Google DeepMind

DeepMind Technologies Limited
Sede da empresa no Platform 37, em King's Cross Central, Londres
Razão socialDeepMind Technologies Limited
Nome comercialGoogle DeepMind
Nome(s) anterior(es)DeepMind (2010–2023)
Subsidiária
AtividadeInteligência artificial
Fundação15 de novembro de 2010
Fundador(es)Demis Hassabis
Shane Legg
Mustafa Suleyman
SedeLondres, Inglaterra
Proprietário(s)Alphabet Inc.
PresidenteDemis Hassabis (presidente do conselho desde agosto de 2026)
Pessoas-chaveKoray Kavukcuoglu (vice-presidente sênior, responsável pela gestão cotidiana desde agosto de 2026)
Lila Ibrahim (diretora de operações)
EmpregadosCerca de 6.000 (2025)
ProdutosGemini
Veo (vídeos)
Nano Banana (imagens)
Imagen (imagens)
Lyria (música)
AlphaFold
AlphaGo
Gemini Omni
Empresa-mãeDeepMind Holdings Limited
Receita£ 1,33 bilhão (2024)
Lucro£ 174 milhões (2024)
LAJIR£ 217 milhões (2024)
Websitedeepmind.google

Google DeepMind, nome comercial da DeepMind Technologies Limited, também conhecida simplesmente como DeepMind, é um laboratório britânico-americano de pesquisa em inteligência artificial (IA), subsidiário da Alphabet Inc.. Fundado no Reino Unido em 15 de novembro de 2010, algumas semanas após sua incorporação em 23 de setembro daquele ano, foi adquirido pelo Google em 2014 e incorporou a divisão Google Brain, do Google AI, em abril de 2023, quando passou a constituir a atual Google DeepMind. A empresa tem sede em Londres e centros de pesquisa nos Estados Unidos, no Canadá, na França, na Alemanha e na Suíça.

Em 2014, a DeepMind apresentou as máquinas de Turing neurais, redes neurais artificiais capazes de acessar uma memória externa, de maneira semelhante à máquina de Turing convencional. A empresa desenvolveu diversos modelos de redes neurais treinados por aprendizado por reforço para jogar jogos eletrônicos e jogos de tabuleiro.

Ganhou destaque em 2016, quando seu programa AlphaGo derrotou o campeão mundial de go Lee Sedol em uma série de cinco partidas, posteriormente retratada no documentário AlphaGo. Um programa mais abrangente, o AlphaZero, superou os programas mais fortes de go, xadrez e shogi (xadrez japonês) após alguns dias jogando contra si mesmo com aprendizado por reforço. Desde então, a DeepMind treinou modelos para jogos (MuZero e AlphaStar), matemática (AlphaGeometry e FunSearch) e descoberta de algoritmos (AlphaEvolve, AlphaDev e AlphaTensor).

Em 2020, a DeepMind obteve avanços na predição da estrutura de proteínas com o AlphaFold, cujo desempenho nos testes de referência estabeleceu novos padrões de precisão. Em julho de 2022, anunciou-se que a base de dados AlphaFold disponibilizaria as estruturas previstas de mais de 200 milhões de proteínas, abrangendo praticamente todas as proteínas conhecidas.

A Google DeepMind é responsável por duas famílias de modelos de linguagem de grande escala: a proprietária Gemini e a família de pesos abertos Gemma, além de outros modelos de inteligência artificial generativa, como Imagen (geração de imagens a partir de texto), Veo (geração de vídeos a partir de texto) e Lyria (geração de música a partir de texto).

História

A empresa emergente foi fundada por Demis Hassabis, Shane Legg e Mustafa Suleyman em novembro de 2010. Hassabis e Legg se conheceram na Unidade de Neurociência Computacional Gatsby, da University College London (UCL). Os fundadores pretendiam criar uma inteligência artificial de propósito geral que fosse útil e eficiente em praticamente qualquer atividade.

Hassabis contou que a empresa começou a desenvolver tecnologias de inteligência artificial ensinando um sistema a jogar títulos da Atari das décadas de 1970 e 1980, como Breakout, Pong e Space Invaders. Os jogos eram apresentados à IA sem que lhe fossem fornecidas instruções pré-programadas sobre como jogar. Após um período inicial de tentativas sem sucesso, o sistema descobria quais estratégias funcionavam e, com o tempo, podia tornar-se especialista no jogo. Os processos cognitivos envolvidos foram comparados aos de uma pessoa que nunca tivesse visto o jogo e tentasse compreendê-lo e dominá-lo.

Logotipo utilizado de 2015 a 2016.
Logotipo utilizado de 2016 a 2019.
Entrada do edifício de escritórios do Google e da DeepMind em 6 Pancras Square, Londres, fotografada em 2017, antes da transferência para o Platform 37.

Entre os investidores da empresa estavam as firmas de capital de risco Horizons Ventures e Founders Fund, bem como os empresários Scott Banister, Peter Thiel e Elon Musk. Jaan Tallinn esteve entre os primeiros investidores e também atuou como conselheiro. A DeepMind precisava de um financiador com recursos suficientes para remunerar seus funcionários, disponibilizar capacidade computacional e expandir suas atividades. Além do Google, Facebook, Musk e outros demonstraram interesse na empresa.

Em 26 de janeiro de 2014, o Google confirmou a aquisição da DeepMind por um valor estimado entre 400 milhões e 650 milhões de dólares. A companhia passou a utilizar o nome Google DeepMind por cerca de dois anos. Em 2014, recebeu o prêmio de "Empresa do Ano" do Laboratório de Computação da Universidade de Cambridge.

Buscando aplicações sociais para seus sistemas, a empresa iniciou um projeto-piloto com o Serviço Nacional de Saúde britânico (NHS) para modernizar sistemas de informação que ainda utilizavam documentos em papel e aparelhos de fax. Em setembro de 2015, a DeepMind e a Royal Free London NHS Foundation Trust assinaram seu primeiro acordo de compartilhamento de informações para desenvolver conjuntamente o aplicativo clínico de gerenciamento de tarefas Streams.

Após a aquisição, a empresa criou um conselho de ética da inteligência artificial. A composição desse conselho não foi revelada, apesar dos pedidos dirigidos tanto ao Google quanto à DeepMind. A DeepMind também criou uma unidade chamada DeepMind Ethics and Society, voltada às questões éticas e sociais suscitadas pela IA, que tinha o filósofo Nick Bostrom entre seus conselheiros. Em outubro de 2017, lançou uma nova equipe de pesquisa dedicada à ética da inteligência artificial.

