Exodus badaczy z Google DeepMind finansuje zakład przeciw skalowaniu LLM-ów

Badacze Google DeepMind odchodzą w zauważalnej fali, a kilku byłych pracowników pozyskało ogromne kwoty na rozwijanie alternatyw dla dużych modeli językowych. Exodus badaczy z Google DeepMind obejmuje już weteranów AlphaGo, uczenia ze wzmocnieniem, symulacji i rozumowania maszynowego.

Te odejścia są istotne, ponieważ naukowcy nie próbują po prostu odtworzyć Gemini w mniejszych firmach. Ich startupy zakładają, że ciągłe uczenie, dyfuzja, symulacja i planowanie mogą przezwyciężyć ograniczenia, które dostrzegają w językowych modelach opartych na transformerach.

To stawia Google w niezręcznej sytuacji. DeepMind zbudował swoją reputację dzięki programom badawczym uczącym się na podstawie interakcji, gier, danych naukowych i środowisk symulowanych. Presja komercyjna skupia teraz uwagę na Gemini, podczas gdy część badaczy stojących za wcześniejszymi sukcesami DeepMind odtwarza te eksperymentalne tradycje gdzie indziej.

Głównym starciem nie jest więc Google z jednym startupem. To dominująca strategia skalowania modeli językowych kontra rosnąca grupa alternatywnych systemów uczenia.

Inwestorzy traktują samych badaczy jako cenne aktywa. Jednak duże rundy finansowania nie mogą przesądzić, czy ich nowe architektury przewyższą LLM-y w użytecznych, mierzalnych zadaniach.

Exodus badaczy z Google DeepMind staje się kanałem finansowania

Zbiór indywidualnych odejść przekształcił się w powtarzalną drogę od badań DeepMind do powstawania hojnie finansowanych startupów.

Najwyraźniejszy obraz sytuacji wyłonił się podczas nieformalnego spotkania w Londynie we wrześniu. Piętnastu obecnych i byłych pracowników DeepMind miało spotkać się w pobliżu brytyjskiej siedziby Google, aby rozmawiać o tym, co inwestorzy z Doliny Krzemowej chcą finansować.

To śniadanie nie było ogłoszeniem finansowania. Była to jednak wymowna scena, ponieważ połączyła w jednym miejscu aktywnych pracowników, byłych członków firmy, startupowe ambicje i popyt ze strony funduszy venture capital.

Szersze relacje o exodusie wskazują na kilka projektów wyłaniających się z tej sieci. Każdy z nich stosuje inną tezę techniczną wobec pytania, co powinno nastąpić po obecnej erze LLM-ów.

Nando de Freitas, który spędził około dekady w DeepMind, ma podobno rozmawiać o początkowej rundzie finansowania wynoszącej co najmniej 100 mln dolarów. Jego proponowana firma, Revolution Labs, miałaby koncentrować się na modelach dyfuzyjnych, a nie na architekturze transformerów stojącej za większością czołowych chatbotów.

Modele dyfuzyjne uczą się odwracać proces stopniowego zakłócania danych szumem. Są powszechnie kojarzone z generowaniem obrazów, choć badacze mogą wykorzystywać tę podstawową metodę także do innych form predykcji.

David Silver, jeden z kluczowych badaczy stojących za AlphaGo, odszedł, by założyć Ineffable Intelligence. Bloomberg osobno informował, że firma pozyskała 1,1 mld dolarów przy wycenie 5,1 mld dolarów.

Ineffable rozwija system uczenia, który ma wyjść poza statyczne trenowanie. Jego dokładna architektura i wyniki pozostają w dużej mierze poza publicznym wglądem.

Thore Graepel, kolejny współtwórca AlphaGo, odszedł z DeepMind latem. Ma poszukiwać finansowania dla Metis Reasoning, które koncentruje się na systemach rozumowania dla nauki, inżynierii i robotyki.

Emulate obiera inną drogę. Firma została założona przez byłych badaczy DeepMind, w tym Jacka Parker-Holdera, i podobno rozmawia o finansowaniu w wysokości 700 mln dolarów.

Jej celem jest budowa systemów symulujących i przewidujących rzeczywisty świat. Zbliża ją to do modeli świata, które reprezentują środowiska i przewidują, jak zmieniają się one po wykonaniu działania.

