DeepMind
| DeepMind | |||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| |||||||||||||||||
| |||||||||||||||||
| |||||||||||||||||
| |||||||||||||||||
| |||||||||||||||||
| |||||||||||||||||
| |||||||||||||||||
| |||||||||||||||||
| |||||||||||||||||
| |||||||||||||||||
| Wikidata C:Commons | |||||||||||||||||
Google DeepMind é unha empresa británica de intelixencia artificial, fundada en 2010 como DeepMind Technologies, adquirida por Google en 2014 e fusionada con Google Brain en 2023.[1]
Historia
[editar | editar a fonte]DeepMind Technologies foi unha start-up británica fundada en 2010 por Demis Hassabis, Shane Legg e Mustafa Suleyman. Os primeiros investidores incluíron as empresas de capital risco Horizons Ventures e Founders Fund, así como o anxo empresarial Scott Banister.
Varios multimillonarios investiran en DeepMind, entre eles Elon Musk, Peter Thiel, Jaan Tallinn, e Li Ka-shing.
En 2014, a empresa estadounidense Google adquiru DeepMind Technologies por uns 500 millóns de dólares, superando na poxa a Facebook, que tamén estaba interesada: foi a maior adquisición da empresa californiana en Europa até a data.
Investigación
[editar | editar a fonte]A diferenza doutras IAs como Deep Blue de IBM, Google DeepMind non ten un obxectivo predefinido e, polo tanto, é máis flexible na súa aplicación a diferentes problemas.[2] Tamén difire na súa estrutura básica: en lugar de depender unicamente dunha rede neuronal, a IA mellorouse cunha memoria a curto prazo para simular a capacidade dunha memoria artificial. Polo iso, Google DeepMind refírese á intelixencia artificial como unha "máquina de Turing" e non como unha rede neuronal.[3] Un dos seus principais desenvolvedores é David Silver.
AlphaGo e AlphaZero
[editar | editar a fonte]DeepMind desenvolveu AlphaGo, un programa de intelixencia artificial para xogar ao go. En 2015 converteuse no primeiro programa en derrotar un xogador profesional en condicións de torneo e, en 2016, venceu o campión Lee Sedol por 4–1. En 2017 presentouse AlphaGo Zero, capaz de aprender a xogar sen empregar partidas humanas como referencia. A fase de aprendizaxe durou tres días, mentres que AlphaGo levou meses.[4]
AlphaZero, presentado en 2017, xeneralizou o método de AlphaGo Zero e aprendeu de forma autónoma, xogando contra si mesmo e sen usar datos sobre as accións dos xogadores humanos, a xogar ao xadrez, ao shōgi e ao go.
MuZero
[editar | editar a fonte]En 2019, presentou MuZero, un algoritmo de aprendizaxe por reforzo capaz de aprender autonomamente as regras da súa contorna. Desenvolvido a partir das tecnoloxías de AlphaGo e AlphaZero, acadou resultados comparables aos destes sistemas no go e no xadrez, ademais de en videoxogos de Atari.
AlphaStar
[editar | editar a fonte]En 2019, presentouse AlphaStar, deseñada para xogar o videoxogo de estratexia en tempo real StarCraft II, que chegou a competir ao nivel dos mellores xogadores. Esta rede neural artificial primeiro imitou xogadores humanos e despois foi adestrada mediante aprendizaxe por reforzo. A diferenza dos xogadores humanos, AlphaStar ten unha visión completa das partes visibles do mapa en todo momento, pero aínda se centra só en áreas individuais. Os puntos fortes de AlphaStar eran a microxestión e a multitarefa. Na última partida, perdeu o equilibrio por accións pouco comúns da xogadora humana.[5] Un dos principais investigadores nesta área foi o catalán Oriol Vinyals, que deixou DeepMind en agosto de 2026.[6]
DeepNash
[editar | editar a fonte]En 2022, DeepMind presentou DeepNash, unha IA capaz de xogar ao xogo de estratexia Stratego a un nivel similar ao de xogadores humanos expertos. DeepNash emprega unha estratexia baseada nunha combinación da teoría de xogos e a chamada aprendizaxe por reforzo profundo libre de modelos. O software xogou contra si mesmo unhas dez mil millóns de veces e o seu obxectivo era alcanzar o chamado equilibrio de Nash.[7] O desenvolvemento dun potente software de Stratego é un enorme reto porque o número de posibles estados de xogo é extraordinario, mesmo en comparación co xadrez, o Go e o Texas hold'em. Debido a que a complexidade da árbore de xogos de Stratego é tan grande, non é posible usar unha busca en árbore de Monte Carlo.[8]
AlphaFold
[editar | editar a fonte]Desde 2016, DeepMind traballa na predición da estrutura tridimensional das proteínas a partir das súas secuencias de aminoácidos. O seu sistema AlphaFold obtivo o mellor resultado na competición CASP de 2018 e AlphaFold2 acadou en 2020 unha precisión considerada un importante avance no vello problema do pregamento de proteínas. Isto foi considerado un fito na bioloxía estrutural.[9] En 2021, DeepMind publicou o código de AlphaFold2 e a descrición do sistema na revista Nature.[10]
WaveNet
[editar | editar a fonte]En 2016, DeepMind presentou WaveNet, unha rede neural convolucional para xerar voz artificial cun son máis natural. A tecnoloxía, relacionada coa investigación en modelos secuenciais como as redes neurais recorrentes, foi posteriormente aplicada á síntese de voz e investigouse tamén o seu uso para a conversión e o recoñecemento da fala..