Em dezembro de 2019, o cofundador Mustafa Suleyman anunciou sua saída da DeepMind para assumir um cargo relacionado a políticas públicas na empresa controladora, Google.

Em 1.º de novembro de 2021, Demis Hassabis anunciou a criação da Isomorphic Labs, outra empresa da Alphabet Inc., voltada à aplicação de inteligência artificial na descoberta de medicamentos. A companhia foi estabelecida como uma organização distinta da DeepMind, embora ambas mantivessem vínculos científicos e a liderança de Hassabis. A iniciativa sucedeu os primeiros resultados do AlphaFold 2, sem representar uma transferência de toda a pesquisa biomédica da DeepMind para a nova empresa.

Em abril de 2023, a DeepMind fundiu-se à divisão Google Brain, do Google AI, formando a Google DeepMind. A reorganização integrou os esforços do Google para acelerar o desenvolvimento de IA após a disponibilização pública do ChatGPT pela OpenAI. A fusão encerrou uma disputa de anos dos dirigentes da DeepMind por maior autonomia em relação ao Google. No verão de 2026, a empresa transferiu-se para o edifício Platform 37, do Google, na região de King's Cross Central.

Em 5 de agosto de 2026, a Alphabet reorganizou a direção da Google DeepMind. Hassabis deixou as responsabilidades operacionais cotidianas e assumiu as funções de presidente do conselho da unidade e cientista-chefe da Alphabet, mantendo a liderança da Isomorphic Labs. O antigo diretor de tecnologia Koray Kavukcuoglu tornou-se vice-presidente sênior da Google DeepMind, com responsabilidade pelo desenvolvimento da família Gemini, pelas pesquisas de fronteira e pelas equipes do aplicativo e de ferramentas de desenvolvimento relacionadas aos modelos. A mudança também ocorreu em um contexto de saída de pesquisadores seniores da divisão.

Em julho de 2024, a NPR noticiou que a intensificação do uso de IA pelo Google interferia em seus compromissos declarados de neutralidade de carbono. Desde 2023, a empresa deixou de afirmar que mantinha suas operações neutras em carbono. Em junho de 2025, o The Guardian informou que as emissões de carbono do Google haviam aumentado 51% desde 2019, atribuindo esse aumento à utilização de IA. Em 2025, especificamente, o consumo de eletricidade do Google cresceu 37% em relação ao ano anterior, devido à ampliação do uso da tecnologia. A maior parcela da pegada de carbono da empresa provém de sua cadeia de suprimentos, cujas emissões não são abrangidas pelo uso de certificados de energia renovável conforme as regras do Protocolo de Gases de Efeito Estufa.

Produtos e tecnologias

Até 2020, a DeepMind havia publicado mais de mil trabalhos científicos, entre os quais treze artigos aceitos pelas revistas Nature ou Science. A empresa ganhou atenção da imprensa durante o período do AlphaGo. Segundo uma pesquisa na base LexisNexis, 1.842 notícias mencionaram a DeepMind em 2016, número que caiu para 1.363 em 2019.

Jogos

Ao contrário de sistemas de IA anteriores, como o Deep Blue e o Watson, da IBM, desenvolvidos para tarefas predefinidas, os algoritmos iniciais da DeepMind pretendiam ter aplicação geral. Eles utilizavam aprendizado por reforço, no qual o sistema aprende com a experiência a partir de dados de entrada constituídos apenas por pixels brutos.

Sua primeira abordagem empregou o Q-learning profundo associado a uma rede neural convolucional. O sistema foi testado em jogos eletrônicos, especialmente títulos antigos de arcade, como Space Invaders e Breakout. Sem modificar o código, a mesma IA conseguia superar o desempenho de seres humanos em determinados jogos. Em julho de 2018, pesquisadores da DeepMind treinaram um de seus sistemas para jogar Quake III Arena.

Em 2013, a DeepMind publicou pesquisa sobre um sistema que superava a capacidade humana em jogos como Pong, Breakout e Enduro, além de ultrapassar os melhores resultados anteriores em Seaquest, Beamrider e Q*bert. Esse trabalho teria contribuído para a aquisição da empresa pelo Google. A IA da DeepMind já havia sido aplicada a jogos das décadas de 1970 e 1980; as pesquisas prosseguiam com jogos tridimensionais mais complexos, como Quake, lançado originalmente na década de 1990. Em 2020, a DeepMind apresentou o Agent57, agente de IA que superou o desempenho humano nos 57 jogos do conjunto de testes do Atari 2600. Em julho de 2022, a empresa anunciou o desenvolvimento do DeepNash, sistema de aprendizado por reforço multiagente sem modelo capaz de jogar Stratego no nível de um especialista humano.

Em um estudo publicado na revista Science em dezembro de 2022, o DeepNash foi descrito como um agente que combinava teoria dos jogos e aprendizado por reforço sem modelo para jogar Stratego, um jogo de informação imperfeita. A técnica denominada Regularised Nash Dynamics buscava aproximar o comportamento do sistema de um equilíbrio de Nash sem reconstruir explicitamente as peças ocultas do adversário. Em testes relatados pela equipe, o DeepNash venceu mais de 97% das partidas contra programas de Stratego avaliados e 84% das disputas contra jogadores humanos experientes da plataforma Gravon. Esses percentuais referem-se aos adversários e protocolos específicos do estudo, não a partidas contra todos os jogadores.

AlphaGo e sucessores

Equipamentos de computação usados na infraestrutura do AlphaGo, já desativados e fotografados em 2025.

Em outubro de 2015, o programa AlphaGo, desenvolvido pela DeepMind para jogar go, derrotou o campeão europeu Fan Hui, profissional de 2.º dan (numa escala cujo nível máximo é o 9.º dan), por cinco partidas a zero. Foi a primeira vez que um sistema de IA venceu um profissional de go. Até então, computadores só haviam alcançado o nível de jogadores amadores. Vencer no go é considerado mais difícil para computadores do que vencer em outros jogos, como xadrez, porque seu número de possibilidades é muito maior, dificultando métodos tradicionais como a busca por força bruta.

Em março de 2016, o programa derrotou Lee Sedol, profissional de 9.º dan, por quatro partidas a uma em uma série de cinco encontros. No Future of Go Summit, em 2017, o AlphaGo venceu uma série de três partidas contra Ke Jie, que havia sido o jogador mais bem classificado do mundo nos dois anos anteriores. Ainda em 2017, uma versão aperfeiçoada, o AlphaGo Zero, venceu cem de cem partidas disputadas contra o AlphaGo.

