Der Forscher-Exodus bei Google DeepMind finanziert eine Wette gegen die Skalierung von LLMs

Forscher von Google DeepMind verlassen das Unternehmen in einer sichtbaren Welle; mehrere Alumni sammeln enorme Summen ein, um Alternativen zu großen Sprachmodellen zu verfolgen. Zum Forscher-Exodus bei Google DeepMind zählen inzwischen Veteranen von AlphaGo, Reinforcement Learning, Simulation und maschinellem Schlussfolgern.

Die Abgänge sind bedeutsam, weil diese Wissenschaftler nicht einfach Gemini in kleineren Unternehmen nachbauen. Ihre Start-ups wetten darauf, dass kontinuierliches Lernen, Diffusion, Simulation und Planung die Grenzen transformerbasierter Sprachmodelle überwinden können.

Für Google ergibt sich daraus eine unbequeme Umkehrung. DeepMind begründete seinen Ruf mit Forschungsprogrammen, die aus Interaktion, Spielen, wissenschaftlichen Daten und simulierten Umgebungen lernten. Der kommerzielle Druck lenkt die Aufmerksamkeit nun auf Gemini, während einige der Forscher hinter DeepMinds früheren Erfolgen diese experimentellen Traditionen andernorts neu aufbauen.

Der zentrale Wettbewerb lautet daher nicht Google gegen ein einzelnes Start-up. Es geht um die dominierende Strategie, Sprachmodelle zu skalieren, gegenüber einer wachsenden Sammlung alternativer Lernsysteme.

Investoren behandeln die Forscher selbst als wertvolle Vermögenswerte. Große Finanzierungsrunden können jedoch nicht belegen, ob ihre neuen Architekturen LLMs bei nützlichen, messbaren Aufgaben übertreffen werden.

Der Forscher-Exodus bei Google DeepMind wird zur Finanzierungspipeline

Eine Reihe individueller Abgänge hat sich zu einem wiederholbaren Weg von DeepMind-Forschung zur Gründung stark finanzierter Start-ups entwickelt.

Die deutlichste Momentaufnahme bot ein informelles Treffen in London im September. Berichten zufolge kamen fünfzehn aktuelle und ehemalige DeepMind-Mitarbeiter in der Nähe von Googles britischem Hauptsitz zusammen und diskutierten, was Investoren aus dem Silicon Valley finanzieren wollten.

Dieses Frühstück war keine Finanzierungsankündigung. Dennoch war es eine aufschlussreiche Szene, weil es aktive Mitarbeiter, Alumni, Start-up-Ambitionen und Wagniskapitalnachfrage in einem Raum zusammenbrachte.

Die umfassendere Berichterstattung über den Exodus nennt mehrere Projekte, die aus diesem Netzwerk hervorgehen. Jedes von ihnen vertritt eine andere technische These zur Frage, was auf die derzeitige LLM-Ära folgen sollte.

Nando de Freitas, der etwa ein Jahrzehnt bei DeepMind verbrachte, verhandelt Berichten zufolge über eine erste Finanzierungsrunde von mindestens 100 Millionen US-Dollar. Sein geplantes Unternehmen Revolution Labs soll sich auf Diffusionsmodelle konzentrieren, statt auf die Transformer-Architektur, die den meisten führenden Chatbots zugrunde liegt.

Diffusionsmodelle lernen, einen Prozess umzukehren, der Daten schrittweise durch Rauschen verfälscht. Sie werden weithin mit Bildgenerierung verbunden, obwohl Forscher den zugrunde liegenden Ansatz auch auf andere Formen der Vorhersage anwenden können.

David Silver, einer der zentralen Forscher hinter AlphaGo, verließ das Unternehmen, um Ineffable Intelligence zu gründen. Bloomberg berichtete separat, dass das Unternehmen 1,1 Milliarden US-Dollar bei einer Bewertung von 5,1 Milliarden US-Dollar eingesammelt habe.

Ineffable entwickelt ein Lernsystem, das über statisches Training hinausgehen soll. Seine genaue Architektur und Leistung bleiben weitgehend außerhalb der öffentlichen Sicht.

