L’esodo dei ricercatori di Google DeepMind finanzia una scommessa contro lo scaling degli LLM

I ricercatori di Google DeepMind stanno lasciando l’azienda in un’ondata evidente, con diversi ex dipendenti che raccolgono somme enormi per perseguire alternative ai modelli linguistici di grandi dimensioni. L’esodo dei ricercatori di Google DeepMind ora include veterani di AlphaGo, apprendimento per rinforzo, simulazione e ragionamento automatico.

Le partenze contano perché questi scienziati non stanno semplicemente ricreando Gemini all’interno di aziende più piccole. Le loro startup scommettono che apprendimento continuo, diffusione, simulazione e pianificazione possano superare i limiti che individuano nei modelli linguistici basati su transformer.

Questo crea un’inversione scomoda per Google. DeepMind ha costruito la propria reputazione attraverso programmi di ricerca che apprendevano dall’interazione, dai giochi, dai dati scientifici e dagli ambienti simulati. La pressione commerciale ora concentra l’attenzione su Gemini, mentre alcuni ricercatori alla base dei primi successi di DeepMind stanno ricostruendo altrove quelle tradizioni sperimentali.

La sfida centrale, dunque, non è Google contro una singola startup. È la strategia dominante dello scaling dei modelli linguistici contro una raccolta crescente di sistemi di apprendimento alternativi.

Gli investitori trattano i ricercatori stessi come asset di valore. Tuttavia, grandi round di finanziamento non possono stabilire se le loro nuove architetture supereranno gli LLM in compiti utili e misurabili.

L’esodo dei ricercatori di Google DeepMind diventa una pipeline di finanziamento

Una serie di partenze individuali è diventata un percorso ripetibile dalla ricerca di DeepMind alla creazione di startup fortemente finanziate.

L’istantanea più chiara è arrivata da un incontro informale a Londra nel corso di settembre. Secondo quanto riportato, quindici dipendenti ed ex dipendenti di DeepMind si sono incontrati vicino alla sede britannica di Google e hanno discusso di ciò che gli investitori della Silicon Valley volevano finanziare.

Quella colazione non era un annuncio di finanziamento. Rimaneva comunque una scena rivelatrice, perché collegava in una stessa stanza dipendenti attivi, ex dipendenti, ambizioni imprenditoriali e domanda di venture capital.

Il più ampio resoconto dell’esodo identifica diversi progetti emersi da questa rete. Ognuno applica una diversa tesi tecnica alla domanda su cosa dovrebbe seguire l’attuale era degli LLM.

Secondo quanto riportato, Nando de Freitas, che ha trascorso circa un decennio in DeepMind, sta discutendo un round iniziale di almeno 100 milioni di dollari. La sua società proposta, Revolution Labs, si concentrerebbe sui modelli di diffusione anziché sull’architettura transformer alla base della maggior parte dei chatbot leader.

I modelli di diffusione imparano a invertire un processo che corrompe gradualmente i dati con il rumore. Sono ampiamente associati alla generazione di immagini, anche se i ricercatori possono applicare l’approccio sottostante ad altre forme di previsione.

David Silver, uno dei ricercatori centrali dietro AlphaGo, ha lasciato l’azienda per fondare Ineffable Intelligence. Bloomberg ha riferito separatamente che la società ha raccolto 1,1 miliardi di dollari con una valutazione di 5,1 miliardi di dollari.

Ineffable sta sviluppando un sistema di apprendimento pensato per andare oltre l’addestramento statico. La sua architettura esatta e le sue prestazioni restano in gran parte fuori dalla vista pubblica.

Thore Graepel, un altro contributore ad AlphaGo, ha lasciato DeepMind durante l’estate. Secondo quanto riportato, sta cercando finanziamenti per Metis Reasoning, che si concentra su sistemi di ragionamento per scienza, ingegneria e robotica.