Do tych przedsięwzięć dołączają mniejsze firmy wywodzące się z DeepMind, pracujące nad programowaniem, agentami, robotyką, odkryciami naukowymi i ciągłym uczeniem. Nie tworzą one skoordynowanej organizacji, a ich planów technicznych nie należy traktować jako wymiennych.

Łączy je mechanizm finansowania. Inwestorzy identyfikują badaczy kojarzonych z uznanymi przełomami, a następnie finansują nowe laboratoria, zanim te laboratoria zdążą stworzyć dojrzałe produkty.

Model ten odwraca typową sekwencję rozwoju startupu. Konwencjonalna firma dowodzi popytu, znajduje dopasowanie produktu do rynku i pozyskuje większe rundy wraz z narastaniem dowodów.

Te laboratoria AI mogą pozyskiwać znaczny kapitał wokół zespołu, tezy badawczej i cenionej historii instytucjonalnej. Publiczne demonstracje i stabilne przychody mogą pojawić się znacznie później.

Taka sekwencja daje założycielom czas na prowadzenie trudnych badań. Przenosi też dużą część ryzyka technicznego i komercyjnego na inwestorów, którzy kupują wiarygodność zespołu przed zobaczeniem wyników.

Komercyjne skupienie Gemini zmienia koszt pozostania

Google znajduje się pod presją, ponieważ to samo komercyjne skupienie, które czyni Gemini strategicznie niezbędnym, może ograniczać swobodę przyciągającą talenty badawcze do DeepMind.

DeepMind historycznie dawał badaczom przestrzeń do badania uczenia, planowania, gier, biologii i algorytmów ogólnego przeznaczenia. AlphaGo stał się jego najważniejszym osiągnięciem, ponieważ łączył sieci neuronowe, wyszukiwanie i uczenie ze wzmocnieniem.

Uczenie ze wzmocnieniem pozwala systemowi poprawiać się dzięki informacji zwrotnej z własnych działań. Różni się od zwykłego przewidywania kolejnego elementu w ustalonym zbiorze danych.

AlphaGo uczył się na partiach ekspertów i powtarzanej grze przeciwko samemu sobie. AlphaGo Zero później zrezygnował z ludzkich zapisów partii i uczył się, grając wyłącznie ze sobą.

Dokumentacja Google dotycząca AlphaGo opisuje, jak system łączył sieci polityki i wartości z wyszukiwaniem. Ten rodowód pozostaje ważny, ponieważ kilku odchodzących badaczy pomagało go budować.

Duże modele językowe działają inaczej. Transformery uczą się zależności statystycznych w ogromnych zbiorach danych i generują wyniki, przewidując tokeny, czyli niewielkie jednostki tekstu lub kodu.

Współczesne systemy dodają narzędzia, wyszukiwanie informacji, wejścia multimodalne i uczenie ze wzmocnieniem. Mimo to konkurencja komercyjna silnie koncentruje się na skali modeli, wydajności programowania, funkcjach agentowych i wdrażaniu w istniejących produktach.

Google potrzebuje Gemini, by konkurować z OpenAI i Anthropic w obszarze asystentów konsumenckich, oprogramowania dla przedsiębiorstw, wyszukiwania, usług chmurowych i narzędzi dla programistów. Tworzy to zrozumiałą potrzebę skoncentrowanej realizacji.

Były naukowiec DeepMind Janusz Marecki opisał trudniejszą konsekwencję wewnętrzną. Powiedział Bloombergowi, że zespoły odczuwały odgórną presję, by porzucać inną pracę i skupiać się na dużych modelach językowych.

Marecki pracuje obecnie w Ahren Innovation Capital, jednocześnie pozyskując fundusze dla własnej firmy zajmującej się ciągłym uczeniem, FractalBrain. Jego perspektywa łączy role byłego pracownika, inwestora i potencjalnego założyciela.

Jego relacja nie dowodzi, że każdy zespół DeepMind podlega temu samemu kierunkowi. Wyjaśnia jednak, dlaczego niezależne finansowanie może być atrakcyjne dla badaczy z pomysłami mniej bezpośrednio użytecznymi komercyjnie.