Thore Graepel, ein weiterer AlphaGo-Mitwirkender, verließ DeepMind im Sommer. Berichten zufolge sucht er Finanzmittel für Metis Reasoning, das sich auf Schlussfolgerungssysteme für Wissenschaft, Ingenieurwesen und Robotik konzentriert.

Emulate verfolgt einen anderen Weg. Das Unternehmen wurde von ehemaligen DeepMind-Forschern gegründet, darunter Jack Parker-Holder, und diskutiert Berichten zufolge eine Finanzierung über 700 Millionen US-Dollar.

Sein Ziel ist es, Systeme zu entwickeln, die die reale Welt simulieren und vorhersagen. Damit rückt es näher an Weltmodelle, die Umgebungen repräsentieren und prognostizieren, wie sich diese nach einer Handlung verändern.

Zu diesen Unternehmen kommen kleinere DeepMind-Ausgründungen hinzu, die an Programmierung, Agenten, Robotik, wissenschaftlicher Entdeckung und kontinuierlichem Lernen arbeiten. Sie bilden keine koordinierte Organisation, und ihre technischen Pläne sollten nicht als austauschbar betrachtet werden.

Was sie verbindet, ist der Finanzierungsmechanismus. Investoren identifizieren Forscher, die mit anerkannten Durchbrüchen verbunden sind, und finanzieren anschließend neue Labore, bevor diese über ausgereifte Produkte verfügen.

Das Modell kehrt die übliche Start-up-Reihenfolge um. Ein konventionelles Unternehmen weist Nachfrage nach, findet Product-Market-Fit und nimmt größere Runden auf, sobald sich die Evidenz verdichtet.

Diese KI-Labore können beträchtliches Kapital rund um ein Team, eine Forschungsthese und eine angesehene institutionelle Geschichte einwerben. Öffentliche Demonstrationen und verlässliche Umsätze können deutlich später folgen.

Diese Reihenfolge gibt Gründern Zeit, schwierige Forschung zu verfolgen. Sie verlagert aber auch einen Großteil des technischen und kommerziellen Risikos auf Investoren, die auf Qualifikationen setzen, bevor Ergebnisse vorliegen.

Der kommerzielle Fokus auf Gemini verändert die Kosten des Bleibens

Google gerät unter Druck, weil derselbe kommerzielle Fokus, der Gemini strategisch unverzichtbar macht, die Freiheit einschränken kann, die Forschungstalente zu DeepMind zog.

DeepMind gab Forschern historisch Raum, Lernen, Planung, Spiele, Biologie und universell einsetzbare Algorithmen zu untersuchen. AlphaGo wurde zum prägenden Ergebnis des Labors, weil es neuronale Netzwerke, Suche und Reinforcement Learning kombinierte.

Reinforcement Learning ermöglicht es einem System, sich durch Rückmeldungen zu seinen Handlungen zu verbessern. Es unterscheidet sich vom bloßen Vorhersagen des nächsten Elements in einem festen Datensatz.

AlphaGo lernte aus Partien von Experten und wiederholtem Selbstspiel. AlphaGo Zero entfernte später die menschlichen Partien und lernte aus Spielen gegen sich selbst.

Googles AlphaGo-Dokumentation beschreibt, wie das System Policy- und Value-Netzwerke mit Suche kombinierte. Diese Entwicklungslinie bleibt wichtig, weil mehrere der ausscheidenden Forscher daran mitgewirkt haben.

Große Sprachmodelle funktionieren anders. Transformer lernen statistische Zusammenhänge aus enormen Datensätzen und erzeugen Ausgaben durch die Vorhersage von Tokens, also kleinen Text- oder Codeeinheiten.

Moderne Systeme ergänzen Werkzeuge, Retrieval, multimodale Eingaben und Reinforcement Learning. Dennoch konzentriert sich der kommerzielle Wettbewerb stark auf Modellgröße, Programmierleistung, Agentenfunktionen und die Bereitstellung in bestehenden Produkten.