Emulate sta seguendo una strada diversa. La società è stata fondata da ex ricercatori di DeepMind, incluso Jack Parker-Holder, e secondo quanto riportato sta discutendo un finanziamento da 700 milioni di dollari.

Il suo obiettivo è costruire sistemi che simulino e prevedano il mondo reale. Questo la avvicina ai world model, che rappresentano gli ambienti e prevedono come tali ambienti cambiano dopo un’azione.

A queste iniziative si aggiungono spin-off minori di DeepMind attivi in coding, agenti, robotica, scoperta scientifica e apprendimento continuo. Non costituiscono un’organizzazione coordinata e i loro piani tecnici non dovrebbero essere considerati intercambiabili.

Ciò che li collega è il meccanismo di finanziamento. Gli investitori individuano ricercatori associati a progressi riconosciuti, quindi finanziano nuovi laboratori prima che tali laboratori dispongano di prodotti maturi.

Il modello inverte la normale sequenza delle startup. Un’azienda convenzionale dimostra la domanda, trova il product-market fit e raccoglie round più ampi man mano che le prove si accumulano.

Questi laboratori di IA possono raccogliere capitali consistenti attorno a un team, una tesi di ricerca e una storia istituzionale rispettata. Dimostrazioni pubbliche e ricavi affidabili possono arrivare molto più tardi.

Questa sequenza offre ai fondatori il tempo di perseguire ricerche difficili. Trasferisce però anche gran parte del rischio tecnico e commerciale agli investitori che acquistano credenziali prima dei risultati.

Il focus commerciale di Gemini cambia il costo di restare

Google affronta pressioni perché lo stesso focus commerciale che rende Gemini strategicamente essenziale può restringere la libertà che ha attratto i talenti della ricerca in DeepMind.

Storicamente, DeepMind ha dato ai ricercatori spazio per studiare apprendimento, pianificazione, giochi, biologia e algoritmi per uso generale. AlphaGo è diventato il suo risultato distintivo perché combinava reti neurali, ricerca e apprendimento per rinforzo.

L’apprendimento per rinforzo permette a un sistema di migliorare ricevendo feedback dalle proprie azioni. Si differenzia dalla semplice previsione dell’elemento successivo in un dataset fisso.

AlphaGo ha imparato da partite di esperti e da ripetute partite contro sé stesso. AlphaGo Zero ha poi eliminato i record delle partite umane e ha imparato giocando contro sé stesso.

La documentazione di AlphaGo di Google descrive come il sistema combinasse reti di policy e di valore con la ricerca. Questa eredità resta importante perché diversi ricercatori in uscita hanno contribuito a costruirla.

I modelli linguistici di grandi dimensioni funzionano diversamente. I transformer apprendono relazioni statistiche su dataset enormi e generano output prevedendo token, piccole unità di testo o codice.

I sistemi moderni aggiungono strumenti, retrieval, input multimodali e apprendimento per rinforzo. Tuttavia, la competizione commerciale si concentra fortemente sulla scala dei modelli, sulle prestazioni nel coding, sulle funzionalità degli agenti e sulla distribuzione nei prodotti esistenti.

Google ha bisogno di Gemini per competere con OpenAI e Anthropic negli assistenti per consumatori, nel software enterprise, nella ricerca, nei servizi cloud e negli strumenti per sviluppatori. Ciò crea una comprensibile richiesta di esecuzione concentrata.

L’ex scienziato di DeepMind Janusz Marecki ha descritto una conseguenza interna più difficile. Ha dichiarato a Bloomberg che i team subivano pressioni dall’alto per abbandonare altri lavori e concentrarsi sui modelli linguistici di grandi dimensioni.

Marecki ora lavora presso Ahren Innovation Capital mentre raccoglie fondi per la propria azienda di apprendimento continuo, FractalBrain. La sua prospettiva combina i ruoli di ex dipendente, investitore e potenziale fondatore.

Il suo racconto non dimostra che ogni team di DeepMind segua la stessa direzione. Spiega però perché un finanziamento indipendente possa attrarre ricercatori con idee meno immediatamente commerciali.