Entre 29 de dezembro de 2016 e 4 de janeiro de 2017, uma versão atualizada do AlphaGo disputou, sob os pseudônimos Magister e Master, uma série de partidas rápidas contra profissionais de go em servidores on-line asiáticos. A equipe da DeepMind confirmou que o programa alcançou 60 vitórias consecutivas, inclusive contra jogadores então situados entre os mais bem classificados do mundo. O episódio antecedeu os confrontos oficiais com Ke Jie em 2017.

Mais tarde naquele ano, o AlphaZero, uma versão modificada do AlphaGo Zero, alcançou desempenho sobre-humano no xadrez e no shogi. Em 2019, a DeepMind lançou o MuZero, capaz de dominar go, xadrez, shogi e jogos do Atari 2600 sem receber dados de partidas humanas, conhecimentos específicos dos domínios ou as próprias regras dos jogos.

A tecnologia do AlphaGo baseou-se no aprendizado por reforço profundo, diferenciando-se de outras tecnologias de IA disponíveis na época. Os dados fornecidos ao algoritmo consistiam em jogadas provenientes de torneios anteriores. A quantidade de jogadas analisadas aumentou gradualmente até ultrapassar 30 milhões. Pretendia-se que o sistema imitasse os jogadores humanos representados nos dados de treinamento e, posteriormente, superasse seu desempenho. O programa também jogava contra si mesmo e aprendia com os resultados, melhorando gradualmente sua taxa de vitórias.

O AlphaGo utilizava duas redes neurais profundas: uma rede de política, destinada a avaliar a probabilidade das jogadas, e uma rede de valor, destinada a avaliar as posições. A primeira era treinada por aprendizado supervisionado e depois aperfeiçoada com aprendizado por reforço baseado no gradiente de política. A segunda aprendia a prever os vencedores das partidas que a rede de política disputava contra si mesma. Depois do treinamento, essas redes recorriam à busca em árvore de Monte Carlo para examinar jogadas futuras. A rede de política identificava os lances mais prováveis, enquanto a rede de valor, juntamente com simulações de Monte Carlo, avaliava as posições na árvore de busca.

O AlphaGo Zero, em contraste, foi treinado sem partidas humanas: gerava seus próprios dados ao disputar milhões de partidas contra si mesmo. Utilizava uma única rede neural, em vez de redes separadas de política e valor, e uma busca em árvore simplificada, que recorria à rede para avaliar posições e selecionar jogadas. Um novo algoritmo de aprendizado por reforço incorporava a busca prospectiva ao ciclo de treinamento. O AlphaGo Zero mobilizou cerca de quinze pessoas e milhões em recursos computacionais. Ao final, necessitava de menos capacidade de processamento: funcionava com quatro TPUs do Google, em vez das 48 usadas pelo AlphaGo. Também exigia menos tempo de treinamento, conseguindo superar o antecessor após apenas três dias, em comparação com os meses necessários ao AlphaGo original. De modo semelhante, o AlphaZero também aprendia jogando contra si próprio.

Pesquisadores aplicaram o MuZero ao problema prático de compactar vídeos dentro de um limite de bits, considerando o tráfego de plataformas como YouTube, Twitch e Google Meet. O objetivo era reduzir a quantidade de dados sem comprometer a qualidade. Os testes com MuZero resultaram em redução média de 6,28% na taxa de bits.

AlphaStar

Em 2016, Hassabis apontou StarCraft como um futuro desafio, por exigir raciocínio estratégico e capacidade de lidar com informações incompletas. Em janeiro de 2019, a DeepMind apresentou o AlphaStar, programa destinado ao jogo de estratégia em tempo real StarCraft II. Ele empregava aprendizado por reforço a partir de replays de jogadores humanos e, em seguida, disputava partidas contra si mesmo. Na ocasião da apresentação, acumulava conhecimento equivalente a duzentos anos de tempo de jogo.

O AlphaStar venceu dez partidas consecutivas contra dois jogadores profissionais, embora tivesse a vantagem injusta de visualizar todo o campo de jogo, ao contrário dos humanos, que precisavam movimentar a câmera manualmente. Uma versão preliminar que eliminava essa vantagem perdeu uma partida posterior.

Em julho de 2019, o AlphaStar passou a enfrentar jogadores aleatórios na classificação pública europeia de partidas individuais. Diferentemente da versão inicial, que disputava somente partidas Protoss contra Protoss, a nova versão utilizava as três raças do jogo, e as vantagens indevidas anteriores foram corrigidas. Em outubro de 2019, tornou-se a primeira IA a alcançar o nível de Grão-Mestre no StarCraft II com as três raças do jogo.

Enovelamento de proteínas

Em 2016, a DeepMind passou a aplicar inteligência artificial à predição da estrutura de proteínas, um problema antigo da biologia molecular. Em dezembro de 2018, seu sistema AlphaFold venceu a 13.ª edição da Critical Assessment of Techniques for Protein Structure Prediction (CASP), ao prever com a maior precisão as estruturas de 25 de 43 proteínas avaliadas. Hassabis descreveu o projeto ao The Guardian como o primeiro grande investimento da empresa, em termos de pessoal e recursos, na solução de um problema científico fundamental de importância prática.

Em 2020, na 14.ª edição da CASP, as previsões do AlphaFold alcançaram um nível de precisão considerado comparável ao de técnicas laboratoriais. Andriy Kryshtafovych, integrante do painel de avaliação científica, classificou o resultado como "verdadeiramente extraordinário" e afirmou que o problema da previsão do enovelamento das proteínas estava "em grande parte resolvido".

Em julho de 2021, os programas de código aberto RoseTTAFold e AlphaFold2 foram disponibilizados para que pesquisadores executassem suas próprias versões das ferramentas. Uma semana depois, a DeepMind anunciou que o AlphaFold havia concluído a previsão das estruturas de quase todas as proteínas humanas, além dos proteomas completos de outros vinte organismos amplamente estudados. As estruturas foram publicadas no AlphaFold Protein Structure Database. Em julho de 2022, anunciou-se a disponibilização das previsões de mais de 200 milhões de estruturas de proteínas, correspondentes a praticamente todas as proteínas conhecidas.