Google benötigt Gemini, um mit OpenAI und Anthropic bei Assistenten für Verbraucher, Unternehmenssoftware, Suche, Cloud-Diensten und Entwicklerwerkzeugen zu konkurrieren. Daraus entsteht ein nachvollziehbarer Bedarf an fokussierter Umsetzung.

Der frühere DeepMind-Wissenschaftler Janusz Marecki beschrieb eine schwierigere interne Folge. Er sagte Bloomberg, Teams hätten Druck von oben erlebt, andere Arbeit aufzugeben und sich auf große Sprachmodelle zu konzentrieren.

Marecki arbeitet inzwischen bei Ahren Innovation Capital und sammelt zugleich Mittel für sein eigenes Unternehmen für kontinuierliches Lernen, FractalBrain. Seine Perspektive vereint die Rollen eines ehemaligen Mitarbeiters, Investors und potenziellen Gründers.

Sein Bericht belegt nicht, dass jedes DeepMind-Team dieselbe Richtung einschlägt. Er erklärt jedoch, warum unabhängige Finanzierung für Forscher mit weniger unmittelbar kommerziellen Ideen attraktiv sein kann.

Ein Wissenschaftler bei Google gewinnt Rechenkapazität, Engineering-Unterstützung, proprietäre Daten und Zugang zu ausgerollten Produkten. Ein Weggang bedeutet, diese Vorteile aufzugeben und Finanzierungs-, Einstellungs-, Betriebs- und Produktrisiken zu akzeptieren.

Der Tausch wird attraktiv, wenn Investoren genug Kapital anbieten, um ein Forschungsumfeld ohne dieselbe Roadmap nachzubilden. Der aktuelle Markt macht diese Option früher als üblich verfügbar.

Änderungen in der Führung von DeepMind verstärkten den Eindruck eines Übergangs. Demis Hassabis wechselte in die Rolle des Chief Scientist von Alphabet, während Koray Kavukcuoglu die tägliche Leitung des Labors übernahm.

Hassabis hat die Vorstellung zurückgewiesen, dass die Bewegung von Talenten einen einseitigen Brain Drain darstelle. Er argumentiert, dass führende Labore Forscher austauschen und Google weiterhin über eine breite Forschungsbasis verfüge.

Diese Verteidigung hat Substanz. Google beschäftigt weiterhin große Teams, betreibt umfangreiche Recheninfrastruktur und arbeitet in den Bereichen Sprache, Video, Biologie, Mathematik, Robotik und Simulation.

Die eigene Forschung des Unternehmens erschwert zudem jede Behauptung, Google habe Alternativen zu LLMs aufgegeben. Das Genie-Programm entwickelt ausdrücklich interaktive Weltmodelle.

Die veröffentlichten Details zu Genie 3 beschreiben ein System, das aus Text erkundbare Umgebungen erzeugt. Google positioniert diese Umgebungen als Trainings- und Bewertungsräume für Agenten.

Google nimmt damit beide Seiten des entstehenden Wettbewerbs ein. Das Unternehmen kommerzialisiert eine bedeutende LLM-Familie und setzt zugleich die Forschung zu Weltmodellen, Planung, Wissenschaft und verkörperten Agenten fort.

Der Druck entsteht durch Ressourcenverteilung, Geschwindigkeit und Forscherautonomie. Ein breites Unternehmensportfolio kann einzelne Wissenschaftler dennoch zu dem Eindruck führen, dass ihr bevorzugter Weg nicht ausreichend priorisiert wird.

Ehemalige DeepMinder stellen die Architekturfrage erneut

Die Start-ups stellen die Annahme infrage, dass bessere Intelligenz vor allem durch größere Sprachmodelle, mehr Daten und zusätzliche Rechenleistung zur Inferenzzeit entstehen wird.

Die leistungsstärksten LLMs können Software schreiben, Dokumente analysieren, Werkzeuge aufrufen und mit Text, Audio, Bildern und Video arbeiten. Diese Leistungen machen Sprachmodellierung zum Maßstab, an dem sich jede Alternative messen lassen muss.

