Google DeepMind

Google DeepMind ist die KI-Forschungssparte des Alphabet-Konzerns mit Hauptsitz in London. Sie entstand im April 2023 aus der Zusammenlegung des 2010 gegründeten britischen Unternehmens DeepMind mit dem kalifornischen Team Google Brain und wird von Demis Hassabis geleitet.

Zusammenfassung

DeepMind wurde 2010 von Demis Hassabis, Shane Legg und Mustafa Suleyman mit dem erklärten Ziel gegründet, allgemeine künstliche Intelligenz zu erreichen und damit wissenschaftliche Probleme zu lösen. Die Gründungsformel Hassabis’ lautete: „solve intelligence, then use that to solve everything else” (eigene Übersetzung: erst die Intelligenz lösen, dann mit ihr alles Übrige).

Google erwarb das Unternehmen 2014 für einen Betrag in der Größenordnung von 500 Millionen US-Dollar (Shu 2014). Es folgten zwei Ergebnisse von außergewöhnlicher Sichtbarkeit: der Sieg von AlphaGo über Lee Sedol 2016 und die Proteinstrukturvorhersage AlphaFold, für die Hassabis und John Jumper 2024 den Nobelpreis für Chemie erhielten.

Die Breite der Forschung – Reinforcement Learning, Spieltheorie, neurowissenschaftlich inspirierte Verfahren, Proteinfaltung, Wettervorhersage, Mathematik, multimodale Modelle – ist unter den Frontier-Labs ohne Entsprechung.

Nach der Fusion mit Google Brain 2023 verschob sich der Schwerpunkt auf die Modellreihe Gemini und damit auf den unmittelbaren Wettbewerb mit OpenAI und Anthropic. Diese Verschiebung ist nicht unumstritten – 2026 löste das Unternehmen das AlphaFold-Team auf und verlor mehrere führende Forschende an Wettbewerber.

Geschichte

DeepMind (2010–2023)

Hassabis, promovierter Kognitionswissenschaftler und früherer Schachspieler auf Meisterniveau, gründete das Unternehmen 2010 gemeinsam mit Shane Legg und Mustafa Suleyman. Der Ansatz war von der Neurowissenschaft geprägt: Lernverfahren sollten allgemeine Fähigkeiten hervorbringen, statt aufgabenspezifisch programmiert zu werden.

Google übernahm DeepMind im Januar 2014; die Sekundärliteratur schätzt den Kaufpreis auf 400 bis 650 Millionen US-Dollar. Die Übernahme war zu diesem Zeitpunkt eine der größten KI-Akquisitionen der Geschichte. Das Unternehmen blieb organisatorisch eigenständig in London und behielt einen Ethikbeirat, dessen Einrichtung Bedingung des Kaufs gewesen sein soll.

Fusion 2023

Am 20. April 2023 gab Google die Zusammenlegung von DeepMind und Google Brain bekannt. Hassabis übernahm die Leitung der neuen Einheit, Jeff Dean wurde Chefwissenschaftler. Google Brain war 2011 innerhalb von Google entstanden und hatte unter anderem die Transformer-Architektur und BERT hervorgebracht.

Die Fusion wurde überwiegend als Reaktion auf den Wettbewerbsdruck durch ChatGPT gelesen: Zwei parallel arbeitende Forschungsorganisationen erschienen angesichts des Rückstands bei Produktmodellen als Nachteil.

Arbeitsschwerpunkte

Bestärkendes Lernen und Spiele. Human-Level Control through Deep Reinforcement Learning (Mnih u. a. 2015) zeigte, dass ein einheitlicher Agent – das Deep Q-Network – auf 49 Atari-Spielen menschliches oder übermenschliches Niveau erreicht, allein aus Bildpunkten und Spielstand. Das war die erste überzeugende Demonstration verallgemeinerbaren tiefen Lernens dieser Art.

Mastering the Game of Go with Deep Neural Networks and Tree Search (Silver u. a. 2016) besiegte mit AlphaGo erstmals einen menschlichen Go-Weltmeister – Lee Sedol, im März 2016 mit 4:1. Go galt als das komplexeste klassische Brettspiel, weil sein Suchraum konventionelle Baumsuche überfordert.

AlphaGo Zero (Silver u. a. 2017) erreichte dieselbe Stärke ohne jede menschliche Partie, AlphaZero (Silver u. a. 2018) verallgemeinerte das Verfahren auf Schach und Shogi.

