URWORTE

Blog

9. August 2026

DeepMind / Google DeepMind

DeepMind (seit April 2023 offiziell Google DeepMind) ist ein 2010 in London gegründetes KI-Forschungsunternehmen, das 2014 von Google für einen Kaufpreis von etwa 500 Millionen US-Dollar übernommen wurde und seitdem als Tochtergesellschaft von Alphabet operiert.

DeepMind ist vor allem durch drei Forschungslinien bekannt. Erstens das Reinforcement Learning-Paradigma, das durch DQN (Mnih u. a. Nature 2015), AlphaGo (Nature 2016) und AlphaZero (Science 2018) zu kanonischen Demonstrationen der Leistungsfähigkeit tiefen RL-Trainings führte.

Zweitens die Proteinfaltungsforschung mit AlphaFold 2 (Nature 2021) und AlphaFold 3 (Nature 2024), für die Demis Hassabis und John Jumper 2024 den Nobelpreis für Chemie erhielten.

Drittens die Entwicklung der Gemini-Sprachmodellfamilie (ab Dezember 2023) als Google Alphabets Antwort auf GPT-4 und Claude.

Stand 2025/2026 ist Google DeepMind das nach Publikationsoutput und wissenschaftlicher Breite vielseitigste Frontier-KI-Lab und hat seinen historischen Schwerpunkt auf Grundlagenforschung mit einer zunehmend produktorientierten Ausrichtung verbunden.

Zusammenfassung

DeepMind verbindet in seiner institutionellen Geschichte einen ausgeprägten wissenschaftlichen Anspruch – „solve intelligence, then use that to solve everything else” (Hassabis, Gründungsmission) – mit der Einbettung in den Alphabet-Konzern, die sowohl die Finanzierungsbasis als auch den Produktentwicklungsdruck strukturiert.

DeepMind hat Beiträge zu Reinforcement Learning, Spieltheorie, neurowissenschaftlich inspirierter KI, Proteinfaltung, Wettervorhersage, Mathematik und multimodalen Foundation Models geleistet, deren Breite unter den Frontier-Labs einmalig ist. Die Fusion mit Google Brain im April 2023 zu Google DeepMind bündelte die KI-Kapazitäten von Alphabet und verstärkte die Ausrichtung auf die Gemini-Modellfamilie als kommerzielles Kernprodukt.

Demis Hassabis und Shane Legg sind die verbliebenen Gründer; Mustafa Suleyman, dritter Mitgründer, verließ DeepMind 2019 und wechselte 2023 zu Microsoft als CEO von Microsoft AI. DeepMind ist in der Debatte um KI-Risiken und -Sicherheit durch den AI Safety-Anspruch seiner Gründungsmission präsent, hat aber eine weniger explizit existenzrisiko-orientierte öffentliche Kommunikation als OpenAI oder Anthropic.

Geschichte

Gründung und Frühphase (2010–2014)

DeepMind Technologies wurde 2010 in London von Demis Hassabis, Shane Legg und Mustafa Suleyman gegründet.

Hassabis (* 27. Juli 1976 in London) hatte zuvor Computerspiele entwickelt, an der University of Cambridge Informatik studiert und 2009 am University College London in Computational Neuroscience promoviert. Legg (* 1973 in Neuseeland) hatte 2008 an der University of Lugano bei Jürgen Schmidhuber promoviert; Suleyman (* 1984 in London) kam aus dem gemeinnützigen Sektor.

Die Gründungsmission des Unternehmens war eine umfassende: allgemeine Lernalgorithmen zu entwickeln, die Intelligenz als solche modellieren, ohne domänenspezifisches Expertenwissen zu kodieren. Frühe Forschungsarbeiten kombinierten Deep Learning mit Reinforcement Learning für Spiele.

Im Januar 2014 übernahm Google DeepMind für einen in der Sekundärliteratur auf 400–650 Millionen US-Dollar geschätzten Kaufpreis; die Übernahme war zu diesem Zeitpunkt eine der größten KI-Akquisitionen der Geschichte.

Als Bedingung der Übernahme soll DeepMind die Einrichtung eines unabhängigen Ethics Board durchgesetzt haben – ein Gremium, dessen Zusammensetzung und Wirksamkeit in der Sekundärliteratur kritisch diskutiert wurden (Hern 2017).