Flüssige Ausgaben garantieren jedoch kein verlässliches internes Modell physischer Folgen. Ein System kann beschreiben, wie ein Objekt bewegt wird, ohne einen Roboter steuern zu können, der diese Bewegung ausführen muss.

Weltmodelle sollen diese Lücke schließen, indem sie lernen, wie sich eine Umgebung im Zeitverlauf verändert. Sie können einem Agenten helfen, das wahrscheinliche Ergebnis einer Handlung vorherzusagen, bevor er sie ausführt.

Der Unterschied ist für Robotik, autonome Fahrzeuge, interaktive Unterhaltung und wissenschaftliche Planung wichtig. Diese Bereiche verlangen mehr als die Erzeugung einer plausiblen verbalen Antwort.

Ein Roboter, der auf eine Tasse trifft, muss Geometrie, Reibung, Kraft, Gleichgewicht und Unsicherheit einschätzen. Anschließend muss er sich anpassen, wenn sich das Objekt anders bewegt als erwartet.

Die Debatte über Weltmodelle hat Forscher angezogen, die KI suchen, welche Raum und Zeit verstehen kann. Sie hat auch Investoren angezogen, die überfüllte Chatbot-Märkte hinter sich lassen wollen.

Doch „Weltmodell“ umfasst mehrere unterschiedliche Systeme. Einige erzeugen visuell überzeugende Umgebungen, während andere präzise physikalische Simulationen oder Handlungsplanung anstreben.

Ein schönes Video ist nicht automatisch ein vertrauenswürdiger Simulator. Es kann das äußere Erscheinungsbild bewahren und zugleich Kausalität, Objektpermanenz oder physikalische Einschränkungen verletzen.

Kontinuierliches Lernen stellt eine weitere Alternative dar. Die meisten eingesetzten Sprachmodelle werden trainiert, angepasst und anschließend als vergleichsweise feste Systeme veröffentlicht.

Retrieval kann aktuelle Informationen bereitstellen, ohne die gelernten Parameter des Modells zu verändern. Fine-Tuning kann Verhalten aktualisieren, erfordert jedoch meist einen separaten Trainingsprozess.

Ein System für kontinuierliches Lernen würde neue Erfahrungen während des Betriebs integrieren. Dieses Versprechen wirft schwierige Fragen zu Stabilität, Sicherheit, Bewertung und dem Verlust zuvor gelernter Fähigkeiten auf.

Diffusionsbasiertes Schlussfolgern bietet einen dritten Weg. Ein autoregressives Modell erzeugt Tokens sequenziell, während Diffusionsansätze ein Kandidatenergebnis durch wiederholte Entrauschungsschritte verfeinern können.

Befürworter glauben, dass dieser Prozess parallele Generierung oder iterative Korrektur unterstützen kann. Sie müssen jedoch noch zeigen, dass er einen bedeutenden Vorteil bei Kosten, Zuverlässigkeit oder Qualität des Schlussfolgerns bietet.

Metis Reasoning scheint auf strukturiertes Denken in unbekannten Situationen zu zielen. Dieser Anspruch erinnert an DeepMinds frühere Arbeiten zu Suche und Planung, obwohl öffentliche technische Details weiterhin begrenzt sind.

Der gemeinsame Nenner ist nicht die Ablehnung von Sprache. Diese Startups können weiterhin Transformer, Sprachschnittstellen oder LLM-Komponenten innerhalb größerer Systeme einsetzen.

Ihre Wette lautet, dass Sprachvorhersage allein nicht jeden für allgemeine Intelligenz erforderlichen Mechanismus bereitstellt. Interaktion, dauerhaftes Lernen, Simulation und explizite Planung müssen stärker ins Gewicht fallen.

Dieses Argument belebt auch eine ältere DeepMind-Identität wieder. AlphaGo wurde nicht deshalb bedeutsam, weil es besser über Go sprechen konnte.

Es bewertete Positionen, durchsuchte künftige Züge und verbesserte sich durch Spielen. MuZero lernte später zu planen, ohne die Regeln seiner Umgebungen im Voraus zu erhalten.