AlphaStar (Vinyals u. a. 2019) erreichte Großmeisterniveau in StarCraft II, das durch unvollständige Information und sehr lange Aktionsfolgen anspruchsvoller ist als Brettspiele. AlphaCode (Li u. a. 2022) lag auf Programmierwettbewerbs-Aufgaben im oberen Mittelfeld menschlicher Teilnehmender.

Proteinfaltung. Highly Accurate Protein Structure Prediction with AlphaFold (Jumper u. a. 2021) löste ein jahrzehntealtes Problem der Strukturbiologie. Beim CASP14-Wettbewerb erreichte das Verfahren Genauigkeiten nahe an experimentellen Methoden.

Die Datenbank wurde im Juli 2022 auf über 200 Millionen Strukturen erweitert (DeepMind 2022) und ist frei zugänglich. AlphaFold 3 (Abramson u. a. 2024) erweiterte das Verfahren auf DNA, RNA und kleine Moleküle.

Naturwissenschaft und Mathematik. GraphCast (Lam u. a. 2023) sagt das globale Wetter mittelfristig genauer und mit weniger Rechenaufwand vorher als physikbasierte Modelle; GenCast (Price u. a. 2024) ergänzt eine probabilistische Variante.

AlphaGeometry (Trinh u. a. 2024) löste olympische Geometrieaufgaben auf Goldmedaillenniveau, FunSearch (Romera-Paredes u. a. 2023) verband Sprachmodelle mit evolutionärer Suche zur Entdeckung neuer mathematischer Ergebnisse.

Wesentliche Ergebnisse

Ausrichtung seit der Fusion

Die Modellreihe Gemini ist seit 2023 das zentrale Vorhaben. Sie verbindet die aus Google Brain stammende Skalierungs- und Infrastrukturkompetenz mit DeepMinds Forschungsprofil und ist zugleich das Produkt, über das Google im Wettbewerb mit OpenAI und Anthropic antritt. Gemini 1.0 erschien im Dezember 2023 in drei Größenvarianten; Gemini 1.5 führte im Februar 2024 ein Kontextfenster von einer Million Einheiten ein.

Damit verschob sich das Gewicht von wissenschaftlicher Grundlagenforschung zur Modellentwicklung. Sichtbar wurde dies 2026, als das Unternehmen das AlphaFold-Team auflöste: Ein Teil der Mitarbeitenden wechselte auf Gemini-Vorhaben, ein weiterer zur Alphabet-Tochter Isomorphic Labs (Engadget 2026).

Zuvor hatte der Nobelpreisträger John Jumper das Unternehmen nach fast neun Jahren verlassen und war zu Anthropic gewechselt; die AlphaFold-Koautoren Jonas Adler und Alexander Pritzel folgten ihm. Noam Shazeer, Mitautor des Transformer-Aufsatzes und Ko-Leiter von Gemini, wechselte zu OpenAI.

Die Vorgänge werden unterschiedlich gedeutet – als notwendige Konzentration angesichts des Wettbewerbs oder als Abkehr von dem wissenschaftlichen Auftrag, mit dem DeepMind gegründet worden war.

Kontroversen und Kritik

Der Ethikbeirat, den es nie gab. Die bei der Übernahme 2014 zugesagte Einrichtung eines unabhängigen Gremiums blieb folgenlos: Es wurde nie öffentlich benannt, seine Zusammensetzung nie veröffentlicht (Hern 2017).

Abgang eines Mitgründers. Mustafa Suleyman, Leiter von Applied DeepMind, verließ das Unternehmen 2019; Berichte über Spannungen zwischen wissenschaftlichen und kommerziellen Prioritäten sind dokumentiert (Bloomberg 2019). 2023 wurde er CEO von Microsoft AI.

Ungleiche Offenheit. Die Zugänglichkeit der wissenschaftlichen Ergebnisse – besonders der AlphaFold-Datenbank – ist im Vergleich zu anderen Frontier-Labs breit.

Die Gemini-Modellgewichte werden dagegen nicht veröffentlicht, und der technische Bericht legt weder Parameterzahl noch Zusammensetzung der Trainingsdaten offen. Der Foundation Model Transparency Index des Stanford CRFM bewertete Google für Gemini 1.0 Ultra im Mai 2024 mit 47 von 100 Punkten und vergab in der Datendimension durchgängig null Punkte (Bommasani u. a. 2024).

Konzentrationsrisiko. Die Einbettung in Alphabets Produktinfrastruktur – Suche, Workspace, Android – wird in der Governance-Literatur als Machtkonzentration diskutiert (Anderljung u. a. 2023).