A atualização AlphaFold 3, lançada em maio de 2024, passou a prever interações de proteínas com DNA, RNA e diversas outras moléculas. Em um teste de referência específico de interações com DNA, obteve precisão de 65%, contra 28% do melhor resultado anterior. Em outubro de 2024, Hassabis e John Jumper receberam conjuntamente metade do Prêmio Nobel de Química de 2024 pelas contribuições à previsão de estruturas de proteínas, com referência aos resultados do AlphaFold 2.

Exemplo de visualização da matriz de erro de alinhamento previsto, utilizada na análise da confiança de estruturas proteicas geradas pelo AlphaFold.

Além de disponibilizar o código do AlphaFold 2, a DeepMind mantém, em colaboração com o Instituto Europeu de Bioinformática, a AlphaFold Protein Structure Database, que integra previsões estruturais a recursos de referência de bioinformática, como o UniProt. A base reúne mais de 200 milhões de estruturas preditas; essas estimativas computacionais não equivalem, em todos os casos, a estruturas confirmadas por experimentos.

AlphaProteo e desenvolvimento de proteínas

Em setembro de 2024, a Google DeepMind apresentou o AlphaProteo, modelo generativo destinado a propor proteínas inéditas capazes de se ligar a moléculas-alvo, denominadas ligantes proteicos (protein binders). Diferentemente do AlphaFold, cuja principal finalidade é prever estruturas moleculares, o AlphaProteo gera candidatos de sequência e estrutura para testes experimentais. A equipe relatou resultados de ligação em sete alvos de pesquisa associados a vírus ou processos biológicos, incluindo a região de ligação ao receptor da proteína spike do SARS-CoV-2, além de verificações com pesquisadores do Francis Crick Institute.

O modelo, entretanto, não conseguiu produzir ligantes bem-sucedidos para o alvo fator de necrose tumoral alfa (TNF-α), um dos oito investigados. Os resultados são provas de conceito em laboratório e não constituem demonstração de eficácia clínica ou aprovação de novos tratamentos. A técnica integra uma área mais ampla de desenvolvimento computacional de proteínas que exige validação experimental posterior.

Genômica

Em setembro de 2023, pesquisadores da DeepMind divulgaram o AlphaMissense, modelo baseado em técnicas do AlphaFold para estimar o impacto de variantes genéticas que alteram um aminoácido de uma proteína, chamadas variantes missense. O modelo avaliou aproximadamente 71 milhões de substituições possíveis em proteínas humanas, atribuindo a 89% delas uma classificação provável: 57% como provavelmente benignas e 32% como provavelmente patogênicas. Os 11% restantes foram considerados de efeito incerto. Essas proporções são previsões computacionais, não classificações clínicas individualmente confirmadas.

Classificações previstas pelo AlphaMissense para 71 milhões de variantes humanas, segundo o estudo de 2023
Classificação estimadaProporção
Provavelmente benigna57%
Provavelmente patogênica32%
Significado incerto11%

Em 2025, a Google DeepMind apresentou o AlphaGenome, modelo de aprendizagem profunda para prever os efeitos de sequências de DNA na regulação gênica. O sistema consegue analisar sequências de até um milhão de pares de bases e prever milhares de características genômicas, incluindo expressão gênica, acessibilidade da cromatina e processamento de RNA.

Em setembro de 2026, a DeepMind lançou o AlphaGenome Atlas, com previsões do modelo para aproximadamente nove bilhões de possíveis substituições de um único nucleotídeo no genoma humano.

Em 11 de novembro de 2026, a DeepMind apresentou o AlphaGenome 2, versão que utiliza informações de expressão gênica em nível de célula única para prever efeitos de sequências e variantes do DNA em diferentes tipos celulares humanos. O sistema foi disponibilizado para pesquisa não comercial por meio de uma interface de programação, com acesso comercial ainda em testes restritos. Segundo a própria equipe, tanto o AlphaGenome quanto o AlphaGenome 2 destinam-se à pesquisa e não foram validados nem aprovados para diagnóstico clínico.

Raciocínio relacional

Em junho de 2017, pesquisadores da DeepMind apresentaram as Relation Networks (RN), módulos de rede neural artificial projetados para identificar relações entre objetos e responder a perguntas sobre essas relações. O estudo examinou tarefas de compreensão visual, perguntas formuladas em linguagem natural e inferência sobre sistemas físicos dinâmicos. Ao acrescentar esses módulos a arquiteturas neurais existentes, os pesquisadores obtiveram melhora no desempenho em problemas que exigiam relacionar entidades, em vez de apenas reconhecer objetos individualmente.

Modelos de linguagem

Em 2016, a DeepMind apresentou o WaveNet, um sistema de síntese de fala a partir de texto. Inicialmente, sua demanda computacional era excessiva para produtos de consumo, mas, no fim de 2017, tornou-se viável para aplicações como o Google Assistente. Em 2018, o Google lançou o serviço comercial Cloud Text-to-Speech, baseado no WaveNet.

No mesmo ano, a DeepMind apresentou o WaveRNN, modelo mais eficiente desenvolvido em conjunto com o Google AI. Em 2020, foi apresentado o WaveNetEQ, método para ocultar a perda de pacotes de áudio baseado na arquitetura WaveRNN. Em 2019, o Google começou a disponibilizar o WaveRNN com WaveNetEQ aos usuários do Google Duo.

Lançado em maio de 2022, o Gato é um modelo multimodal de uso variado, treinado para 604 tarefas, como descrever imagens, dialogar e empilhar blocos. Segundo a DeepMind, em 450 dessas tarefas o Gato superou especialistas humanos em pelo menos metade das ocasiões. Ao contrário de modelos como o MuZero, não precisava ser novamente treinado para passar de uma tarefa a outra.

O Sparrow é um robô de conversação desenvolvido pela DeepMind com o objetivo de tornar sistemas de aprendizado de máquina mais seguros, combinando avaliações humanas e sugestões da busca do Google. O Chinchilla também é um modelo de linguagem da empresa. Em 28 de abril de 2022, a DeepMind publicou uma apresentação do Flamingo, modelo visual de linguagem capaz de descrever imagens com precisão utilizando apenas alguns exemplos de treinamento.

AlphaCode

Em 2022, a DeepMind apresentou o AlphaCode, programa de geração automática de código-fonte que produzia programas de computador com desempenho comparável ao de um programador mediano. A empresa testou o sistema com desafios do Codeforces, utilizados em competições de programação competitiva. Após o treinamento com dados do GitHub e problemas e soluções do Codeforces, o AlphaCode alcançou uma classificação equivalente a 54% da pontuação mediana na plataforma. O programa precisava gerar soluções próprias e era impedido de simplesmente reproduzir respostas existentes.