Uno scienziato che lavora all’interno di Google ottiene capacità di calcolo, supporto ingegneristico, dati proprietari e accesso a prodotti già distribuiti. Andarsene significa rinunciare a questi vantaggi e accettare rischi legati a raccolta fondi, assunzioni, operatività e prodotto.

Lo scambio diventa attraente quando gli investitori offrono capitale sufficiente per ricreare un ambiente di ricerca senza la stessa roadmap. Il mercato attuale sta rendendo disponibile questa opzione prima del consueto.

I cambiamenti nella leadership di DeepMind hanno rafforzato la percezione di una transizione. Demis Hassabis è passato al ruolo di chief scientist di Alphabet, mentre Koray Kavukcuoglu ha assunto il controllo quotidiano del laboratorio.

Hassabis ha respinto l’idea che il movimento dei talenti rappresenti una fuga di cervelli a senso unico. Sostiene che i laboratori leader si scambiano ricercatori e che Google continua a mantenere un ampio bacino di ricerca.

Questa difesa ha una sostanza concreta. Google impiega ancora grandi team, gestisce un’estesa infrastruttura di calcolo e lavora su linguaggio, video, biologia, matematica, robotica e simulazione.

Anche la sua ricerca complica qualsiasi affermazione secondo cui Google abbia abbandonato le alternative agli LLM. Il programma Genie dell’azienda sta sviluppando esplicitamente world model interattivi.

I dettagli pubblicati di Genie 3 descrivono un sistema che crea ambienti esplorabili a partire dal testo. Google posiziona tali ambienti come spazi di addestramento e valutazione per gli agenti.

Google occupa quindi entrambi i lati della sfida emergente. Sta commercializzando una grande famiglia di LLM continuando al contempo la ricerca su world model, pianificazione, scienza e agenti incarnati.

La pressione deriva dall’allocazione delle risorse, dalla velocità e dall’autonomia dei ricercatori. Un ampio portafoglio aziendale può comunque lasciare ai singoli scienziati la sensazione che il loro percorso preferito non riceva priorità sufficiente.

Gli ex DeepMinder riaprono la questione dell’architettura

Le startup stanno contestando l’assunto secondo cui un’intelligenza migliore emergerà principalmente da modelli linguistici più grandi, più dati e ulteriore calcolo al momento dell’inferenza.

Gli LLM più avanzati possono scrivere software, analizzare documenti, chiamare strumenti e lavorare su testo, audio, immagini e video. Questi risultati rendono la modellazione linguistica il riferimento con cui ogni alternativa deve confrontarsi.

Tuttavia, un output fluido non garantisce un modello interno affidabile delle conseguenze fisiche. Un sistema può descrivere come spostare un oggetto senza controllare un robot che debba eseguire il movimento.

I world model affrontano questa lacuna apprendendo come un ambiente cambia nel tempo. Possono aiutare un agente a prevedere il risultato probabile di un’azione prima di compierla.

La distinzione è importante per robotica, veicoli autonomi, intrattenimento interattivo e pianificazione scientifica. Questi ambiti richiedono qualcosa in più della generazione di una risposta verbale plausibile.

Un robot che incontra una tazza deve stimare geometria, attrito, forza, equilibrio e incertezza. Deve poi adattarsi quando l’oggetto si muove in modo diverso dal previsto.

Il dibattito sui world model ha attirato ricercatori in cerca di un’IA capace di comprendere spazio e tempo. Ha attirato anche investitori che guardano oltre i mercati affollati dei chatbot.

Tuttavia, “world model” copre diversi sistemi distinti. Alcuni generano ambienti visivamente convincenti, mentre altri tentano una simulazione fisica accurata o la pianificazione delle azioni.

Un video bello non è automaticamente un simulatore affidabile. Può preservare l’aspetto superficiale violando però causalità, permanenza degli oggetti o vincoli fisici.