Deep Q-Network und Atari-Durchbruch (2015)

Human-Level Control through Deep Reinforcement Learning (Mnih u. a. Nature 518, 2015, DOI: 10.1038/nature14236) demonstrierte, dass ein einheitlicher Reinforcement-Learning-Agent – das Deep Q-Network (DQN) – menschliche oder übermenschliche Leistung auf 49 Spielen erzielen kann. Er erreichte dies durch ausschließliches Spielen von Atari-Videospielen auf Basis von Pixeleingaben und Spielstand.

Diese Arbeit ist die erste überzeugende Demonstration generalisierbaren tiefen RL und gilt als Beginn der modernen RL-Forschungswelle.

AlphaGo, AlphaZero und spielbasierte Meilensteine (2016–2018)

Mastering the Game of Go with Deep Neural Networks and Tree Search (Silver u. a. Nature 529, 2016, DOI: 10.1038/nature16961) präsentierte AlphaGo, das erste Computerprogramm, das einen menschlichen Go-Weltmeister besiegte. Es schlug Lee Sedol im März 2016 in einem offiziellen Fünf-Spiele-Match mit 4:1.

Go galt bis dahin als das komplexeste klassische Brettspiel und als schwer für maschinelle Ansätze, da der Suchraum für konventionelle Baum-Such-Verfahren zu groß ist; AlphaGo kombinierte tiefe neuronale Netze für Stellungsbewertung und Zugauswahl mit Monte-Carlo-Tree-Search.

AlphaGo Zero (Nature 550, 2017, DOI: 10.1038/nature24270) erreichte dieselbe Leistung ausschließlich durch Self-Play ohne menschliche Spieldaten. AlphaZero (Science 362, 2018, DOI: 10.1126/science.aar6404) verallgemeinerte das Verfahren auf Schach, Shogi und Go und übertraf in allen drei Spielen die stärksten vorhandenen spezialisierten Programme.

AlphaStar, AlphaCode und wissenschaftliche Erweiterungen (2019–2022)

AlphaStar (Vinyals u. a. Nature 575, 2019, DOI: 10.1038/s41586-019-1724-z) demonstrierte Grandmaster-Niveau im Echtzeit-Strategiespiel StarCraft II – anspruchsvoller als Brettspiele durch unvollständige Information, simultane Aktionen beider Spieler und sehr lange Aktionssequenzen.

AlphaCode (Li u. a. Science 378, 2022, DOI: 10.1126/science.abq1158) erreichte auf Programmierwettbewerb-Benchmarks Leistungen im Bereich des oberen Mittelfelds menschlicher Wettbewerbsteilnehmenden.

AlphaFold 2 und wissenschaftliche Proteinfaltung (2021)

Highly Accurate Protein Structure Prediction with AlphaFold (Jumper u. a. Nature 596, 2021, DOI: 10.1038/s41586-021-03819-2) löste das seit Jahrzehnten offene Problem der Proteinfaltungsvorhersage mit einer neuen Kombination aus evolutionären Sequenzinformationen, Aufmerksamkeitsmechanismen und iterativer Strukturverfeinerung.

AlphaFold 2 erzielte beim CASP14-Wettbewerb (Critical Assessment of Structure Prediction) Genauigkeiten, die experimentellen Methoden (Röntgenkristallografie, Cryo-Elektronen-Mikroskopie) nahekamen.

Die vollständige AlphaFold-Datenbank wurde bis 2022 auf über 200 Millionen Proteinstrukturen erweitert und ist öffentlich zugänglich. Für AlphaFold 2 erhielten Demis Hassabis und John Jumper im Oktober 2024 gemeinsam mit David Baker (University of Washington) den Nobelpreis für Chemie. AlphaFold 3 (Abramson u. a. Nature 630, 2024, DOI: 10.1038/s41586-024-07487-w) erweiterte das Verfahren auf DNA, RNA, kleine Moleküle und Protein-Ligand-Komplexe.

Fusion zu Google DeepMind und Gemini (2023)

Im April 2023 fusionierte DeepMind mit Google Brain zur gemeinsamen Einheit Google DeepMind unter der Leitung von Demis Hassabis. Google Brain war 2011 innerhalb von Google entstanden und hatte u. a. die Transformer-Architektur (Vaswani u. a. 2017) und BERT (Devlin u. a. 2019) hervorgebracht.

Im Dezember 2023 veröffentlichte Google DeepMind Gemini 1.0 (Team Gemini u. a. 2023, arXiv 2312.11805) in drei Größenvarianten (Ultra, Pro, Nano) als multimodales Foundation Model – der erste Google-Anbieter, der GPT-4 auf mehreren multimodalen Benchmarks herausforderte.