Die ausgeschiedenen Wissenschaftler wenden ähnliche Instinkte nun auf weniger strukturierte Umgebungen an. Sie wollen Maschinen, die durch Erfahrung nützliches Verhalten entdecken, statt ausschließlich aufgezeichnete menschliche Ergebnisse aufzunehmen.

Das ist ein anspruchsvoller Übergang. Spiele haben klare Aktionen, messbare Ergebnisse und reichlich simulierte Übungsmöglichkeiten.

Reale Umgebungen sind verrauscht, nur teilweise beobachtbar und teuer zu erkunden. Eine Fehlaktion in einem simulierten Brettspiel hat keine physischen Kosten, während ein Fehler eines Roboters Geräte beschädigen kann.

Die These alternativer Architekturen wird daher nur Erfolg haben, wenn diese Systeme unter realen Einschränkungen funktionieren. Elegante Forschungsideen müssen letztlich zu zuverlässigen Produkten werden.

Google konkurriert mit seinem eigenen Forschungserbe

Die zentrale Umkehr besteht darin, dass DeepMinds gefeierte Forschungsgeschichte ehemaligen Mitarbeitenden nun hilft, Kapital einzuwerben, um Googles aktuelle kommerzielle Priorität herauszufordern.

Investoren bewerten diese Gründer nicht als unbekannte Teams. Sie bepreisen die Verbindung zu AlphaGo, AlphaFold, MuZero, Gemini und anderen bekannten Programmen.

Silver und Graepel trugen zu Forschung bei, die Lernen und Planung über herkömmliches überwachtes Training hinaus demonstrierte. Parker-Holder arbeitete an interaktiven Umgebungen, darunter an der Forschungslinie Genie.

Diese Geschichte gibt Investoren einen glaubwürdigen Grund zuzuhören. Sie bietet jedoch keine übertragbare Garantie dafür, dass ein neues Unternehmen DeepMinds institutionellen Erfolg wiederholen wird.

Große Labore verbinden individuelle Erkenntnisse mit Rechenleistung, Daten, Engineering-Systemen, Sicherheitsprozessen, Produktteams und über Jahre angesammeltem Wissen. Ein Gründer nimmt nur einen Teil dieser Struktur in ein Startup mit.

Der wachsende Alumni-Datensatz zählt 68 durch Venture Capital finanzierte Unternehmen, die von ehemaligen DeepMind-Mitarbeitenden gegründet wurden. Er identifiziert außerdem 18 Unternehmen mit einer Bewertung von über 1 Milliarde US-Dollar.

Dieser Datensatz verwendet eine breite Definition von DeepMind-Alumni. Er umfasst Gründer, deren Arbeit Sprachmodelle, Unternehmenssoftware, Robotik, Gesundheit, Spiele und wissenschaftliche Anwendungen abdeckt.

Die Zahlen zeigen die Reichweite des Netzwerks, nicht die Erfolgsquote einer einzelnen technischen Bewegung. Einige der aufgeführten Unternehmen bleiben nah an mainstreamorientierter, transformerbasierter KI.

Dennoch schafft das Netzwerk ein praktisches Startup-Schwungrad. Alumni können vertraute Kolleginnen und Kollegen rekrutieren, Einführungen erhalten und DeepMind-Projekte als Beleg für ihr technisches Urteilsvermögen nutzen.

Investoren profitieren ebenfalls von sozialem Beweis. Wenn ein anerkannter Fonds an einer frühen Finanzierungs-Tranche teilnimmt, können spätere Beteiligte dieses Engagement als teilweise Bestätigung interpretieren.

Bloomberg berichtet, dass einige neue Finanzierungsrunden in Tranchen aufgeteilt werden. Frühinvestoren steigen zu einer Bewertung ein, während spätere Investoren nach der ersten Zusage, die Vertrauen schafft, mehr Kapital bereitstellen.

Diese Struktur kann beeindruckende Schlagzeilenbewertungen erzeugen, bevor ein Startup ein Produkt veröffentlicht. Sie macht auch die Identität der Gründer und Investoren ungewöhnlich wichtig.