L’apprendimento continuo presenta un’altra alternativa. La maggior parte dei modelli linguistici distribuiti viene addestrata, modificata e poi rilasciata come sistema relativamente fisso.

Il retrieval può fornire informazioni aggiornate senza modificare i parametri appresi dal modello. Il fine-tuning può aggiornare il comportamento, ma di solito richiede un processo di addestramento separato.

Un sistema di apprendimento continuo incorporerebbe nuove esperienze mentre opera. Questa promessa solleva difficili interrogativi su stabilità, sicurezza, valutazione e perdita delle capacità apprese in precedenza.

Il ragionamento basato sulla diffusione offre una terza strada. Un modello autoregressivo genera token in sequenza, mentre gli approcci di diffusione possono affinare un risultato candidato attraverso ripetuti passaggi di denoising.

I sostenitori ritengono che il processo possa supportare la generazione parallela o la correzione iterativa. Devono comunque dimostrare che offre un vantaggio significativo in termini di costo, affidabilità o qualità del ragionamento.

Metis Reasoning sembra puntare al ragionamento strutturato in situazioni non familiari. Questa ambizione richiama il precedente lavoro di DeepMind sulla ricerca e la pianificazione, anche se i dettagli tecnici pubblici rimangono limitati.

Il filo conduttore non è il rifiuto del linguaggio. Queste startup possono comunque utilizzare transformer, interfacce linguistiche o componenti LLM all'interno di sistemi più ampi.

La loro scommessa è che la sola previsione linguistica non fornisca ogni meccanismo necessario per l'intelligenza generale. Interazione, apprendimento persistente, simulazione e pianificazione esplicita devono avere un peso maggiore.

Questa argomentazione riporta in vita anche una vecchia identità di DeepMind. AlphaGo non è diventato importante perché sapeva conversare meglio sul Go.

Valutava le posizioni, esplorava le mosse future e migliorava giocando. MuZero ha poi imparato a pianificare senza ricevere in anticipo le regole dei propri ambienti.

Gli scienziati in uscita stanno ora applicando istinti simili a contesti meno strutturati. Vogliono macchine che scoprano comportamenti utili attraverso l'esperienza, anziché assorbire soltanto output umani registrati.

È una transizione impegnativa. I giochi hanno azioni chiare, risultati misurabili e abbondanti occasioni di pratica simulata.

Gli ambienti reali sono rumorosi, osservati solo parzialmente e costosi da esplorare. Un'azione sbagliata in un gioco da tavolo simulato non ha costi fisici, mentre un errore di un robot può danneggiare le attrezzature.

La tesi delle architetture alternative avrà quindi successo soltanto se questi sistemi funzioneranno sotto vincoli reali. Idee di ricerca eleganti devono infine trasformarsi in prodotti affidabili.

Google compete con la propria eredità di ricerca

Il ribaltamento centrale è che la celebrata storia di ricerca di DeepMind ora aiuta gli ex dipendenti a raccogliere capitali per sfidare l'attuale priorità commerciale di Google.

Gli investitori non valutano questi fondatori come team sconosciuti. Stanno attribuendo un prezzo all'associazione con AlphaGo, AlphaFold, MuZero, Gemini e altri programmi riconosciuti.

Silver e Graepel hanno contribuito a ricerche che hanno dimostrato apprendimento e pianificazione oltre l'addestramento supervisionato convenzionale. Parker-Holder ha lavorato su ambienti interattivi, inclusa la linea di ricerca Genie.

Questa storia offre agli investitori un motivo credibile per prestare attenzione. Non fornisce una garanzia trasferibile che una nuova azienda replicherà il successo istituzionale di DeepMind.

I grandi laboratori combinano intuizione individuale con capacità di calcolo, dati, sistemi ingegneristici, processi di sicurezza, team di prodotto e anni di conoscenza accumulata. Un fondatore porta in una startup soltanto una parte di quella struttura.

