Google DeepMind, ранее DeepMind Technologies, — британская компания, занимающаяся искусственным интеллектом. Основана в 2010 году в Лондоне под названием DeepMind Technologies. В 2014 году была приобретена Google.
Компания получила известность благодаря разработке компьютерной системы AlphaGo, победившей профессионального игрока в го.
DeepMind создала нейронную сеть, способную научиться играть в видеоигры на уровне человека.
В 2020 году компания разработала программу AlphaFold 2, позволяющую решать одну из фундаментальных проблем биологической науки — предсказание структуры белкаАлгоритм DeepMind предсказал структуру белка по аминокислотной последовательности , nplus1.ru, 1 декабря 2020 года..
В 2022 году компания разработала нейросетевой алгоритм AlphaTensor, при помощи которого были найдены несколько новых алгоритмов перемножения матриц небольших размерностей. Так для матриц 4X4 алгоритм Штрассена требует 49 умножений, а AlphaTensor нашёл алгоритм, требующий 47 умножений, но работает он только для поля .
В апреле 2023 года компания объединилась с подразделением Google Brain и стала Google DeepMind.
10 декабря 2024 года CEO компании Демис Хассабис, лауреат премии Дэна Дэвида (2020), и директор компании Джон Джампер получили Нобелевскую премию по химии за 2024 год, которая была присуждена ему за предсказание структуры белка с помощью разработанной компанией программы AlphaFold 2.
История В 2010 году Демис Хассабис, Шейн Легг, Мустафа Сулейман основали стартап DeepMind Technologies. До того Хассабис и Легг уже были знакомы по Университетскому Колледжу Лондона, где работали в подразделении вычислительной нейробиологии Gatsby (Gatsby Computational Neuroscience Unit, www.gatsby.ucl.ac.uk).
В компанию вложились большие венчурные фонды Horizons Ventures, Founders Fund, а также предприниматели Скотт Банистер и Илон Маск. Ян Таллинн был одним из ранних инвесторов и советников компании.
В 2014 DeepMind получила награду «Компания года» от Компьютерной лаборатории Кембриджского университета.
26 января 2014 года Google объявил о приобретении DeepMind Technologies. По разным сообщениям сумма сделки составила от 400 до 650 миллионов долларов. Сообщается, что сделка состоялась после того, как Facebook прекратил переговоры о покупке DeepMind Technologies в 2013 году. Одним из условий сделки DeepMind с Google было создание последней коллегии по этическим проблемам искусственного интеллекта.
После покупки Google компания стала называться Google DeepMind.
В начале сентября 2016 года компания перешла в родительскую компанию Google — Alphabet, а из её названия исчезло упоминание Google, теперь она известна как DeepMind Technologies Limited или же DeepMind. Также веб-сайт компании сменил дизайн.
В апреле 2023 года DeepMind объединилась с подразделением Google Brain и образовала Google DeepMind в рамках продолжающихся усилий компании по ускорению работы над ИИ.
Направление исследований Цель компании — «решить проблему интеллекта». Для этого они используют «лучшие технологии, начиная от машинного обучения и заканчивая системной психофизиологией, чтобы создать в итоге обучающиеся алгоритмы общего назначения». Также они работают над формализацией интеллекта для того, чтобы не только реализовать его в машинах, но и чтобы понять, как работает мозг человека. По словам Демиса Хассабиса:
Решение проблемы интеллекта DeepMind видит в создании универсальных самообучающихся интеллектуальных агентов, которые были бы способны автономно обучаться на необработанных входных данных и были бы пригодны для решения любых задач в отличие от «ограниченных ИИ», таких как Deep Blue или IBM Watson, решающих только одну предопределённую задачу. В качестве основного подхода к построению интеллектуальных агентов выбрано обучение с подкреплением.