Gemini 1.5 (Februar 2024) führte einen Kontextfenster von einer Million Token ein; Gemini 2.0 Flash und Pro (Dezember 2024) und Gemini 2.5 (März 2025) erweiterten die Reasoning-Fähigkeiten.

Im November 2025 veröffentlichte Google DeepMind Gemini 3 (blog.google 2025); in den Folgemonaten erschienen die Varianten Gemini 3.1 Pro, Gemini 3.1 Deep Think und Gemini 3.1 Flash-Lite. Stand August 2026 ist Gemini 3.5 Flash bereits verfügbar, während Gemini 3.5 Pro angekündigt, aber laut Berichten möglicherweise noch nicht final veröffentlicht ist (DeepMind 2026).

Weitere Forschungslinien (2022–2026)

GraphCast (Lam u. a. Science 382, 2023, DOI: 10.1126/science.adi2336) demonstrierte mittelfristige globale Wettervorhersage auf Basis von Graph-Neural-Networks mit höherer Genauigkeit und geringerem Rechenaufwand als physikbasierte Modelle. GenCast (Price u. a. Nature 637, 2024) ist ein probabilistisches Wettervorhersage-Ensemble auf Diffusionsmodell-Basis.

AlphaGeometry (Trinh u. a. Nature 625, 2024, DOI: 10.1038/s41586-023-06747-5) löste olympische Geometrieaufgaben auf Niveau menschlicher Goldmedaillengewinner. FunSearch (Romera-Paredes u. a. Nature 620, 2023) kombinierte LLMs mit evolutionären Suchalgorithmen zur Entdeckung neuer mathematischer Resultate.

Kontroversen und Kritik

Die ursprünglich zugesagte Einrichtung eines unabhängigen Ethics Board nach der Google-Übernahme 2014 blieb folgenlos; das Gremium wurde nie öffentlich bekannt gegeben, seine Zusammensetzung nie veröffentlicht.

Mustafa Suleyman, Mitgründer und ehemaliger Leiter von Applied DeepMind, verließ das Unternehmen 2019; Berichte über interne Spannungen zwischen wissenschaftlichen und kommerziellen Prioritäten wurden in der Sekundärliteratur dokumentiert (Bloomberg 2019).

Die Zugänglichkeit wissenschaftlicher Ergebnisse – insbesondere der AlphaFold-Datenbank und einiger RL-Arbeiten – ist im Vergleich zu anderen Frontier-Labs breiter.

Die Gemini-Modellgewichte werden jedoch nicht veröffentlicht. Die Transparenz des Gemini Technical Report wurde in der Sekundärliteratur als geringer als bei früheren DeepMind-Publikationen eingeschätzt. [TODO: Belegstelle „Bai u. a. 2023” trotz gezielter Websuche nicht auffindbar – keines der vorhandenen Bai-2023-Werke im Vault passt inhaltlich; vor Freigabe durch echte Quelle ersetzen oder entfernen.]

Die Integration in Alphabets kommerzielle Produktinfrastruktur (Google Search, Google Workspace, Android) wird in der KI-Governance-Literatur als Konzentrationsrisiko diskutiert (Anderljung u. a. 2023).

Der Nobelpreis für Hassabis und Jumper 2024 wurde in der Wissenschaftscommunity überwiegend positiv aufgenommen; vereinzelte Kritik betraf die Frage, ob die Vergabe an ein kommerzielles Unternehmen statt an akademische Institutionen einen Präzedenzfall für die Nobelvergabe setzt (Callaway 2024).

Stand 2025/2026

Stand Mai 2026 ist Google DeepMind das nach wissenschaftlichem Output breiteste KI-Forschungslab weltweit und mit der Gemini-Modellfamilie einer der drei führenden Frontier-Anbieter. Die Gemini-2.5-Modelle konkurrieren auf Reasoning-Benchmarks mit OpenAIs o-Modellreihe und Anthropics Claude.

Die Wissenschaftslinie aus AlphaFold, GraphCast, AlphaGeometry und FunSearch positioniert DeepMind als einziges Frontier-Lab mit nachgewiesenen Durchbrüchen in den Naturwissenschaften, für die externe, unabhängige Peer-Review-Bestätigung vorliegt.

Offene Fragen betreffen das Verhältnis zwischen Grundlagenforschung und Produktentwicklung nach der Google-Brain-Fusion, die wissenschaftliche Transparenz der Gemini-Modellfamilie, die Skalierbarkeit des AlphaFold-Paradigmas auf weitere biologische Systeme und die Einbindung von Gemini in Googles Suchinfrastruktur unter regulatorischen Gesichtspunkten.