Gemini

Gemini é um modelo de linguagem de grande escala multimodal lançado em 6 de dezembro de 2023. Sucessor dos modelos de linguagem LaMDA e PaLM 2, do Google, foi apresentado para competir com o GPT-4, da OpenAI. O Gemini foi disponibilizado em três tamanhos: Nano, Pro e Ultra. O nome também passou a designar o Google Gemini, assistente conversacional anteriormente conhecido como Google Bard.

Em 12 de dezembro de 2024, o Google lançou o Gemini 2.0 Flash, primeiro modelo da família Gemini 2.0, com capacidade adicional de gerar imagens e áudio. Em 25 de março de 2025, lançou o Gemini 2.5, um modelo de raciocínio, e anunciou que os modelos futuros também teriam essa capacidade. Em 30 de março de 2025, o Gemini 2.5 foi disponibilizado também aos usuários do plano gratuito. Em 18 de novembro de 2025, o Google lançou o Gemini 3 Pro, modelo de raciocínio multimodal, integrado no mesmo dia à Pesquisa Google e ao Modo IA.

Em maio de 2026, durante o Google I/O, a Google DeepMind apresentou a família Gemini 3.5, inicialmente com o modelo Flash, e o Gemini Omni, voltado à criação e edição multimodal de vídeos com instruções textuais, imagens e áudio. Os anúncios ampliaram as aplicações da família para tarefas com várias etapas e geração audiovisual.

Em outubro de 2026, o Google disponibilizou o Gemini 4 Argon, modelo direcionado a raciocínio de várias etapas e tarefas de programação, análise documental e segurança cibernética. A disponibilização ocorreu em etapas, inicialmente com acesso restrito para avaliações de segurança, antes de sua expansão aos desenvolvedores e usuários empresariais. O Gemini 4 Carbon foi anunciado em 28 de outubro, com ênfase em programação e tarefas prolongadas de segurança digital; em novembro, foram apresentados os modelos Hydrogen e Neon, este último em 18 de novembro.

Gemma

O Gemma é uma coleção de modelos de linguagem de grande escala com pesos abertos. As primeiras versões foram lançadas em 21 de fevereiro de 2024, em dois tamanhos: um modelo de sete bilhões de parâmetros otimizado para GPUs e TPUs, e outro de dois bilhões de parâmetros projetado para CPUs e aplicações executadas diretamente no dispositivo. Os modelos Gemma foram treinados com até seis trilhões de tokens de texto, utilizando arquiteturas, conjuntos de dados e métodos de treinamento semelhantes aos da família Gemini.

Em junho de 2024, o Google começou a lançar os modelos Gemma 2. Em dezembro daquele ano, apresentou o PaliGemma 2, versão aperfeiçoada de um modelo de visão e linguagem. Em fevereiro de 2025, lançou o PaliGemma 2 Mix, ajustado para múltiplas tarefas, com três versões, de três, dez e 28 bilhões de parâmetros, e resoluções de 224 e 448 pixels.

Em março de 2025, o Google apresentou o Gemma 3, executável em uma única GPU, em quatro tamanhos, com um, quatro, doze e 27 bilhões de parâmetros. No mesmo mês, lançou o TxGemma, modelo de código aberto destinado a tornar mais eficiente o desenvolvimento de tratamentos médicos. Em abril de 2025, apresentou o DolphinGemma, modelo experimental de IA voltado à pesquisa sobre a comunicação dos golfinhos.

Em 2 de abril de 2026, o Google anunciou o Gemma 4, nova geração de modelos de pesos abertos voltada a raciocínio e tarefas realizadas por agentes. Ao contrário de determinadas versões anteriores da família, esses modelos foram disponibilizados sob a licença Apache 2.0, permitindo usos e modificações nos termos dessa licença. Em 3 de junho, foi apresentado o Gemma 4 12B, modelo multimodal de doze bilhões de parâmetros preparado para execução local em computadores e capaz de receber áudio diretamente.

SIMA

Em março de 2024, a DeepMind apresentou o Scalable Instructable Multiword Agent (SIMA), um agente de inteligência artificial desenvolvido para seguir instruções em linguagem natural e realizar tarefas em ambientes virtuais tridimensionais sem acesso ao código-fonte nem às APIs desses ambientes. O treinamento empregou nove jogos eletrônicos de oito estúdios e quatro ambientes de pesquisa.

Máquina de Habermas

Em 2024, a Google DeepMind publicou os resultados de um experimento no qual treinou dois modelos de linguagem de grande escala para identificar e apresentar pontos de convergência entre as opiniões de alguns milhares de participantes recrutados pela internet. Foram utilizadas técnicas como o sorteio para obter uma amostra representativa. O projeto foi batizado em homenagem ao filósofo Jürgen Habermas. Em um dos experimentos, os participantes avaliaram os resumos produzidos pela IA de forma mais favorável que os do mediador humano em 56% das vezes.

Inteligência artificial generativa

Geração de vídeos

Em maio de 2024, o modelo multimodal de geração de vídeos Veo foi anunciado na edição daquele ano do Google I/O. Segundo o Google, conseguia gerar vídeos em resolução 1080p com mais de um minuto de duração. Em dezembro de 2024, o Google lançou o Veo 2, disponível pelo VideoFX, com suporte à geração de vídeo em resolução 4K e, segundo a empresa, melhor compreensão de fenômenos físicos. Em abril de 2025, o Veo 2 passou a ser oferecido a usuários avançados do aplicativo Gemini.

Em maio de 2025, foi lançado o Veo 3, capaz de gerar, além do vídeo, o áudio sincronizado correspondente, incluindo diálogos, efeitos sonoros e sons ambientes. O Google também anunciou o Flow, ferramenta de criação de vídeos que utiliza Veo e Imagen.

Geração de música

Exemplo de música gerada com o Lyria 3.

A Google DeepMind desenvolveu o Lyria, modelo que gera música a partir de instruções textuais. Em agosto de 2025, estava disponível na plataforma Vertex AI e na API do Gemini. Em 18 de fevereiro de 2026, a DeepMind lançou o Lyria 3. Em 25 de março daquele ano, lançou o Lyria 3 Pro, que permitia criar faixas musicais mais longas, com maior controle da estrutura.