L'alumni dataset in espansione conta 68 aziende sostenute da venture capital fondate da ex dipendenti di DeepMind. Identifica inoltre 18 aziende valutate oltre 1 miliardo di dollari.

Quel dataset utilizza una definizione ampia di alumni di DeepMind. Include fondatori il cui lavoro spazia tra modelli linguistici, software per imprese, robotica, salute, gaming e applicazioni scientifiche.

I numeri mostrano la portata della rete, non il tasso di successo di un singolo movimento tecnico. Alcune delle aziende elencate rimangono vicine all'IA mainstream basata sui transformer.

Ciononostante, la rete crea un pratico volano per le startup. Gli alumni possono reclutare colleghi fidati, ottenere presentazioni e usare i progetti DeepMind come prova del proprio giudizio tecnico.

Anche gli investitori beneficiano della riprova sociale. Quando un fondo riconosciuto partecipa a una prima tranche di finanziamento, i partecipanti successivi possono interpretare quell'impegno come una convalida parziale.

Bloomberg riferisce che alcuni nuovi round vengono suddivisi in tranche. Gli investitori iniziali entrano a una valutazione, mentre quelli successivi apportano più capitale dopo che il primo impegno ha consolidato la fiducia.

Questa struttura può produrre valori da titolo impressionanti prima che una startup rilasci un prodotto. Rende inoltre insolitamente importante l'identità dei fondatori e degli investitori.

Radical Ventures definisce questa categoria di imprese un “neolab”, ovvero una società guidata da ricercatori che persegue un avanzamento tecnico di lungo periodo. La sua analisi sui neolab afferma che oltre 40 laboratori di questo tipo hanno raccolto 40 miliardi di dollari in tre anni.

Il termine coglie un autentico cambiamento organizzativo. La ricerca di frontiera non risiede più soltanto nelle università o nelle aziende tecnologiche con ricavi maturi.

Il capitale privato può ora costruire un nuovo laboratorio attorno a diversi ricercatori riconosciuti. Gli investitori accettano lunghi tempi di ricerca in cambio dell'esposizione a una tecnologia potenzialmente fondamentale.

Il modello ha dei precedenti. OpenAI e Anthropic sono entrambe nate come organizzazioni guidate dalla ricerca prima di sviluppare sistemi commerciali ampiamente utilizzati.

Tuttavia, questi esempi possono distorcere le aspettative. Il loro successo successivo non significa che ogni laboratorio ben finanziato troverà un prodotto, un canale di distribuzione o un vantaggio tecnico sostenibile.

Google beneficia anche quando l'ecosistema più ampio convalida direzioni di ricerca che continua a perseguire. DeepMind non è esclusa da modelli del mondo, IA scientifica, apprendimento per rinforzo o robotica.

In alcuni casi, l'azienda può investire in ex dipendenti, collaborare con le loro startup o acquisirne la tecnologia in seguito. L'uscita di talenti non si traduce quindi automaticamente in una perdita strategica permanente.

Il rischio maggiore riguarda la concentrazione. La ricerca rivoluzionaria richiede spesso disaccordo con il consenso attuale e tempo sufficiente per indagare alternative.

Se Google indirizza più ricercatori verso priorità Gemini a breve termine, i laboratori indipendenti possono diventare i luoghi in cui idee concorrenti ricevono un'attenzione continuativa.

Ecco perché l'esodo di ricercatori da Google DeepMind è più di una storia di personale. Ridistribuisce l'autorità di decidere quali questioni sull'IA meritino capitali significativi.

Le enormi valutazioni superano ancora le prove pubbliche

Le argomentazioni a favore di architetture IA alternative sono solide sul piano intellettuale, ma il mercato dei finanziamenti assegna valore più rapidamente di quanto le prove tecniche possano giustificarlo.

Diverse startup discusse nei resoconti hanno condiviso informazioni limitate sui propri sistemi. Alcune non hanno pubblicato un modello dettagliato, una suite di benchmark, una roadmap di prodotto o dati sui ricavi.

