Google DeepMind: как исследовательская AI-лаборатория работает с большими моделями

Когда в 2016 году программа AlphaGo обыграла чемпиона мира по го Ли Седоля, многие впервые услышали название DeepMind — небольшой лондонской лаборатории, которую Google купил двумя годами ранее. Сегодня это уже Google DeepMind: объединённое AI-подразделение, отвечающее за модели Gemini, научные прорывы вроде AlphaFold и значительную часть исследовательской повестки всего Alphabet. Разберёмся, как возникла эта лаборатория, как именно она работает с большими моделями и почему её бизнес-модель отличается от типичной продуктовой компании.

Что такое Google DeepMind простыми словами

Google DeepMind — это исследовательская лаборатория искусственного интеллекта в структуре Alphabet, материнской компании Google. Её задача — разрабатывать фундаментальные AI-технологии: алгоритмы, архитектуры нейронных сетей, методы обучения и оценивания, а затем превращать эти исследования в работающие системы и продукты.

Если объяснять совсем просто, DeepMind — это «мозговой центр» Google в сфере искусственного интеллекта. Там работают исследователи, инженеры и учёные из разных областей: от машинного обучения и математики до нейробиологии, физики и биологии. Результатом их работы являются как научные статьи, так и конкретные системы — модели Gemini, инструменты для прогнозирования структуры белков, алгоритмы оптимизации энергопотребления дата-центров.

Важный нюанс: DeepMind не является отдельной коммерческой компанией, продающей продукты напрямую. Она существует внутри экосистемы Google, поэтому её разработки чаще всего попадают к пользователям через сервисы поиска, Android, Google Cloud или отдельные приложения вроде Gemini. Смежные направления — AI, облака, микросхемы, кибербезопасность, роботы и deep tech — собраны в атласе технологии и инновации: атлас ai облаков микросхем кибербезопасности.

История Google DeepMind: от лондонского стартапа до ядра AI-стратегии Google

История компании начинается в 2010 году в Лондоне. DeepMind основали Демис Хассабис, Шейн Легг и Мустафа Сулейман. Хассабис — бывший детский шахматный вундеркинд, разработчик видеоигр и нейробиолог с исследованиями памяти и воображения — поставил амбициозную цель: создавать системы, способные учиться решать широкий спектр задач, а не одну узкую проблему.

Ранние годы и покупка Google

Первым резонансным результатом лаборатории стала система DQN (Deep Q-Network), которая в 2013–2015 годах самостоятельно научилась играть в десятки классических игр Atari, видя лишь пиксели на экране. Это был показательный пример глубокого обучения с подкреплением: агент получал вознаграждение за результат и постепенно выстраивал собственную стратегию без каких-либо подсказок о правилах игры.

В январе 2014 года Google приобрёл DeepMind примерно за 500 миллионов долларов — по оценкам СМИ, точная сумма официально не раскрывалась. Условия сделки включали создание независимого совета по этике, что свидетельствовало: уже тогда стороны понимали потенциальные риски мощных AI-систем. После покупки лаборатория сохранила лондонский офис и значительную научную автономию.

Прорывы AlphaGo и AlphaFold

В 2016 году AlphaGo победила Ли Седоля со счётом 4:1. Го считалась слишком сложной для машин из-за огромного количества возможных позиций, поэтому победа стала символической вехой для всей отрасли. Впоследствии появились AlphaZero и MuZero — системы, которые осваивали го, шахматы и сёги вообще без человеческих партий, лишь через игру с самими собой.

Второй большой прорыв — AlphaFold, система прогнозирования трёхмерной структуры белков. Проблема сворачивания белка десятилетиями оставалась одной из самых сложных в биологии, ведь от формы белка зависит его функция. В 2020 году AlphaFold 2 продемонстрировала на конкурсе CASP точность, сравнимую с экспериментальными методами, а впоследствии лаборатория открыла базу предсказанных структур для сотен миллионов белков. В 2024 году Демис Хассабис и Джон Джампер получили Нобелевскую премию по химии за эту работу.

Слияние с Google Brain

В апреле 2023 года Google объединил DeepMind с внутренней исследовательской командой Google Brain в единое подразделение — Google DeepMind. Причина была прагматичной: конкуренция в сфере больших языковых моделей резко обострилась, и распределение усилий между двумя лабораториями тормозило разработку. Объединённая команда сосредоточилась на моделях Gemini, а Демис Хассабис возглавил новое подразделение.