Geração de ambientes virtuais

Em março de 2024, a DeepMind apresentou o Genie (Generative Interactive Environments), modelo de IA capaz de gerar mundos virtuais semelhantes a jogos, nos quais as ações podem ser controladas, a partir de descrições textuais, imagens ou esboços. Construído como um modelo de difusão latente autorregressivo, o Genie permite interagir quadro a quadro, sem exigir dados de ações previamente rotulados para treinamento.

Seu sucessor, Genie 2, lançado em dezembro de 2024, ampliou essas capacidades ao gerar diversos ambientes tridimensionais interativos. O Genie 3 foi lançado em agosto de 2025, com mundos de maior resolução e consistência visual por vários minutos. Em 29 de janeiro de 2026, a DeepMind disponibilizou o Project Genie aos assinantes do plano AI Ultra.

Em outubro de 2026, a empresa apresentou o Genie 4, versão de seu modelo de mundo capaz de criar simulações tridimensionais interativas com áudio gerado em tempo real e de ajustar os ambientes segundo instruções textuais. A primeira distribuição ocorreu como prévia de pesquisa para um grupo de avaliadores; a DeepMind apontou limitações em continuidade visual, permanência de objetos, interações físicas e consistência de sessões prolongadas.

Robótica

Lançado em junho de 2023, o RoboCat é um modelo de inteligência artificial capaz de controlar braços robóticos. O modelo consegue se adaptar a diferentes modelos de braços e a novos tipos de tarefas. Em março de 2025, a DeepMind lançou dois modelos de IA, o Gemini Robotics e o Gemini Robotics-ER, destinados a aperfeiçoar a interação de robôs com o mundo físico. Em setembro do mesmo ano, apresentou o Gemini Robotics 1.5. Em abril de 2026, lançou o Gemini Robotics ER-1.6, uma atualização do modelo anterior.

Outras aplicações

Futebol

Pesquisadores da DeepMind aplicaram modelos de aprendizado de máquina ao futebol, simulando o comportamento de jogadores, incluindo goleiros, defensores e atacantes, em situações como cobranças de pênalti. Usaram mapas de calor e análise de agrupamentos para classificar os atletas de acordo com suas tendências de comportamento diante de decisões sobre como marcar gols ou impedir que a equipe adversária marque.

Segundo os pesquisadores, modelos de aprendizado de máquina poderiam ampliar o acesso às técnicas de análise do futebol ao selecionar automaticamente trechos relevantes das partidas para compor vídeos de melhores momentos. Isso seria possível pela busca de eventos específicos em vídeos, uma vez que a análise de imagens em movimento é uma aplicação consolidada do aprendizado de máquina. A proposta também depende dos avanços na análise esportiva, baseada em dados como passes e finalizações anotados, sensores que registram repetidamente os movimentos dos atletas durante a partida e modelos de teoria dos jogos.

Em junho de 2026, o Google anunciou a chegada do TacticAI ao futebol brasileiro, em cooperação com a Sociedade Esportiva Palmeiras e a Confederação Brasileira de Futebol (CBF). Diferentemente dos testes anteriores, concentrados em escanteios e outras situações de bola parada, a nova aplicação apresentada para o Palmeiras envolvia a análise de movimentações durante o jogo em andamento. A parceria foi divulgada durante o evento Google for Brasil, em São Paulo; o anúncio e as reportagens da época descreveram objetivos de aplicação, sem estabelecer uma melhora comprovada no desempenho esportivo.

Arqueologia

O Google apresentou o Ithaca, um programa para análise de documentos arqueológicos batizado em referência à ilha grega de Ítaca, mencionada na Odisseia de Homero. A rede neural profunda auxilia pesquisadores a reconstruir trechos perdidos de inscrições gregas danificadas e a identificar sua data e origem geográfica. O projeto se baseou no Pythia, outro sistema de análise textual apresentado pela DeepMind em 2019.

O Ithaca alcançou uma taxa de acerto de 62% na reconstrução de textos danificados e de 71% na identificação de sua localização, além de uma margem de precisão de 30 anos na datação. Os autores afirmaram que, quando utilizado por "historiadores especializados", o sistema elevou a precisão dos resultados de 25% para 72%. Entretanto, a classicista Eleanor Dickey observou que o experimento havia sido realizado apenas com estudantes e que não estava claro quanto o Ithaca ajudaria pesquisadores devidamente qualificados. A equipe trabalha para estender o modelo a outras línguas antigas, incluindo o egípcio demótico, o acádio, o hebraico e as línguas maias.

Ciência dos materiais

Em novembro de 2023, a Google DeepMind anunciou o Graph Networks for Materials Exploration (GNoME), sistema de código aberto para explorar novos materiais. A ferramenta propõe milhões de materiais até então desconhecidos na química, incluindo centenas de milhares de estruturas cristalinas consideradas estáveis. Na época do anúncio, 736 dessas estruturas haviam sido produzidas experimentalmente pelo Instituto de Tecnologia de Massachusetts.

Entretanto, o químico Anthony Cheetham afirmou que o GNoME não havia feito uma "contribuição útil e prática para os cientistas experimentais de materiais". Em uma revisão, Cheetham e Ram Seshadri não conseguiram identificar materiais "surpreendentemente novos" entre os resultados do GNoME; a maioria correspondia a pequenas variações de materiais já conhecidos.

Matemática

AlphaTensor

Em outubro de 2022, a DeepMind lançou o AlphaTensor, que emprega técnicas de aprendizado por reforço semelhantes às do AlphaGo para encontrar novos algoritmos de multiplicação de matrizes. No caso particular da multiplicação de duas matrizes 4 × 4 com entradas inteiras, considerando apenas a paridade desses valores, o AlphaTensor encontrou um algoritmo que requer 47 multiplicações distintas. O melhor resultado anterior, conhecido desde 1969, era o do algoritmo de Strassen, mais geral, com 49 multiplicações.

O cientista da computação Josh Alman descreveu o resultado como "uma prova de conceito para algo que poderia se tornar um avanço decisivo". Já Virginia Vassilevska Williams considerou que a descoberta havia sido "um pouco superestimada", embora reconhecesse que o uso de aprendizado por reforço representava "algo completamente diferente" das abordagens anteriores.

AlphaGeometry

O AlphaGeometry é um sistema de IA neuro-simbólica capaz de resolver 25 dos 30 problemas de geometria da Olimpíada Internacional de Matemática, desempenho comparável ao de um medalhista de ouro. Os programas tradicionais de geometria são mecanismos simbólicos que dependem exclusivamente de regras codificadas por seres humanos para produzir demonstrações rigorosas, o que limita sua flexibilidade em situações incomuns.