Verwandte Begriffe

Quellenangaben

  1. Abramson, Josh u. a., 2024. Accurate Structure Prediction of Biomolecular Interactions with AlphaFold 3. In: Nature 630 (8016), S. 493–500. DOI: 10.1038/s41586-024-07487-w.
  2. Anderljung, Markus u. a., 2023. Frontier AI Regulation: Managing Emerging Risks to Public Safety. arXiv: 2307.03718.
  3. Bloomberg, 2019. Google DeepMind Co-Founder Placed on Leave From AI Lab. Bloomberg News, 21. August 2019.
  4. Callaway, Ewen, 2024. Chemistry Nobel Goes to Developers of AlphaFold AI That Predicts Protein Structures. In: Nature 634 (8033), S. 525–526. DOI: 10.1038/d41586-024-03214-7.
  5. Devlin, Jacob / Chang, Ming-Wei / Lee, Kenton / Toutanova, Kristina, 2019. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In: Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics (NAACL 2019), S. 4171–4186. DOI: 10.18653/v1/N19-1423.
  6. Google DeepMind, 2026. Gemini Models Overview. deepmind.google/models/gemini/, 2026.
  7. Google, 2025. A new era of intelligence with Gemini 3. blog.google/products/gemini/gemini-3, 18. November 2025.
  8. Hern, Alex, 2017. Whatever Happened to the DeepMind AI Ethics Board Google Promised? In: The Guardian, 26. Januar 2017.
  9. Jumper, John / Evans, Richard / Pritzel, Alexander u. a., 2021. Highly Accurate Protein Structure Prediction with AlphaFold. In: Nature 596 (7873), S. 583–589. DOI: 10.1038/s41586-021-03819-2.
  10. Lam, Remi u. a., 2023. Learning Skillful Medium-Range Global Weather Forecasting. In: Science 382 (6677), S. 1416–1421. DOI: 10.1126/science.adi2336. (GraphCast).
  11. Li, Yujia u. a., 2022. Competition-Level Code Generation with AlphaCode. In: Science 378 (6624), S. 1092–1097. DOI: 10.1126/science.abq1158.
  12. Mnih, Volodymyr u. a., 2015. Human-Level Control through Deep Reinforcement Learning. In: Nature 518 (7540), S. 529–533. DOI: 10.1038/nature14236.
  13. Price, Ilan u. a., 2024. Probabilistic Weather Forecasting with Machine Learning. In: Nature 637 (8044), S. 84–90. DOI: 10.1038/s41586-024-08252-9. (GenCast).
  14. Romera-Paredes, Bernardino u. a., 2023. Mathematical Discoveries from Program Search with Large Language Models. In: Nature 620 (7973), S. 468–477. DOI: 10.1038/s41586-023-06924-6. (FunSearch).
  15. Silver, David / Huang, Aja / Hassabis, Demis u. a., 2016. Mastering the Game of Go with Deep Neural Networks and Tree Search. In: Nature 529 (7587), S. 484–489. DOI: 10.1038/nature16961.
  16. Silver, David u. a., 2017. Mastering the Game of Go without Human Knowledge. In: Nature 550 (7676), S. 354–359. DOI: 10.1038/nature24270.
  17. Silver, David u. a., 2018. A General Reinforcement Learning Algorithm that Masters Chess, Shogi, and Go through Self-Play. In: Science 362 (6419), S. 1140–1144. DOI: 10.1126/science.aar6404.
  18. Team Gemini u. a., 2023. Gemini: A Family of Highly Capable Multimodal Models. Google DeepMind. arXiv: 2312.11805.
  19. Trinh, Trieu H. / Wu, Yuhuai / Le, Quoc V. / He, He / Luong, Thang, 2024. Solving Olympiad Geometry without Human Demonstrations. In: Nature 625 (7995), S. 476–482. DOI: 10.1038/s41586-023-06747-5.
  20. Vaswani, Ashish / Shazeer, Noam / Parmar, Niki / Uszkoreit, Jakob / Jones, Llion / Gomez, Aidan N. / Kaiser, Łukasz / Polosukhin, Illia, 2017. Attention Is All You Need. In: Advances in Neural Information Processing Systems 30 (NeurIPS 2017), S. 5998–6008. arXiv: 1706.03762.
  21. Vinyals, Oriol u. a., 2019. Grandmaster Level in StarCraft II Using Multi-Agent Reinforcement Learning. In: Nature 575 (7782), S. 350–354. DOI: 10.1038/s41586-019-1724-z.

← Zurück zur Lexikon-Übersicht