Naukowiec pracujący w Google zyskuje dostęp do mocy obliczeniowej, wsparcia inżynieryjnego, danych własnościowych i wdrożonych produktów. Odejście oznacza rezygnację z tych przewag oraz przyjęcie ryzyka związanego z pozyskiwaniem finansowania, zatrudnianiem, działalnością operacyjną i produktem.

Ta wymiana staje się atrakcyjna, gdy inwestorzy oferują wystarczający kapitał, by odtworzyć środowisko badawcze bez takiej samej mapy drogowej. Obecny rynek udostępnia tę możliwość wcześniej niż zwykle.

Zmiany w kierownictwie DeepMind wzmocniły wrażenie transformacji. Demis Hassabis przeszedł na stanowisko głównego naukowca Alphabet, a Koray Kavukcuoglu przejął codzienne zarządzanie laboratorium.

Hassabis odrzucił pogląd, że przepływ talentów oznacza jednokierunkowy drenaż mózgów. Twierdzi, że czołowe laboratoria wymieniają się badaczami, a Google nadal utrzymuje szerokie zaplecze badawcze.

Ta obrona ma realne podstawy. Google nadal zatrudnia duże zespoły, prowadzi rozbudowaną infrastrukturę obliczeniową i pracuje nad językiem, wideo, biologią, matematyką, robotyką oraz symulacją.

Własne badania firmy również komplikują twierdzenie, że Google porzucił alternatywy dla LLM-ów. Program Genie firmy wyraźnie rozwija interaktywne modele świata.

Opublikowane szczegóły Genie 3 opisują system tworzący środowiska możliwe do eksplorowania na podstawie tekstu. Google przedstawia te środowiska jako przestrzenie do trenowania i oceny agentów.

Google zajmuje zatem obie strony wyłaniającego się sporu. Komercjalizuje ważną rodzinę LLM-ów, jednocześnie kontynuując badania nad modelami świata, planowaniem, nauką i agentami ucieleśnionymi.

Presja wynika z alokacji zasobów, szybkości i autonomii badaczy. Szerokie portfolio korporacyjne może nadal sprawiać, że poszczególni naukowcy będą odczuwać, iż ich preferowana ścieżka nie otrzymuje wystarczającego priorytetu.

Byli pracownicy DeepMind ponownie otwierają pytanie o architekturę

Startupy kwestionują założenie, że lepsza inteligencja wyłoni się przede wszystkim z większych modeli językowych, większej ilości danych i dodatkowych obliczeń w czasie wnioskowania.

Najsilniejsze LLM-y potrafią pisać oprogramowanie, analizować dokumenty, wywoływać narzędzia i pracować z tekstem, dźwiękiem, obrazami oraz wideo. Te osiągnięcia sprawiają, że modelowanie języka jest punktem odniesienia, z którym musi zmierzyć się każda alternatywa.

Jednak płynne odpowiedzi nie gwarantują wiarygodnego wewnętrznego modelu fizycznych konsekwencji. System może opisać, jak przesunąć przedmiot, nie potrafiąc sterować robotem, który musi ten ruch wykonać.

Modele świata mają wypełniać tę lukę, ucząc się, jak środowisko zmienia się w czasie. Mogą pomóc agentowi przewidzieć prawdopodobny skutek działania, zanim je podejmie.

To rozróżnienie ma znaczenie dla robotyki, pojazdów autonomicznych, interaktywnej rozrywki i planowania naukowego. Dziedziny te wymagają czegoś więcej niż generowania wiarygodnej odpowiedzi słownej.

Robot napotykający kubek musi oszacować geometrię, tarcie, siłę, równowagę i niepewność. Następnie musi dostosować się, gdy obiekt poruszy się inaczej niż oczekiwano.

Debata o modelach świata przyciągnęła badaczy poszukujących AI zdolnej rozumieć przestrzeń i czas. Przyciągnęła też inwestorów szukających możliwości poza zatłoczonym rynkiem chatbotów.

Jednak określenie „model świata” obejmuje kilka odrębnych systemów. Niektóre generują wizualnie przekonujące środowiska, a inne próbują zapewnić dokładną symulację fizyczną lub planowanie działań.

Piękne wideo nie jest automatycznie wiarygodnym symulatorem. Może zachować powierzchowny wygląd, jednocześnie naruszając przyczynowość, trwałość obiektów lub ograniczenia fizyczne.