Radical Ventures nennt diese Unternehmensklasse ein „neolab“, also ein von Forschern geführtes Unternehmen, das einen langfristigen technischen Fortschritt verfolgt. Seine neolab analysis besagt, dass mehr als 40 solcher Labore innerhalb von drei Jahren 40 Milliarden US-Dollar eingesammelt haben.

Der Begriff erfasst einen echten organisatorischen Wandel. Spitzenforschung findet nicht mehr nur innerhalb von Universitäten oder Technologieunternehmen mit etablierten Umsätzen statt.

Privates Kapital kann nun ein neues Labor um mehrere anerkannte Forschende herum aufbauen. Die Investoren akzeptieren lange Forschungszeiträume, um an einer potenziell grundlegenden Technologie beteiligt zu sein.

Das Modell hat Vorläufer. OpenAI und Anthropic begannen beide als forschungsgetriebene Organisationen, bevor sie breit genutzte kommerzielle Systeme entwickelten.

Diese Beispiele können jedoch Erwartungen verzerren. Ihr späterer Erfolg bedeutet nicht, dass jedes gut finanzierte Labor ein Produkt, einen Vertriebskanal oder einen nachhaltigen technischen Vorsprung finden wird.

Google profitiert ebenfalls, wenn das breitere Ökosystem Forschungsrichtungen bestätigt, die das Unternehmen weiterhin verfolgt. DeepMind ist von Weltmodellen, wissenschaftlicher KI, Reinforcement Learning oder Robotik nicht ausgeschlossen.

In manchen Fällen kann das Unternehmen in ehemalige Mitarbeitende investieren, mit deren Startups zusammenarbeiten oder Technologien später übernehmen. Der Weggang von Talenten bedeutet daher nicht automatisch einen dauerhaften strategischen Verlust.

Das größere Risiko betrifft die Konzentration. Durchbruchsforschung erfordert oft Widerspruch gegen den aktuellen Konsens und genügend Zeit, um Alternativen zu untersuchen.

Wenn Google mehr Forschende auf kurzfristige Gemini-Prioritäten ausrichtet, können unabhängige Labore zu Orten werden, an denen konkurrierende Ideen dauerhaft Aufmerksamkeit erhalten.

Deshalb ist der Abgang von Google-DeepMind-Forschern mehr als eine Personalgeschichte. Er verteilt die Autorität neu, zu entscheiden, welche KI-Fragen erhebliches Kapital verdienen.

Enorme Bewertungen überholen weiterhin die öffentlichen Belege

Die Argumente für alternative KI-Architekturen sind intellektuell ernst zu nehmen, doch der Finanzierungsmarkt weist ihnen schneller Wert zu, als technische Belege dies rechtfertigen können.

Mehrere in der Berichterstattung diskutierte Startups haben nur begrenzte Informationen über ihre Systeme veröffentlicht. Einige haben weder ein detailliertes Modell noch eine Benchmark-Suite, Produkt-Roadmap oder Umsatzbilanz vorgelegt.

Das ist für Unternehmen, die frühe Forschung schützen, nicht ungewöhnlich. Für Kunden, Entwickler und externe Forschende erschwert es jedoch Vergleiche.

Finanzierung sollte nicht mit technischer Validierung verwechselt werden. Eine große Runde beweist, dass Investoren ein Risiko zu bestimmten Bedingungen akzeptiert haben.

Sie beweist nicht, dass Diffusion autoregressive Generierung übertreffen wird oder dass kontinuierliches Lernen stabil bleiben kann. Sie belegt auch nicht, dass ein Weltmodell Physik versteht.

Auch Bewertungen verdienen ähnliche Vorsicht. Private Startup-Bewertungen spiegeln oft die jüngste Finanzierungsvereinbarung wider und nicht das kontinuierliche Urteil eines liquiden Marktes.

Sonderrechte, gestaffelte Tranchen und unterschiedliche Aktienklassen können die Schlagzeilenzahl zusätzlich von dem trennen, was jeder Investor tatsächlich bezahlt hat.

