Google DeepMind

Google DeepMind er Googles AI-forskningsenhed, dannet ved sammenlægningen af DeepMind og Google Brain i 2023 og ledet af Demis Hassabis. Enheden udvikler de store Gemini-sprog- og multimodale modeller og har stået bag gennembrud som AlphaGo, AlphaFold (proteinfoldning, Nobelprisen i kemi 2024) og videomodellen Veo. Navnet dukker op, når forskning og avancerede modeller omtales.

Hvorfor Google DeepMind betyder noget for jeres AI-planer

Google DeepMind sætter forskningstempoet og retningen for mange af de værktøjer, I møder som kunde: modeller, som Gemini, og teknikker, der efterfølgende bliver til kommercielle produkter hos Google. Det betyder, at når I læser om nye funktioner i søgning, tekstværktøjer eller cloud-tilbud, er DeepMind ofte kilden. For dig som beslutningstager er relevansen: nye muligheder kommer hurtigt, men ofte først som forskning, der skal kommercialiseres og tilpasses jeres data og sikkerhedspolitikker.

Sådan virker Google DeepMind i praksis

Tænk på DeepMind som et forskningshus med adgang til store datamængder og regnekraft. Forskerne prøver idéer og bygger modeller, nogle idéer bliver til værktøjer, andre stopper undervejs. For jer betyder det, at nye funktioner kan dukke op i produkter, men de kræver typisk integration, tests og ofte datarensning, før de virker i jeres arbejdsgange. I praksis møder I resultatet som en model (fx Gemini) indbygget i en tjeneste, ikke som en pakke I bare installerer.

Eksempel: Google DeepMind set fra en IT-chef

IT-chefen i en mellemstor rådgivervirksomhed skal vælge en sprogmodel til intern søgning i dokumenter. Det er mandag morgen, en uge før kontraktforhandlinger, og lederen vil bruge Gemini-baseret søgning til at finde tidligere forslag. IT-chefen tester en Gemini-tilbudt søgefunktion mod virksomhedens 2.500 PDF-forslag, tre gamle prisfiler og en scannet tegningsmappe. Funktionen giver relevante hits, men den flagger også private noter i det scannede materiale. Der er modstand: metadata mangler i mange filer, og OCR-fejl gør søgningen upræcis. IT-chefen må bruge tre dage på at få struktur på dokumenterne og lave adgangsregler, så systemet ikke viser fortrolige notater. Læringen er klar: den forskningsdrevne model virker, men integrationen kostede tid og krævede menneskelig gennemgang, før funktionen kunne rulles ud sikkert.

Google DeepMind er ikke det samme som Gemini

DeepMind er organisationen, Gemini er en produktlinje af store sprog- og multimodale modeller, udviklet af DeepMind/Google. Når medier nævner Gemini-funktioner, er det resultatet; når de skriver DeepMind, refererer de ofte til forskningsholdet eller til resultater og metoder. Det er også forkert at bruge DeepMind og Google AI som helt synonyme betegnelser; Google rummer flere teams og produkter, og DeepMind er den forskningsenhed, der ofte leverer de store gennembrud.

Hvad I skal være opmærksomme på

Når DeepMind-grundforskning kommer i produkter, er der tre praktiske spørgsmål: databeskyttelse, forklarlighed og drift. I skal kortlægge, hvilke data der sendes til en model, hvem der kan se svarene, og hvordan I kan få ansvarlighed i processer, der bruger modellen. Modeller fra DeepMind kan være stærke, men de kræver stadig menneskelig kontrol og løbende overvågning. Onkel Bens replik passer her: med stor kraft følger stort ansvar. Men ikke hvis du er lidt smart; planlæg datatilgang og test i små trin.

Hvordan du kan følge udviklingen omkring DeepMind

Følg annoncer fra Google og forskningspublikationer, og hold øje med hvem der får adgang til nye Gemini-funktioner i comercialeske produkter. Når en forskningsidé når brugsværdien, betyder det ofte, at den er moden nok til at kunne bruges i jeres løsninger, men ikke nødvendigvis klar uden tilpasning. Overvej derfor pilotprojekter frem for fuld udrulning, så I kan styre både effekt og risiko.

Skal flere end én i huset kunne noget med Google DeepMind, så se, hvordan en AI-workshop er skruet sammen.