Ciągłe uczenie stanowi kolejną alternatywę. Większość wdrożonych modeli językowych jest trenowana, dostosowywana, a następnie udostępniana jako stosunkowo stałe systemy.

Wyszukiwanie informacji może dostarczać aktualnych danych bez zmiany wyuczonych parametrów modelu. Dostrajanie może aktualizować zachowanie, lecz zwykle wymaga odrębnego procesu treningowego.

System ciągłego uczenia uwzględniałby nowe doświadczenia podczas działania. Ta obietnica rodzi trudne pytania dotyczące stabilności, bezpieczeństwa, oceny oraz utraty wcześniej wyuczonych zdolności.

Rozumowanie oparte na dyfuzji oferuje trzecią ścieżkę. Model autoregresyjny generuje tokeny sekwencyjnie, natomiast podejścia dyfuzyjne mogą udoskonalać wynik kandydujący przez powtarzane kroki odszumiania.

Zwolennicy uważają, że proces ten może wspierać generowanie równoległe lub iteracyjną korektę. Nadal muszą jednak udowodnić, że daje on istotną przewagę pod względem kosztu, niezawodności lub jakości rozumowania.

Metis Reasoning zdaje się koncentrować na ustrukturyzowanym rozumowaniu w nieznanych sytuacjach. Ta ambicja nawiązuje do wcześniejszych prac DeepMind nad wyszukiwaniem i planowaniem, choć publicznie dostępne szczegóły techniczne pozostają ograniczone.

Wspólnym mianownikiem nie jest odrzucenie języka. Startupy te nadal mogą wykorzystywać transformatory, interfejsy językowe lub komponenty LLM w większych systemach.

Stawiają jednak na to, że samo przewidywanie języka nie zapewnia wszystkich mechanizmów potrzebnych do osiągnięcia ogólnej inteligencji. Większą rolę muszą odgrywać interakcja, trwałe uczenie się, symulacja i jawne planowanie.

Ten argument przywraca też starszy wymiar tożsamości DeepMind. AlphaGo nie stało się istotne dlatego, że lepiej prowadziło rozmowę o Go.

Oceniało pozycje, przeszukiwało przyszłe ruchy i doskonaliło się poprzez grę. MuZero nauczyło się później planować bez wcześniejszego otrzymania zasad swoich środowisk.

Odchodzący naukowcy stosują teraz podobne intuicje w mniej ustrukturyzowanych warunkach. Chcą maszyn, które odkrywają użyteczne zachowania dzięki doświadczeniu, zamiast przyswajać wyłącznie zarejestrowane ludzkie wyniki.

To wymagające przejście. Gry mają jasno określone działania, mierzalne rezultaty i obfitą praktykę symulacyjną.

Rzeczywiste środowiska są zaszumione, częściowo obserwowalne i kosztowne w eksploracji. Błędny ruch w symulowanej grze planszowej nie ma fizycznego kosztu, podczas gdy błąd robota może uszkodzić sprzęt.

Teza o alternatywnej architekturze odniesie zatem sukces tylko wtedy, gdy systemy te będą działać w realnych ograniczeniach. Eleganckie idee badawcze muszą ostatecznie stać się niezawodnymi produktami.

Google konkuruje z własnym dziedzictwem badawczym

Kluczowy zwrot polega na tym, że ceniona historia badań DeepMind pomaga dziś byłym pracownikom pozyskiwać kapitał, aby rzucić wyzwanie obecnemu komercyjnemu priorytetowi Google.

Inwestorzy nie oceniają tych założycieli jak nieznanych zespołów. Wycena uwzględnia ich związek z AlphaGo, AlphaFold, MuZero, Gemini i innymi rozpoznawalnymi programami.

Silver i Graepel współtworzyli badania, które pokazały uczenie się i planowanie wykraczające poza konwencjonalne uczenie nadzorowane. Parker-Holder pracował nad środowiskami interaktywnymi, w tym nad linią badań Genie.

Ta historia daje inwestorom wiarygodny powód, by ich wysłuchać. Nie stanowi jednak przenoszalnej gwarancji, że nowa firma odtworzy instytucjonalny sukces DeepMind.

Duże laboratoria łączą indywidualną wiedzę z mocą obliczeniową, danymi, systemami inżynieryjnymi, procesami bezpieczeństwa, zespołami produktowymi i latami zgromadzonej wiedzy. Założyciel wnosi do startupu tylko część tej struktury.