O AlphaGeometry combina um mecanismo desse tipo com um modelo de linguagem de grande escala especializado, treinado com dados sintéticos de demonstrações geométricas. Quando o mecanismo simbólico não consegue encontrar sozinho uma demonstração formal e rigorosa, solicita ao modelo de linguagem uma construção geométrica que permita avançar na solução. Entretanto, não está claro em que medida o método pode ser aplicado a outros campos da matemática ou a outras formas de raciocínio, devido à dependência de regras específicas de cada domínio e à necessidade de dados sintéticos.

AlphaProof

O AlphaProof é um modelo de IA que combina um modelo de linguagem pré-treinado com o algoritmo de aprendizado por reforço AlphaZero, anteriormente utilizado para aprender a dominar jogos. O modelo de linguagem empregado é uma versão do Gemini ajustada para traduzir automaticamente enunciados matemáticos escritos em linguagem natural em expressões formais, criando uma extensa biblioteca de problemas formalizados, com diferentes graus de dificuldade.

Para isso, os enunciados são expressos na linguagem formal Lean. Na Olimpíada Internacional de Matemática de 2024, o AlphaProof e uma versão adaptada do AlphaGeometry alcançaram, pela primeira vez, um nível de resolução de problemas equivalente ao de um medalhista de prata na competição.

AlphaDev

Em junho de 2023, a DeepMind anunciou que o AlphaDev, sistema que utiliza aprendizado por reforço para encontrar algoritmos computacionais mais eficientes, havia descoberto novas maneiras de programar um algoritmo de ordenação e um algoritmo de espalhamento. O novo algoritmo de ordenação foi 70% mais rápido para sequências curtas e 1,7% mais rápido para sequências com mais de 250.000 elementos, enquanto o algoritmo de espalhamento foi 30% mais rápido em alguns casos.

O algoritmo de ordenação foi incorporado à biblioteca padrão de C++, representando a primeira mudança nesses algoritmos em mais de uma década e a primeira atualização a incluir um algoritmo descoberto por IA. O algoritmo de espalhamento foi disponibilizado em uma biblioteca de código aberto. Segundo estimativas do Google, os dois algoritmos são utilizados trilhões de vezes diariamente.

AlphaEvolve

Em maio de 2025, a Google DeepMind apresentou o AlphaEvolve, um agente de programação evolutivo que emprega modelos de linguagem de grande escala, como o Gemini, para desenvolver algoritmos otimizados. O AlphaEvolve inicia cada processo de otimização com um algoritmo inicial e métricas para avaliar a qualidade das soluções. A cada etapa, utiliza o modelo de linguagem para gerar variações dos algoritmos ou combiná-los e seleciona os melhores candidatos para novas iterações.

O AlphaEvolve realizou descobertas algorítmicas, inclusive na multiplicação de matrizes. Segundo o Google, em testes com 50 problemas matemáticos em aberto, o sistema igualou a eficiência dos melhores algoritmos existentes em 75% dos casos e encontrou soluções superiores em 20%, entre elas uma relacionada ao número de contato em onze dimensões. O sistema também desenvolveu uma heurística para organizar as operações dos centros de processamento de dados, recuperando, em média, 0,7% da capacidade computacional mundial do Google.

Pesquisa científica assistida por inteligência artificial

Pesquisadores da Google DeepMind, do Google Research e do Google Cloud AI Research desenvolveram o Co-Scientist, um sistema de inteligência artificial multiagente baseado no Gemini, destinado à formulação de hipóteses científicas e ao planejamento de pesquisas. O sistema emprega vários agentes para gerar, criticar e aperfeiçoar hipóteses, pesquisar a literatura científica pertinente e propor protocolos experimentais.

Projeto de chips

O AlphaChip é uma arquitetura de rede neural artificial baseada em aprendizado por reforço, voltada ao posicionamento de componentes no projeto de circuitos integrados. A DeepMind afirmou que a técnica reduziu de semanas para horas o tempo necessário para criar a disposição física de componentes em um chip. Segundo a empresa, projetos produzidos com o método foram utilizados em todas as gerações de Tensor Processing Unit (TPU) desde 2020.

Diversos pesquisadores independentes questionaram essas afirmações, apontando a ausência de comparações públicas diretas e de demonstrações independentes de que o AlphaChip superaria as ferramentas comerciais existentes para projetos de chips. As TPUs foram desenvolvidas em colaboração com a Broadcom.

A revista Communications of the ACM observou que, apesar da ampla divulgação da tecnologia, a DeepMind não havia apresentado as comparações de desempenho solicitadas havia muito tempo por especialistas, o que mantinha o ceticismo de parte da área. Da mesma forma, a New Scientist relatou que, embora o Google afirmasse que o AlphaChip havia produzido disposições de circuitos "sobre-humanas" já utilizadas na fabricação, especialistas externos pediam dados transparentes de desempenho que permitissem confirmar essas alegações e realizar comparações justas com os métodos mais avançados disponíveis.

Segurança

Em 2016, o Google Research publicou um estudo sobre a segurança da inteligência artificial e maneiras de evitar comportamentos indesejados durante o processo de aprendizagem de sistemas de IA. Em 2017, a DeepMind lançou o GridWorld, um ambiente de testes de código aberto destinado a avaliar se um algoritmo aprende a desativar um mecanismo de desligamento ou apresenta outros comportamentos indesejados.

Em janeiro de 2024, a DeepMind estabeleceu a Robot Constitution (Constituição dos Robôs), um conjunto de regras de segurança do sistema AutoRT, desenvolvido para aplicações de IA em robótica. Inspiradas nas Três Leis da Robótica de Isaac Asimov, as regras são aplicadas aos modelos de linguagem de grande escala utilizados pelos robôs auxiliares. A primeira determina que um robô "não pode ferir um ser humano".

AlphaProof Code e verificação formal

Em novembro de 2026, pesquisadores da Google DeepMind apresentaram o AlphaProof Code, sistema de agentes de IA destinado a auxiliar a verificação formal de programas. No estudo anunciado pela empresa, especialistas formularam especificações de segurança e os agentes produziram demonstrações verificadas pelo assistente de provas Lean para propriedades do código compilado da implementação do Signal (libsignal). O método separava a revisão humana das propriedades desejadas da verificação automática das demonstrações, com o objetivo de reduzir o trabalho manual exigido pela comprovação de garantias de segurança em programas complexos. O experimento não significa que a aplicação esteja isenta de toda e qualquer vulnerabilidade: as provas dizem respeito às propriedades formalmente especificadas e avaliadas.