Non è insolito per aziende che proteggono ricerche in fase iniziale. Ma rende difficili i confronti per clienti, sviluppatori e ricercatori esterni.

Il finanziamento non va confuso con la convalida tecnica. Un grande round dimostra che gli investitori hanno accettato un rischio a determinate condizioni.

Non dimostra che la diffusione supererà la generazione autoregressiva, né che l'apprendimento continuo possa restare stabile. Non stabilisce neppure che un modello del mondo comprenda la fisica.

Anche la valutazione merita cautela. I valori delle startup private riflettono spesso l'ultimo accordo di finanziamento anziché il giudizio continuo di un mercato liquido.

Diritti speciali, tranche scaglionate e diverse classi di azioni possono allontanare ulteriormente il valore da titolo da quanto ogni investitore ha effettivamente pagato.

Marecki ha dichiarato a Bloomberg che alcune valutazioni dell'IA erano passate da multipli vicini a dieci volte i ricavi a 200 o 300 volte i ricavi. L'osservazione illustra l'ansia degli investitori, ma non è una misura universale del settore.

Diversi neolab hanno ricavi limitati da moltiplicare. La loro valutazione si basa su talento, proprietà intellettuale, accesso al calcolo e probabilità di un futuro vantaggio tecnico.

Anche le architetture stesse affrontano problemi di valutazione irrisolti. Gli LLM hanno benchmark imperfetti, ma gli sviluppatori possono testare programmazione, matematica, latenza, costo, uso degli strumenti e preferenze degli utenti.

Un modello del mondo generale richiede test diversi. La sola qualità visiva può premiare sistemi che appaiono convincenti pur formulando previsioni fisicamente impossibili.

L'addestramento dei robot richiede prove che l'apprendimento simulato si trasferisca alle macchine fisiche. I sistemi scientifici richiedono risultati prospettici, non solo successi su dataset consolidati.

I sistemi di apprendimento continuo necessitano di audit che mostrino cosa hanno conservato, cosa hanno modificato e se nuovi dati hanno introdotto comportamenti non sicuri. Questi test devono essere eseguiti ripetutamente man mano che il modello evolve.

I sistemi di ragionamento devono essere valutati al di fuori di distribuzioni di problemi familiari. Altrimenti, un modello può sembrare capace pur limitandosi a riprodurre schemi presenti nei dati di addestramento.

I fondatori affrontano anche un problema commerciale. I fornitori di LLM offrono già prodotti utili, piattaforme per sviluppatori consolidate e una distribuzione in crescita.

Un sistema alternativo non vince semplicemente perché è concettualmente diverso. Deve risolvere un compito di valore abbastanza meglio da giustificare integrazione, costi di passaggio e rischio operativo.

I sistemi ibridi potrebbero rivelarsi più realistici delle sostituzioni totali. Un LLM può interpretare le istruzioni mentre un componente di pianificazione, simulazione o apprendimento per rinforzo controlla decisioni specializzate.

Questo esito indebolirebbe la drammatica cornice “post-LLM” senza invalidare le startup. La loro tecnologia potrebbe diventare uno strato cruciale all'interno di un'architettura più ampia.

Google è ben posizionata per quel futuro ibrido. Gemini può fornire interfacce linguistiche e multimodali, mentre la ricerca di DeepMind apporta capacità di simulazione, pianificazione e scientifiche.

Le startup hanno bisogno di una differenziazione più netta. Devono dimostrare che l'indipendenza produce un avanzamento che Google non può eguagliare rapidamente con il proprio talento e la propria infrastruttura.

Gli investitori hanno inoltre bisogno di disciplina riguardo alla reputazione dei fondatori. L'esperienza in DeepMind è significativa, ma il prestigio istituzionale può creare un'aura che scoraggia l'esame di base.

Le domande più importanti restano quelle ordinarie. Quale compito svolge il sistema, come viene misurata la prestazione e quanto costa ogni risultato utile?