Rozrastający się zbiór danych o absolwentach obejmuje 68 firm wspieranych kapitałem venture, założonych przez byłych pracowników DeepMind. Wskazuje również 18 firm wycenianych na ponad 1 mld USD.

Zbiór stosuje szeroką definicję absolwentów DeepMind. Obejmuje założycieli, których praca dotyczy modeli językowych, oprogramowania dla przedsiębiorstw, robotyki, zdrowia, gier i zastosowań naukowych.

Liczby pokazują zasięg sieci, a nie wskaźnik sukcesu jednego ruchu technologicznego. Część wymienionych firm pozostaje blisko głównego nurtu AI opartego na transformatorach.

Mimo to sieć tworzy praktyczne koło zamachowe dla startupów. Absolwenci mogą rekrutować zaufanych współpracowników, uzyskiwać rekomendacje i wykorzystywać projekty DeepMind jako dowód własnej oceny technicznej.

Inwestorzy korzystają także z dowodu społecznego. Gdy rozpoznawalny fundusz dołącza do wczesnej transzy finansowania, późniejsi uczestnicy mogą odczytywać to zaangażowanie jako częściową walidację.

Bloomberg informuje, że niektóre nowe rundy są dzielone na transze. Wcześni inwestorzy wchodzą przy jednej wycenie, natomiast późniejsi zapewniają więcej kapitału, gdy pierwsze zobowiązanie buduje zaufanie.

Taka struktura może tworzyć imponujące wyceny nagłówkowe, zanim startup wypuści produkt. Sprawia też, że tożsamość założycieli i inwestorów staje się wyjątkowo ważna.

Radical Ventures określa tę klasę firm mianem „neolab”, czyli przedsiębiorstwa prowadzonego przez badaczy i realizującego długoterminowy postęp techniczny. Jego analiza neolabów podaje, że ponad 40 takich laboratoriów pozyskało 40 mld USD w ciągu trzech lat.

Termin ten opisuje rzeczywistą zmianę organizacyjną. Badania na granicy możliwości nie są już prowadzone wyłącznie na uniwersytetach ani w firmach technologicznych o dojrzałych przychodach.

Prywatny kapitał może dziś zbudować nowe laboratorium wokół kilku uznanych badaczy. Inwestorzy akceptują długie horyzonty badań w zamian za ekspozycję na potencjalnie fundamentalną technologię.

Model ten ma precedensy. OpenAI i Anthropic zaczynały jako organizacje kierowane badaniami, zanim opracowały szeroko wykorzystywane systemy komercyjne.

Przykłady te mogą jednak zniekształcać oczekiwania. Ich późniejszy sukces nie oznacza, że każde dobrze finansowane laboratorium znajdzie produkt, kanał dystrybucji lub trwałą przewagę techniczną.

Google również korzysta, gdy szerszy ekosystem potwierdza kierunki badań, które firma nadal rozwija. DeepMind nie jest wykluczone z modeli świata, AI dla nauki, uczenia ze wzmocnieniem ani robotyki.

W niektórych przypadkach firma może inwestować w byłych pracowników, współpracować z ich startupami lub później przejmować technologię. Odpływ talentów nie przekłada się więc automatycznie na trwałą stratę strategiczną.

Większe ryzyko dotyczy koncentracji. Przełomowe badania często wymagają niezgody z aktualnym konsensusem oraz wystarczającej ilości czasu na badanie alternatyw.

Jeśli Google skieruje więcej badaczy ku krótkoterminowym priorytetom Gemini, niezależne laboratoria mogą stać się miejscami, w których konkurencyjne idee otrzymają trwałą uwagę.

Dlatego odejście badaczy z Google DeepMind to coś więcej niż historia kadrowa. Redystrybuuje ono władzę decydowania, które pytania dotyczące AI zasługują na znaczący kapitał.

Ogromne wyceny nadal wyprzedzają publiczne dowody

Argument za alternatywnymi architekturami AI jest intelektualnie poważny, lecz rynek finansowania przypisuje wartość szybciej, niż mogą ją uzasadnić dowody techniczne.

Kilka startupów omawianych w doniesieniach udostępniło ograniczone informacje o swoich systemach. Niektóre nie opublikowały szczegółowego modelu, zestawu benchmarków, mapy rozwoju produktu ani historii przychodów.

