстом, зображеннями, аудіо та відео. Водночас методи, відпрацьовані на AlphaGo, застосовуються у навчанні сучасних моделей.

Чи можна безкоштовно користуватися розробками DeepMind

Частково. Базова версія Gemini доступна безкоштовно, база структур AlphaFold відкрита для наукової спільноти, а моделі сімейства Gemma поширюються з відкритими вагами. Найпотужніші версії моделей доступні за підпискою або через платні хмарні API.

Де знаходиться Google DeepMind

Головний офіс лабораторії залишається в Лондоні, звідки компанія родом. Водночас значні команди працюють у США — передусім у Каліфорнії, — а також у дослідницьких центрах Google в інших країнах. Тому коректно говорити про британсько-американську структуру.

Як оцінювати новини про DeepMind без зайвого шуму

Про лабораторію регулярно пишуть у тоні від «AI перевершив людину» до «моделі небезпечні». Практичний чекліст для тверезого читання таких новин простий:

1. Дивіться, чи є первинне джерело — наукова стаття чи технічний звіт, а не лише пресреліз.
2. Перевіряйте, на яких тестах заявлено результат і чи відтворюваний він незалежно.
3. Відрізняйте дослідницький прототип від продукту: між демонстрацією й масовим розгортанням можуть минути роки.
4. Зважайте на застереження самої лабораторії — DeepMind зазвичай детально описує обмеження своїх систем у статтях.

Такий підхід дозволяє бачити за гучними заголовками реальну картину: лабораторію, яка поєднує фундаментальну науку з однією з найбільших технологічних інфраструктур світу — і саме тому залишається одним із головних гравців у розвитку штучного інтелекту.