Как Google DeepMind работает с большими моделями

Именно этот блок лучше всего отвечает на вопрос «как работает» современная лаборатория. Работа с большими моделями — это не одно действие, а цикл из нескольких этапов, каждый из которых требует отдельной экспертизы и огромных вычислительных ресурсов.

Архитектура: трансформеры и мультимодальность

Основа современных моделей DeepMind, как и большинства больших языковых моделей, — архитектура трансформера, которую, кстати, впервые описали именно исследователи Google в 2017 году. Трансформер обрабатывает текст (а также изображения, аудио или видео) как последовательность токенов и с помощью механизма внимания определяет, какие части входных данных важны друг для друга.

Модели семейства Gemini с самого начала проектировались как мультимодальные: они обучаются одновременно на тексте, изображениях, аудио и видео, а не добавляют эти возможности как отдельные модули после основного обучения. Это принципиальное отличие от ранних подходов, когда «понимание» картинок прикручивали к готовой текстовой модели. Практическое следствие — модель может, например, проанализировать график в PDF-документе вместе с текстом вокруг него или ответить на вопрос о содержимом видео.

Этапы обучения модели

Упрощённо создание большой модели выглядит так:

• Предварительное обучение (pretraining). Модель обрабатывает огромные объёмы данных и учится предсказывать следующий токен. Именно на этом этапе она приобретает знания о языке, фактах и базовых паттернах рассуждений. Это самый дорогой этап: он требует тысяч специализированных чипов TPU, которые Google разрабатывает собственными силами.
• Дообучение и инструктивная настройка (fine-tuning). Модель тренируют на примерах «вопрос — правильный ответ», чтобы она следовала инструкциям, а не просто продолжала текст.
• Выравнивание по человеческим оценкам (RLHF и производные методы). Люди-оценщики сравнивают варианты ответов, и модель оптимизируется под те, которые люди считают более полезными и безопасными. Здесь DeepMind использует свой многолетний опыт обучения с подкреплением.
• Оценивание (evaluation). Перед запуском модель проходит десятки тестов: на рассуждение, знание языков программирования, склонность к выдумыванию фактов, опасные возможности.

Обучение с подкреплением как фирменное преимущество

Историческая сильная сторона DeepMind — именно обучение с подкреплением, то есть обучение через вознаграждение за достижение цели. Опыт AlphaGo и AlphaZero напрямую повлиял на современные методы: модели учатся не только имитировать человеческие тексты, но и проверять собственные рассуждения, искать лучшие цепочки мыслей, работать шаг за шагом. Такая комбинация масштабного pretraining и усиленного обучения — одна из черт, отличающих подход лаборатории.

Инфраструктура: почему это возможно только внутри Google

Тренировка фронтирных моделей требует вычислений, которые стоят сотни миллионов долларов. Google DeepMind имеет доступ к собственным кластерам TPU — тензорных процессоров, специально созданных для операций нейронных сетей. Это снимает зависимость от внешних поставщиков чипов и позволяет проектировать модели под конкретное железо, а железо — под модели. Для исследовательской лаборатории это стратегическое преимущество, которого нет у большинства университетских команд.

Технологии и инновации: главные направления работы

Портфолио лаборатории значительно шире чат-ботов. Условно его можно разделить на четыре направления.

Отдельно стоит упомянуть работу по безопасности. DeepMind одной из первых институционализировала исследования выравнивания — задачи сделать поведение AI-систем предсказуемым и соответствующим человеческим намерениям. Лаборатория публикует рамки оценивания фронтирных моделей и внутренне тестирует системы на возможности, которые могли бы стать рискованными (например, автономное копирование или манипулятивное поведение), прежде чем разворачивать их в продуктах.

Бизнес-модель Google DeepMind

Вопрос о бизнес-модели DeepMind интересен тем, что лаборатория почти не продаёт ничего напрямую. Её экономика работает иначе, и понимание этого механизма объясняет многие стратегические решения.