Nie jest to niezwykłe w przypadku firm chroniących wczesne badania. Utrudnia jednak porównania klientom, deweloperom i zewnętrznym badaczom.

Finansowania nie należy mylić z walidacją techniczną. Duża runda dowodzi, że inwestorzy zaakceptowali ryzyko na określonych warunkach.

Nie dowodzi, że dyfuzja przewyższy generowanie autoregresyjne ani że ciągłe uczenie może pozostać stabilne. Nie potwierdza też, że model świata rozumie fizykę.

Podobną ostrożność należy zachować wobec wyceny. Prywatne wyceny startupów często odzwierciedlają najnowszą umowę finansowania, a nie ciągłą ocenę płynnego rynku.

Specjalne prawa, etapowe transze i różne klasy akcji mogą dodatkowo oddzielać liczbę z nagłówków od kwoty faktycznie zapłaconej przez każdego inwestora.

Marecki powiedział Bloombergowi, że niektóre wyceny AI wzrosły z mnożników bliskich dziesięciokrotności przychodów do 200- lub 300-krotności przychodów. Obserwacja ta ilustruje niepokój inwestorów, ale nie jest uniwersalną miarą branży.

Kilka neolabów ma niewielkie przychody, które można mnożyć. Ich wycena opiera się na talencie, własności intelektualnej, dostępie do mocy obliczeniowej i prawdopodobieństwie przyszłej przewagi technicznej.

Same architektury również mierzą się z nierozwiązanymi problemami ewaluacji. LLM mają niedoskonałe benchmarki, lecz deweloperzy mogą testować programowanie, matematykę, opóźnienia, koszty, użycie narzędzi i preferencje użytkowników.

Ogólny model świata wymaga innych testów. Sama jakość wizualna może nagradzać systemy wyglądające przekonująco, lecz tworzące fizycznie niemożliwe przewidywania.

Trening robotów wymaga dowodów, że nauka w symulacji przenosi się na maszyny fizyczne. Systemy naukowe wymagają wyników prospektywnych, a nie wyłącznie sukcesu na ustalonych zbiorach danych.

Systemy ciągłego uczenia potrzebują audytów pokazujących, co zachowały, co zmieniły i czy nowe dane wprowadziły niebezpieczne zachowanie. Testy te muszą być powtarzane wraz z ewolucją modelu.

Systemy rozumowania należy oceniać poza znanymi rozkładami problemów. W przeciwnym razie model może sprawiać wrażenie zdolnego, jedynie odtwarzając wzorce obecne w danych treningowych.

Założyciele stoją również przed problemem komercyjnym. Dostawcy LLM oferują już użyteczne produkty, ugruntowane platformy dla deweloperów i rosnącą dystrybucję.

Alternatywny system nie wygrywa tylko dlatego, że różni się koncepcyjnie. Musi rozwiązywać wartościowe zadanie na tyle lepiej, by uzasadnić integrację, koszty zmiany i ryzyko operacyjne.

Systemy hybrydowe mogą okazać się bardziej realistyczne niż całkowite zastąpienia. LLM może interpretować instrukcje, podczas gdy planista, symulator lub komponent uczenia ze wzmocnieniem kontroluje wyspecjalizowane decyzje.

Taki rezultat osłabiłby dramatyczną narrację „post-LLM”, nie unieważniając startupów. Ich technologia mogłaby stać się kluczową warstwą w szerszej architekturze.

Google jest dobrze przygotowane na taką hybrydową przyszłość. Gemini może zapewniać językowe i multimodalne interfejsy, podczas gdy badania DeepMind dostarczają symulację, planowanie i możliwości naukowe.

Startupy potrzebują wyraźniejszego zróżnicowania. Muszą wykazać, że niezależność prowadzi do postępu, którego Google nie może szybko dorównać własnym talentem i infrastrukturą.

Inwestorzy również potrzebują dyscypliny wobec reputacji założycieli. Doświadczenie DeepMind ma znaczenie, lecz prestiż instytucjonalny może tworzyć efekt aureoli, który zniechęca do podstawowej kontroli.

Najważniejsze pytania pozostają zwyczajne. Jakie zadanie wykonuje system, jak mierzy się jego działanie i ile kosztuje każdy użyteczny rezultat?