Der Nobelpreis an ein Unternehmen. Die Auszeichnung für Hassabis und Jumper 2024 wurde überwiegend positiv aufgenommen; vereinzelt wurde gefragt, ob die Vergabe an ein kommerzielles Labor statt an akademische Einrichtungen einen Präzedenzfall schafft (Callaway 2024).

Einordnung

DeepMind wurde ausdrücklich mit dem Ziel gegründet, allgemeine künstliche Intelligenz zu erreichen.

Hassabis äußerte sich dazu wiederholt zurückhaltender als Wettbewerber: Beim Weltwirtschaftsforum im Januar 2026 bezifferte er die Wahrscheinlichkeit einer AGI innerhalb des Jahrzehnts auf 50 Prozent und nannte einen Zeitraum von fünf bis zehn Jahren (Kahn 2026). Grund seien noch ein oder zwei fehlende Durchbrüche – etwa Lernen aus wenigen Beispielen, kontinuierliches Lernen und ein deutlich verbessertes Langzeitgedächtnis.

Aus dem Unternehmen stammt zudem das Rahmenwerk Levels of AGI (Morris u. a. 2023), das AGI als Stufenfolge statt als Schwelle beschreibt. Mit Shane Legg als Mitgründer und Mitautor besteht eine personelle Kontinuität zur Prägung des Begriffs selbst.

Stand 2025/2026

Google DeepMind ist nach wissenschaftlicher Breite das vielseitigste KI-Forschungslabor und mit Gemini einer der drei führenden Anbieter von Frontier-Modellen. Die Wissenschaftslinie aus AlphaFold, GraphCast, AlphaGeometry und FunSearch ist die einzige unter den Frontier-Labs, deren Durchbrüche extern begutachtet publiziert und bestätigt sind.

Offen ist, wie sich Grundlagenforschung und Produktentwicklung nach der Fusion zueinander verhalten – die Auflösung des AlphaFold-Teams und die Abgänge von 2026 sind der bislang deutlichste Hinweis auf eine Verschiebung. Hinzu kommen die Frage der Transparenz der Gemini-Modelle und die regulatorische Bewertung ihrer Einbindung in Googles Suchinfrastruktur.

Verwandte Begriffe

• AlphaFold – nobelpreisgekrönte Proteinstrukturvorhersage
• AlphaProof – System zur formalen Beweisführung aus demselben Haus
• Foundation Models – begrifflicher Rahmen der Gemini-Linie
• Scaling Laws – Grundlage der Modellskalierung
• AI Alignment – erklärtes Forschungsziel der Gründungsmission

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. Bommasani, Rishi u. a., 2024. The 2024 Foundation Model Transparency Index. Stanford Center for Research on Foundation Models. arXiv: 2407.12929.
5. 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.
6. DeepMind, 2022. AlphaFold Reveals the Structure of the Protein Universe. deepmind.google, 28. Juli 2022.
7. Engadget, 2026. Google DeepMind Disbands Its Nobel-Prize Winning AlphaFold Team. engadget.com, Juli 2026.
8. Google DeepMind, o. J. About Google DeepMind. deepmind.google/about.
9. Hern, Alex, 2017. Whatever Happened to the DeepMind AI Ethics Board Google Promised? In: The Guardian, 26. Januar 2017.
10. 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.
11. Kahn, Jeremy, 2026. AI Luminaries at Davos Clash Over How Close Human-Level Intelligence Really Is. Fortune, 23. Januar 2026.
12. 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).
13. Li, Yujia u. a., 2022. Competition-Level Code Generation with AlphaCode. In: Science 378 (6624), S. 1092–1097. DOI: 10.1126/science.abq1158.
14. Mnih, Volodymyr u. a., 2015. Human-Level Control through Deep Reinforcement Learning. In: Nature 518 (7540), S. 529–533. DOI: 10.1038/nature14236.
15. Morris, Meredith Ringel / Sohl-Dickstein, Jascha / Fiedel, Noah / Warkentin, Tris / Dafoe, Allan / Faust, Aleksandra / Farabet, Clement / Legg, Shane (Google DeepMind), 2023. Levels of AGI for Operationalizing Progress on the Path to AGI. arXiv: 2311.02462.
16. 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).
17. 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).
18. Shu, Catherine, 2014. Google Acquires Artificial Intelligence Startup DeepMind For More Than $500M. TechCrunch, 26. Januar 2014.
19. 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.
20. Silver, David u. a., 2017. Mastering the Game of Go without Human Knowledge. In: Nature 550 (7676), S. 354–359. DOI: 10.1038/nature24270.
21. 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.
22. TechCrunch, 2023. Google Consolidates AI Research Divisions into Google DeepMind. techcrunch.com, 20. April 2023.
23. 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.
24. 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