Marecki sagte Bloomberg, einige KI-Bewertungen hätten sich von Multiplikatoren von etwa dem Zehnfachen des Umsatzes auf das 200- oder 300-Fache des Umsatzes verschoben. Diese Beobachtung verdeutlicht die Nervosität der Investoren, ist aber kein universeller Branchenmaßstab.

Mehrere neolabs haben kaum Umsätze, die sich multiplizieren ließen. Ihre Bewertung beruht auf Talent, geistigem Eigentum, Zugang zu Rechenleistung und der Wahrscheinlichkeit eines künftigen technischen Vorteils.

Auch die Architekturen selbst stehen vor ungelösten Bewertungsproblemen. LLMs haben unvollkommene Benchmarks, doch Entwickler können Programmierung, Mathematik, Latenz, Kosten, Tool-Nutzung und Nutzerpräferenzen testen.

Ein allgemeines Weltmodell benötigt andere Tests. Visuelle Qualität allein kann Systeme belohnen, die überzeugend aussehen, aber physikalisch unmögliche Vorhersagen treffen.

Robotiktraining erfordert Belege dafür, dass simuliertes Lernen auf physische Maschinen übertragbar ist. Wissenschaftliche Systeme benötigen prospektive Ergebnisse, nicht nur Erfolge auf etablierten Datensätzen.

Systeme für kontinuierliches Lernen benötigen Audits, die zeigen, was sie behalten, was sie verändert haben und ob neue Daten unsicheres Verhalten eingeführt haben. Diese Tests müssen wiederholt durchgeführt werden, während sich das Modell weiterentwickelt.

Reasoning-Systeme müssen außerhalb vertrauter Problemverteilungen bewertet werden. Andernfalls kann ein Modell fähig wirken, obwohl es lediglich in Trainingsdaten enthaltene Muster reproduziert.

Die Gründer stehen zudem vor einem kommerziellen Problem. LLM-Anbieter bieten bereits nützliche Produkte, etablierte Entwicklerplattformen und wachsende Vertriebskanäle.

Ein alternatives System gewinnt nicht allein dadurch, dass es konzeptionell anders ist. Es muss eine wertvolle Aufgabe deutlich besser lösen, um Integration, Wechselkosten und operative Risiken zu rechtfertigen.

Hybridsysteme könnten realistischer sein als vollständige Ablösungen. Ein LLM kann Anweisungen interpretieren, während ein Planer, Simulator oder eine Reinforcement-Learning-Komponente spezialisierte Entscheidungen steuert.

Dieses Ergebnis würde die dramatische „post-LLM“-Rahmung abschwächen, ohne die Startups zu entkräften. Ihre Technologie könnte zu einer entscheidenden Ebene innerhalb einer umfassenderen Architektur werden.

Google ist für diese hybride Zukunft gut positioniert. Gemini kann Sprach- und multimodale Schnittstellen bereitstellen, während DeepMind-Forschung Simulation, Planung und wissenschaftliche Fähigkeiten liefert.

Die Startups benötigen eine klarere Differenzierung. Sie müssen zeigen, dass Unabhängigkeit einen Fortschritt ermöglicht, den Google mit eigenen Talenten und Infrastruktur nicht schnell erreichen kann.

Investoren benötigen außerdem Disziplin im Umgang mit dem Ruf der Gründer. DeepMind-Erfahrung ist bedeutsam, doch institutionelles Prestige kann einen Halo-Effekt erzeugen, der grundlegende Prüfung entmutigt.

Die wichtigsten Fragen bleiben alltägliche Fragen. Welche Aufgabe erfüllt das System, wie wird die Leistung gemessen und was kostet jedes nützliche Ergebnis?

Bis diese Antworten öffentlich werden, finanziert der Markt ein Portfolio von Hypothesen. Er wählt noch keinen verifizierten Nachfolger für große Sprachmodelle aus.

Drei Signale werden zeigen, ob die Wette aufgeht

Die nächste Phase wird durch technische Demonstrationen, Kundennutzung und Googles Reaktion entschieden, nicht durch eine weitere Folge von Finanzierungs-Schlagzeilen.