Dopóki odpowiedzi te nie staną się publiczne, rynek finansuje portfel hipotez. Nie wybiera jeszcze zweryfikowanego następcy dużych modeli językowych.

Trzy sygnały pokażą, czy zakład działa

O kolejnym etapie zdecydują demonstracje techniczne, wykorzystanie przez klientów i odpowiedź Google, a nie kolejna seria nagłówków o finansowaniu.

Pierwszym sygnałem będzie publiczna ewaluacja od Ineffable Intelligence, Revolution Labs, Metis Reasoning lub Emulate. Co najmniej jedna firma musi wykazać przewagę w zadaniu ważnym poza własnym benchmarkiem.

W przypadku ciągłego uczenia oznacza to zdobywanie nowej wiedzy bez wymazywania wcześniejszych możliwości. W przypadku rozumowania oznacza rozwiązywanie nieznanych problemów z mierzalną niezawodnością.

W przypadku symulacji testem jest to, czy agenci trenowani w wygenerowanych środowiskach działają lepiej w rzeczywistych systemach. Wizualnie efektowna demonstracja nie wystarczy.

Niezależna replikacja znacząco wzmocniłaby tę tezę. Wyniki zweryfikowane wyłącznie przez startup powinny pozostawać deklaracjami firmy, dopóki zewnętrzni badacze nie będą mogli ich zbadać.

Drugim sygnałem będzie wiarygodny produkt lub wdrożenie u klienta. Robotyka, badania nad lekami, inżynieria, systemy autonomiczne i gry oferują możliwe punkty wejścia.

Wąskie zastosowanie może ujawnić więcej niż szerokie twierdzenie o ogólnej inteligencji. Zmusza model do działania przy rzeczywistych wymaganiach dotyczących opóźnień, bezpieczeństwa i kosztów.

Kupujący korporacyjni powinni analizować architekturę dopiero po zdefiniowaniu problemu. Nowość modelu ma mniejsze znaczenie, gdy jego wynik nie może wpasować się w istniejący przepływ pracy ani przejść audytu.

Zespoły potrzebują też rejestrów informacji przekazywanych systemom AI oraz decyzji przez nie generowanych. Przeszukiwalna baza wiedzy AI może zachować ten kontekst mimo zmieniających się narzędzi.

Trzecim sygnałem będzie odpowiedź Google. Zatrudnianie, pakiety retencyjne, publikacje badawcze, przejęcia i zmiany w architekturze Gemini pokażą, jak poważnie firma traktuje odejścia.

Google może osłabić tezę startupów, dostarczając porównywalne możliwości ciągłego uczenia, planowania lub modeli świata w szeroko dystrybuowanych produktach. Jego moc obliczeniowa i dostęp do klientów pozostają znaczącymi atutami.

Silny wynik startupu wywołałby presję w przeciwnym kierunku. Google musiałoby chronić badania niezwiązane z LLM-ami przed doraźnymi wymaganiami komercyjnymi albo zaryzykować finansowanie kolejnych przyszłych konkurentów.

Zachowanie kierownictwa będzie mieć równie duże znaczenie jak zapowiedzi modeli. Badacze potrzebują dowodów, że niekonwencjonalne programy mogą przetrwać wystarczająco długo, by przynieść rezultaty.

Odejście badaczy z Google DeepMind już zmieniło to, gdzie inwestorzy szukają kolejnej platformy AI. Nie przesądziło jednak, która ścieżka techniczna zwycięży.

Deweloperzy powinni zwracać uwagę na odtwarzalne benchmarki, a nie na łączne kwoty finansowania. Nabywcy korporacyjni powinni wymagać dowodów wdrożenia, jasnych kryteriów oceny oraz wyjaśnienia możliwych trybów awarii.

Pracownicy umysłowi powinni spodziewać się bardziej zróżnicowanego zestawu systemów stojących za znanymi interfejsami AI. Kolejne użyteczne narzędzie może łączyć język, pamięć, symulację i planowanie, zamiast zastępować jeden model innym.

Kluczowe pytanie jest teraz mierzalne: czy byli pracownicy DeepMind potrafią przekuć swobodę badawczą i obfity kapitał w systemy, które uczą się ze świata bardziej niezawodnie niż same LLM-y?