В настоящий момент компания занимается исследованиями в области компьютерных систем, которые умеют играть в различные игры — от стратегических игр вроде го до компьютерных аркад. Шейн Легг утверждает, что искусственный интеллект сможет достичь уровня человека, «когда машина научится играть в широкий класс игр, используя только входной и выходной сигналы потока восприятия, и переносить понимание из игры в игру…». Демис Хассабис объясняет фокус на играх, а не на более традиционной робототехнике, тем, что «роботы — дорогие, медленные и часто ломаются… исследователь отвлекается на починку механических деталей робота…». Сообщается, что Google купил компанию именно после публикации исследования об ИИ, успешно играющего в семь различных Atari-игр (Pong, Breakout, Space Invaders, Seaquest, Beamrider, Enduro, Q*bert).
В начале 2018 года исследователи из DeepMind обучили одну из своих систем играть в компьютерную игру Quake III Arena. Через некоторое время, потраченное на тренировки, по уровню игры эта система сначала догнала, а затем и перегнала людей, являющихся сильными игроками Engadget, March 7, 2018.
Нейронная машина Тьюринга В 2014 году DeepMind опубликовал архитектуру гибридной нейронной сети, состоящую из рекуррентной нейросети и внешней памяти. Нейросеть использует внешнюю память для записи и последующего чтения информации так же, как это делает машина Тьюринга, по этой причине архитектуре дали название «Нейронная машина Тьюринга» (Neural Turing Machine). По замыслу исследователей Нейронная машина Тьюринга имитирует кратковременную память человека и позволяет понять принципы её работы. В экспериментах нейросеть успешно обучалась простым алгоритмам: копирование, сортировка, ассоциативная память.
Глубинное обучение с подкреплением в видеоиграх DeepMind представил систему ИИ, которая способна обучиться играть в классические игры 70-80-х гг. для игровой консоли Atari 2600. В исследовании ИИ обучался игре в 49 видеоигр. В результате был достигнут уровень игры сравнимый с уровнем человека, а в 22 играх система смогла превзойти человека. ИИ DeepMind не запрограммирован жестко под конкретную игру. В начале обучения система ничего не знает о правилах игры и учится играть самостоятельно, используя на входе только пиксельное изображение игры и информацию об очках, получаемых в ходе игры.
В основе ИИ лежит подход, который DeepMind называет глубинным обучением с подкреплением, или deep Q-network (DQN). Это вариация обучения с подкреплением без модели с применением Q-обучения, в котором функция полезности моделируется с помощью глубинной нейронной сети. В качестве архитектуры нейросети выбрана свёрточная нейронная сеть, в настоящее время эта архитектура эффективно применяется для распознавания изображений.
В планах DeepMind научить ИИ, построенного на тех же принципах, играть в более сложные 3D игры 90-х, такие как Doom и гоночные симуляторы. В феврале 2016 были представлены первые результаты обучения ИИ 3D играм. ИИ смог обучиться управлению машиной в 3D гоночном симуляторе TORCS, поиску выхода и призов в Doom-подобном 3D лабиринте Labyrinth, выполнению простых задач (локомоция, поддержание равновесия, манипуляция предметами) в физическом симуляторе MuJoCo (www.mujoco.org). Как и прежде на вход ИИ подавалось только пиксельное изображение «мира». Архитектура нейросети была расширена добавлением LSTM, разновидности рекуррентной нейронной сети.
AlphaStar
На ежегодном фестивале Blizzcon 2016 компания Blizzard, которая является инициатором данного мероприятия, объявила о своем сотрудничестве с компанией DeepMind. Затем об этом событии была опубликована статья на официальных блогах обеих компаний. Целью данного сотрудничества является внедрение и обучение ИИ в игре Starcraft II. По мнению разработчиков игры — Starcraft II является идеальной средой для обучения искусственного интеллекта, поскольку сложные правила игры достаточно отражают сложность и многогранность реального мира. К тому же, само коммьюнити считало эту игру самой большой проблемой для ИИ, сумевшего победить человека в игре в го, шахматы и покер.