Finché queste risposte non diventeranno pubbliche, il mercato sta finanziando un portafoglio di ipotesi. Non sta ancora selezionando un successore verificato dei modelli linguistici di grandi dimensioni.

Tre segnali mostreranno se la scommessa sta funzionando

La prossima fase sarà decisa da dimostrazioni tecniche, utilizzo da parte dei clienti e risposta di Google, piuttosto che da un'altra sequenza di titoli sui finanziamenti.

Il primo segnale è una valutazione pubblica da parte di Ineffable Intelligence, Revolution Labs, Metis Reasoning o Emulate. Almeno un'azienda deve dimostrare un vantaggio in un compito rilevante al di fuori del proprio benchmark.

Per l'apprendimento continuo, ciò significa acquisire nuove conoscenze senza cancellare capacità precedenti. Per il ragionamento, significa risolvere problemi non familiari con affidabilità misurabile.

Per la simulazione, il test consiste nel verificare se gli agenti addestrati in ambienti generati ottengano prestazioni migliori nei sistemi reali. Una dimostrazione visivamente impressionante non è sufficiente.

Una replica indipendente rafforzerebbe considerevolmente il caso. I risultati verificati soltanto da una startup dovrebbero restare affermazioni aziendali finché ricercatori esterni non potranno esaminarli.

Il secondo segnale è un prodotto credibile o un'implementazione presso un cliente. Robotica, ricerca farmaceutica, ingegneria, sistemi autonomi e giochi offrono possibili punti di ingresso.

Un'applicazione circoscritta può rivelare più di un'affermazione ampia sull'intelligenza generale. Costringe il modello a operare con requisiti reali di latenza, sicurezza e costo.

Gli acquirenti aziendali dovrebbero esaminare l'architettura soltanto dopo aver definito il problema. La novità di un modello conta meno quando il suo output non può inserirsi in un flusso di lavoro esistente o superare un audit.

I team hanno inoltre bisogno di registrazioni delle informazioni fornite ai sistemi IA e delle decisioni da essi prodotte. Una base di conoscenza IA consultabile può preservare quel contesto tra strumenti in evoluzione.

Il terzo segnale è la risposta di Google. Assunzioni, pacchetti di retention, pubblicazioni di ricerca, acquisizioni e cambiamenti nell'architettura di Gemini mostreranno quanto seriamente consideri le partenze.

Google può indebolire la tesi delle startup offrendo capacità comparabili di apprendimento continuo, pianificazione o modelli del mondo all'interno di prodotti ampiamente distribuiti. La sua capacità di calcolo e il suo accesso ai clienti restano vantaggi sostanziali.

Un risultato forte di una startup creerebbe la pressione opposta. Google dovrebbe proteggere la ricerca non basata su LLM dalle esigenze commerciali immediate, oppure rischierebbe di finanziare un maggior numero di futuri concorrenti.

Il comportamento della leadership conterà quanto gli annunci sui modelli. I ricercatori hanno bisogno di prove che programmi non convenzionali possano sopravvivere abbastanza a lungo da produrre risultati.

L’esodo di ricercatori da Google DeepMind ha già cambiato dove gli investitori cercano la prossima piattaforma AI. Non ha però stabilito quale percorso tecnico prevarrà.

Gli sviluppatori dovrebbero seguire benchmark riproducibili anziché i totali dei finanziamenti. Gli acquirenti aziendali dovrebbero richiedere prove di implementazione, criteri di valutazione chiari e una spiegazione delle modalità di errore.

I lavoratori della conoscenza dovrebbero aspettarsi una gamma più diversificata di sistemi dietro interfacce AI familiari. Il prossimo strumento utile potrebbe combinare linguaggio, memoria, simulazione e pianificazione, anziché sostituire un modello con un altro.

La domanda decisiva è ora misurabile: gli ex ricercatori di DeepMind possono trasformare libertà di ricerca e capitali abbondanti in sistemi che apprendono dal mondo in modo più affidabile rispetto ai soli LLM?