Исследования как внутренний поставщик технологий

Основная модель — трансфер технологий внутри Alphabet. DeepMind создаёт модели и алгоритмы, а монетизируют их другие подразделения:

• Потребительские продукты. Gemini встроен в приложения, Android, поиск, Workspace — это повышает ценность подписок Google One AI Premium и корпоративных планов.
• Облачные сервисы. Через Google Cloud и Vertex AI предприятия получают доступ к моделям по подписке или по объёму использования — это прямой доход от исследовательских разработок.
• Операционная эффективность. Алгоритмы DeepMind ещё в 2016 году применили для оптимизации охлаждения дата-центров Google, что уменьшило затраты энергии на эту задачу на десятки процентов.

Открытая наука как инвестиция в репутацию и таланты

Второй слой модели менее очевиден: публикации, открытые базы данных (как AlphaFold Protein Structure Database) и открытые модели Gemma не приносят прямого дохода, но работают на долгосрочные цели. Они привлекают сильнейших исследователей, формируют стандарты отрасли и укрепляют позиции Google в диалоге с регуляторами. В конкуренции за несколько сотен ведущих AI-специалистов мира репутация лаборатории, где делают науку нобелевского уровня, — это реальный экономический актив.

При этом стоит понимать ограничения: DeepMind остаётся затратным подразделением, и её существование оправдано лишь масштабом Alphabet. Самостоятельная лаборатория с такой структурой расходов не выжила бы без стабильного финансирования от рекламного и облачного бизнеса.

Что отличает Google DeepMind от других AI-лабораторий

На фоне OpenAI, Anthropic или Meta AI у DeepMind есть несколько узнаваемых черт. Первая — глубокие корни в фундаментальной науке: лаборатория регулярно публикуется в Nature и Science и берётся за задачи, которые не имеют быстрого коммерческого результата, как математические доказательства или прогнозирование структур белков. Вторая — историческая специализация на обучении с подкреплением, унаследованная от игровых систем. Третья — полная интеграция с инфраструктурой Google: собственные чипы, дата-центры и каналы дистрибуции к миллиардам пользователей.

Есть и компромисс. В отличие от независимых лабораторий, DeepMind подчинена продуктовой стратегии Google, поэтому часть исследований закрывается или ускоряется под нужды рынка. Слияние с Google Brain в 2023 году — именно про этот баланс между наукой и бизнесом.

Частые вопросы о Google DeepMind

Является ли DeepMind отдельной компанией

Нет. Юридически это подразделение в структуре Google/Alphabet. До 2014 года DeepMind была независимым лондонским стартапом, но после приобретения полностью принадлежит Google, а с 2023 года объединена с командой Google Brain.

Чем Gemini отличается от AlphaGo

Это разные поколения систем. AlphaGo — узкоспециализированная система для одной игры, обученная методами с подкреплением. Gemini — универсальная мультимодальная модель, работающая с текстом, изображениями, аудио и видео. В то же время методы, отработанные на AlphaGo, применяются в обучении современных моделей.

Можно ли бесплатно пользоваться разработками DeepMind

Частично. Базовая версия Gemini доступна бесплатно, база структур AlphaFold открыта для научного сообщества, а модели семейства Gemma распространяются с открытыми весами. Самые мощные версии моделей доступны по подписке или через платные облачные API.

Где находится Google DeepMind

Главный офис лаборатории остаётся в Лондоне, откуда компания родом. В то же время значительные команды работают в США — прежде всего в Калифорнии, — а также в исследовательских центрах Google в других странах. Поэтому корректно говорить о британо-американской структуре.

Как оценивать новости о DeepMind без лишнего шума

О лаборатории регулярно пишут в тоне от «AI превзошёл человека» до «модели опасны». Практический чек-лист для трезвого чтения таких новостей прост:

1. Смотрите, есть ли первоисточник — научная статья или технический отчёт, а не только пресс-релиз.
2. Проверяйте, на каких тестах заявлен результат и воспроизводим ли он независимо.
3. Отличайте исследовательский прототип от продукта: между демонстрацией и массовым развёртыванием могут пройти годы.
4. Учитывайте оговорки самой лаборатории — DeepMind обычно детально описывает ограничения своих систем в статьях.

Такой подход позволяет видеть за громкими заголовками реальную картину: лабораторию, которая сочетает фундаментальную науку с одной из крупнейших технологических инфраструктур мира — и именно поэтому остаётся одним из главных игроков в развитии искусственного интеллекта.