Das erste Signal ist eine öffentliche Bewertung von Ineffable Intelligence, Revolution Labs, Metis Reasoning oder Emulate. Mindestens ein Unternehmen muss einen Vorteil bei einer Aufgabe demonstrieren, die auch außerhalb seines eigenen Benchmarks relevant ist.

Für kontinuierliches Lernen bedeutet das, neues Wissen zu erwerben, ohne frühere Fähigkeiten zu verlieren. Für Reasoning bedeutet es, unbekannte Probleme mit messbarer Zuverlässigkeit zu lösen.

Für Simulation lautet der Test, ob in generierten Umgebungen trainierte Agenten in realen Systemen besser abschneiden. Eine visuell eindrucksvolle Demonstration reicht nicht aus.

Unabhängige Replikation würde die Argumente erheblich stärken. Ergebnisse, die nur von einem Startup bestätigt werden, sollten Unternehmensbehauptungen bleiben, bis externe Forschende sie prüfen können.

Das zweite Signal ist ein glaubwürdiges Produkt oder ein Kundeneinsatz. Robotik, Arzneimittelforschung, Engineering, autonome Systeme und Spiele bieten mögliche Einstiegspunkte.

Eine eng abgegrenzte Anwendung kann mehr offenbaren als eine weitreichende Behauptung über allgemeine Intelligenz. Sie zwingt das Modell, unter realen Anforderungen an Latenz, Sicherheit und Kosten zu arbeiten.

Unternehmenskäufer sollten die Architektur erst prüfen, nachdem sie das Problem definiert haben. Die Neuartigkeit eines Modells ist weniger wichtig, wenn sein Output nicht in einen bestehenden Workflow passt oder ein Audit besteht.

Teams benötigen außerdem Aufzeichnungen über die Informationen, die KI-Systemen bereitgestellt werden, sowie über die daraus resultierenden Entscheidungen. Eine durchsuchbare AI knowledge base kann diesen Kontext über wechselnde Tools hinweg bewahren.

Das dritte Signal ist Googles Reaktion. Einstellungen, Bindungspakete, Forschungspublikationen, Übernahmen und Änderungen an Geminis Architektur werden zeigen, wie ernst das Unternehmen die Abgänge nimmt.

Google kann die Startup-These schwächen, indem es vergleichbare Fähigkeiten für kontinuierliches Lernen, Planung oder Weltmodelle in breit verbreiteten Produkten bereitstellt. Seine Rechenleistung und sein Kundenzugang bleiben erhebliche Vorteile.

Ein starker Erfolg eines Startups würde den gegenteiligen Druck erzeugen. Google müsste Forschung jenseits von LLMs vor unmittelbaren kommerziellen Anforderungen schützen – oder riskieren, weitere künftige Wettbewerber zu finanzieren.

Das Verhalten der Führungsebene wird ebenso wichtig sein wie Modellankündigungen. Forschende brauchen den Nachweis, dass unkonventionelle Programme lange genug bestehen können, um Ergebnisse hervorzubringen.

Der Exodus von Forschenden bei Google DeepMind hat bereits verändert, wo Investoren nach der nächsten KI-Plattform suchen. Er hat jedoch nicht entschieden, welcher technische Ansatz sich durchsetzen wird.

Entwickler sollten auf reproduzierbare Benchmarks statt auf Finanzierungssummen achten. Unternehmenskunden sollten Nachweise für die Bereitstellung, klare Bewertungskriterien und eine Erklärung möglicher Fehlermodi verlangen.

Wissensarbeiter sollten mit einer vielfältigeren Palette von Systemen hinter vertrauten KI-Oberflächen rechnen. Das nächste nützliche Tool könnte Sprache, Gedächtnis, Simulation und Planung kombinieren, statt ein Modell einfach durch ein anderes zu ersetzen.

Die entscheidende Frage ist nun messbar: Können DeepMinds Alumni Forschungsfreiheit und reichlich Kapital in Systeme verwandeln, die zuverlässiger aus der Welt lernen als LLMs allein?