Fútbol
[editar | editar a fonte]Investigadores de DeepMind aplicaron técnicas de aprendizaxe automática á análise do fútbol, modelando o comportamento dos xogadores en situacións como os penaltis mediante mapas de calor, análise de clústeres e datos de movemento. Estes métodos tamén poden empregarse para analizar partidos e seleccionar automaticamente xogadas destacadas.[11]
En 2023, subiuse a YouTube un vídeo que semella mostrar pequenos robots de Google DeepMind xogando a unha versión sinxela do fútbol robótico.
Datos sanitarios
[editar | editar a fonte]En 2016, DeepMind colaborou co Servizo Nacional de Saúde do Reino Unido no desenvolvemento de Streams, unha aplicación destinada a axudar ao persoal sanitario a detectar problemas renais. O acceso de DeepMind aos datos de pacientes do Royal Free NHS Foundation Trust suscitou controversia pola privacidade e a protección dos datos.[12]
O acordo permite o intercambio de datos moito máis alá do que se anunciou, incluíndo datos de pacientes seropositivos, drogadictos e mulleres que abortaron. Non había ningunha opción de exclusión voluntaria. Ademais dos resultados patolóxicos e radiolóxicos, transmítense os datos dos servizos de coidados intensivos e urxencias, as actividades diarias completas das clínicas, o estado e aloxamento dos pacientes e as visitas ao hospital. Ademais, o acceso aos rexistros centrais de todos os tratamentos hospitalarios do NHS significa que pode acceder a datos históricos dos últimos cinco anos, ademais dos datos acumulados recentemente.
Google afirmou que o seu persoal non debería poder identificar pacientes específicos e os datos non deberían estar vinculados a contas ou produtos de Google.[13]
Ciencia dos materiais
[editar | editar a fonte]A ferramenta de IA GNoME (Graph Networks for Materials Exploration) descubriu a estrutura de 2,2 millóns de novos cristais en 2023, incluídos 380.000 materiais estables que poderían impulsar as tecnoloxías futuras.
Ética e sociedade
[editar | editar a fonte]En 2017, DeepMind creou DeepMind Ethics & Society, unha unidade de investigación dedicada ás implicacións éticas e sociais da intelixencia artificial, incluíndo cuestións como a privacidade, a transparencia e a xustiza.
En 2025, Google modificou os seus principios sobre IA e eliminou os compromisos explícitos de non desenvolver tecnoloxías destinadas a causar danos, armas, sistemas de vixilancia contrarios ás normas internacionais ou aplicacións incompatibles co dereito internacional e os dereitos humanos.[14]
Notas
[editar | editar a fonte]- ↑ "Announcing Google DeepMind". Google DeepMind (en inglés). 2023-04-20. Consultado o 2026-08-29.
- ↑ Playing Atari with Deep Reinforcement Learning, arXiv:1312.5602v1
- ↑ Neural Turing Machines, arXiv:1410.5401
- ↑ "Google DeepMind: AI becomes more alien". www.bbc.com (en inglés). 2017-10-18. Consultado o 2026-08-29.
- ↑ Vincent, James (2019-01-24). "DeepMind’s AI agents conquer human pros at StarCraft II". The Verge (en inglés). Consultado o 2026-08-29.
- ↑ Mcloughlin, Michael (2026-08-05). "Adiós doloroso en Google: por qué sus mayores cerebros de la IA se van a montárselo por su cuenta". elconfidencial.com (en castelán). Consultado o 2026-08-29.
- ↑ Un xogo en equilibrio de Nash é estable porque unha desviación unilateral da estratexia resultaría nunha desvantaxe.
- ↑ Perolat, Julien; De Vylder, Bart; Hennes, Daniel; Tarassov, Eugene; Strub, Florian; de Boer, Vincent; Muller, Paul; Connor, Jerome T.; Burch, Neil (2022-12-02). "Mastering the game of Stratego with model-free multiagent reinforcement learning". Science (American Association for the Advancement of Science) 378 (6623): 990–996. doi:10.1126/science.add4679.
- ↑ Velazco, Chris (2020-11-30). "DeepMind's latest AI breakthrough can accurately predict the way proteins fold". Engadget (en inglés). Consultado o 2026-08-29.
- ↑ Jumper, John (2021). "Highly accurate protein structure prediction with AlphaFold". Nature (en inglés) 596. doi:10.1038/s41586-021-03819-2.
- ↑ Tuyls, Karl; Omidshafiei, Shayegan; Muller, Paul; Wang, Zhe; Connor, Jerome; Hennes, Daniel; Graham, Ian; Spearman, William; Waskett, Tim (2021-05-06). "Game Plan: What AI can do for Football, and What Football can do for AI". Journal of Artificial Intelligence Research 71: 41–88. ISSN 1076-9757. doi:10.1613/jair.1.12505.
- ↑ "Revealed: Google AI has access to huge haul of NHS patient data". New Scientist (en inglés).
- ↑ "Datenexperten warnen: Elektronische Gesundheitskarte völlig ungeeignet für geplante Funktion - Gesundheit". 02elf Abendblatt - Online Nachrichten (en alemán). 2016. Consultado o 2026-08-29.
- ↑ "AI at Google: our principles". Google (en inglés). 2018-06-07. Consultado o 2026-08-29.
Véxase tamén
[editar | editar a fonte] |
Wikimedia Commons ten máis contidos multimedia na categoría: DeepMind  |
Outros artigos
[editar | editar a fonte]Ligazóns externas
[editar | editar a fonte]| Control de autoridades |
|
|---|