В данный момент ведется работа над «Starcraft 2 API», которая позволяет ИИ полностью взаимодействовать с интерфейсом игры, принять участие в разработке может любой желающий, для таковых были опубликованы технические задачи, которые планируется реализовать в первом квартале 2017 года. Сам ИИ будет обучаться, просматривая повторы других игроков, которые принимали участие в рейтинговых играх.
На турнире 19 декабря 2018 года между AlphaStar и двумя профессиональными игроками, входящими в сотню сильнейших TLO и MaNa, AlphaStar выиграла со счётом 10:0. При этом MaNa удалось победить в одной внезачётной игре
24 января 2019 года была представлена программа AlphaStar, специализирующаяся на игре StarCraft II в жанре стратегии в реальном времени. AlphaStar сначала учило программу на записях игр людей, затем включило в «лигу AlphaStar», где ИИ играл не только против себя, но и «эксплуататорских» агентов, которые являлись версиями ИИ, специально нацеленными на слабые места AlphaStar и представлявших каждую из трёх рас. Обучение гарантировало, что AlphaStar станет грозным противником всех трёх рас и каждой игровой стратегии. На момент презентации у AlphaStar были знания, эквивалентные 200 годам игрового времени.. При этом разработчики пытались ограничить возможности ИИ, например ограничив число действий в минуту приравняв его к усредненному числу действий хорошего игрока (что не мешает программе показывать невозможные для людей результаты), из-за чего программа была вынуждена учиться выигрывать долгосрочной стратегией. Скорость реакции около 3 кадров от появления противника в зоне видимости до ответной реакции. Уменьшило размер зоны зрения ИИ до зоны зрения игрока.
К концу октября 2019 года ИИ стал гроссмейстером игры, сумев обойти 99,8 % зарегистрированных в Starcraft II игроков-людей. На это достижение AlphaStar понадобилось 44 дня тренировок..
Генерация видео
В мае 2024 года на конференции Google I/O 2024 была анонсирована модель генерации мультимодального видео под названием Veo. Google заявила, что она может генерировать видео 1080p длительностью более минуты. В декабре 2024 года Google выпустила Veo2, доступную через VideoFX. Она поддерживает генерацию видео с разрешением 4K и обладает улучшенным пониманием физики.
В апреле 2025 года Google открыла модель для создания видео Veo 2 для подписчиков Gemini. Пользователи могут создавать восьмисекундные видеоклипы с разрешением 720p и соотношением сторон 16:9 и загружать эти клипы в TikTok, YouTube и другие сервисы с помощью кнопки «поделиться» Gemini. Видеоролики, созданные Veo 2, также можно загружать в виде файлов MP4, помеченных водяными знаками с помощью технологии SynthID от Google.
В мае того же года Google представила модель Veo 3. Наиболее заметным обновлением стала возможность генерации звуков, также было увеличено максимальное разрешение (до 4К) и улучшена точность соблюдения промптов.
В июне 2026 года Google анонсировала серию моделей Gemini Omni, пришедшую на смену Veo. Ключевым отличием стала нативная мультимодальность, позволяющая модели одновременно обрабатывать и генерировать текст, аудио и видео. Omni представила функцию разговорного редактирования, благодаря которой пользователи могут вносить правки в созданные ролики с помощью уточняющих команд. Также модель получила возможность генерации видео сразу с синхронизированным аудио и поддержку создания персонализированных ИИ-аватаров. Облегченная версия Gemini Omni Flash была интегрирована в мобильное приложение Gemini и YouTube Shorts.
Игра в го
В октябре 2015 программа для игры в го AlphaGo, разработанная DeepMind, победила чемпиона Европы по го Фань Хуэя (2-й дан) со счётом 5—0. О новости было объявлено только 27 января 2016 года одновременно с публикацией статьи в журнале Nature.