Previsão do tempo

A Google DeepMind desenvolveu o Weather Lab, sistema de previsão meteorológica baseado em inteligência artificial voltado ao aperfeiçoamento das previsões de ciclones tropicais. Lançado em meados de 2025, o modelo utiliza redes neurais estocásticas treinadas com 45 anos de dados meteorológicos mundiais e registros de ciclones, permitindo produzir múltiplas previsões probabilísticas da formação, trajetória, intensidade e estrutura desses fenômenos com até quinze dias de antecedência.

Durante a temporada de furacões no Atlântico de 2025, o Weather Lab da DeepMind superou modelos tradicionais baseados na física, inclusive o Global Forecast System da Administração Oceânica e Atmosférica Nacional (NOAA) dos Estados Unidos, na previsão das trajetórias e da intensidade dos ciclones. O sistema recebeu reconhecimento de meteorologistas e auxiliou o trabalho de previsão do Centro Nacional de Furacões (NHC) dos Estados Unidos. Esses resultados demonstraram o potencial da IA para aumentar a velocidade e a precisão das previsões de fenômenos meteorológicos intensos.

Em setembro de 2026, a Google DeepMind e o Google Research apresentaram o WeatherNext 3, um modelo de previsão meteorológica que gera previsões horárias a partir de dados de satélites.

Outras contribuições para o Google

A DeepMind, juntamente com outros pesquisadores de inteligência artificial da Alphabet, contribui para as recomendações personalizadas de aplicativos da Google Play. A empresa também colaborou com a equipe do Android na criação de duas funcionalidades disponibilizadas a usuários do Android Pie, a nona versão do sistema operacional móvel do Google: o Adaptive Battery (bateria adaptável) e o Adaptive Brightness (brilho adaptável).

As duas funcionalidades empregam aprendizado de máquina para economizar energia e facilitar o uso dos dispositivos. Essa foi a primeira aplicação dessas técnicas pela DeepMind em escala tão pequena, já que as aplicações típicas de aprendizado de máquina exigiam capacidade computacional muito superior.

Pesquisas em neurociência

A DeepMind colabora com neurocientistas de instituições acadêmicas em pesquisas fundamentais sobre o funcionamento do cérebro. Um estudo publicado em 2018 na revista Nature, de Andrea Banino e colaboradores, demonstrou que representações semelhantes às das células de grade surgem espontaneamente em redes neurais recorrentes treinadas para realizar integração de trajetos e que agentes artificiais dotados dessas representações podem planejar percursos de navegação mais eficientes do que agentes sem elas.

DeepMind Health

Em julho de 2016, foi anunciada uma colaboração entre a DeepMind e o Moorfields Eye Hospital para desenvolver aplicações de inteligência artificial na saúde. A DeepMind seria empregada na análise de exames oftalmológicos anonimizados para identificar sinais precoces de doenças que poderiam levar à cegueira.

Em agosto de 2016, foi anunciado um programa de pesquisa com o University College Hospital de Londres para desenvolver um algoritmo capaz de diferenciar automaticamente tecidos saudáveis de tecidos cancerosos na região da cabeça e do pescoço.

Outros projetos foram desenvolvidos com a Royal Free London NHS Foundation Trust e a Imperial College Healthcare NHS Trust para criar aplicativos clínicos móveis conectados a prontuários eletrônicos. Em dezembro de 2017, funcionários do Royal Free Hospital relataram que o acesso aos dados dos pacientes pelo aplicativo havia economizado "muito tempo" e produzido uma diferença "extraordinária" no atendimento de pessoas com lesão renal aguda. Os resultados de exames eram enviados aos telefones celulares dos profissionais, que recebiam alertas sobre alterações no estado dos pacientes. O aplicativo permitia verificar se outro profissional já havia respondido ao alerta e mostrar os resultados dos exames aos pacientes de forma visual.

Em novembro de 2017, a DeepMind anunciou uma parceria de pesquisa com o centro da Cancer Research UK no Imperial College London para melhorar a detecção do câncer de mama por meio de aprendizado de máquina aplicado à mamografia. Em fevereiro de 2018, a empresa anunciou que trabalhava com o Departamento de Assuntos de Veteranos dos Estados Unidos para utilizar o aprendizado de máquina na previsão de lesões renais agudas e, de forma mais ampla, da deterioração do estado de saúde de pacientes hospitalizados, de modo a permitir intervenções mais rápidas de médicos e enfermeiros.

A DeepMind desenvolveu o aplicativo Streams, que envia alertas aos médicos sobre pacientes com risco de lesão renal aguda. Em 13 de novembro de 2018, a DeepMind anunciou que sua divisão de saúde e o aplicativo Streams seriam incorporados ao Google Health. Defensores da privacidade afirmaram que a decisão traía a confiança dos pacientes e parecia contradizer declarações anteriores da DeepMind de que os dados médicos não seriam conectados a contas ou serviços do Google. Um porta-voz da DeepMind declarou que os dados dos pacientes continuariam separados dos serviços e projetos do Google.

Controvérsia sobre o compartilhamento de dados do NHS

Em abril de 2016, a revista New Scientist obteve uma cópia do acordo de compartilhamento de dados entre a DeepMind e a Royal Free London NHS Foundation Trust, responsável por três hospitais londrinos que atendiam aproximadamente 1,6 milhão de pacientes por ano. O documento indicava que a DeepMind Health tinha acesso a informações de admissão, alta e transferência de pacientes, atendimentos de emergência, exames de patologia e radiologia e registros de cuidados intensivos desses hospitais.

Os dados incluíam informações pessoais, como diagnósticos de HIV, depressão ou histórico de aborto, para pesquisas que buscavam melhorar os resultados de diferentes tratamentos de saúde. Uma denúncia foi apresentada ao Information Commissioner's Office (ICO), órgão britânico responsável pela proteção de dados, sob o argumento de que as informações deveriam ter sido pseudonimizadas e criptografadas. Em maio de 2016, a New Scientist publicou outra reportagem segundo a qual o projeto não havia obtido aprovação do Grupo Consultivo de Confidencialidade da Medicines and Healthcare products Regulatory Agency.

Em 2017, o ICO concluiu uma investigação de um ano sobre a forma como a Royal Free NHS Foundation Trust havia testado o aplicativo Streams no fim de 2015 e em 2016. O órgão concluiu que a Royal Free não havia cumprido a legislação britânica de proteção de dados ao fornecer informações de pacientes à DeepMind e identificou várias falhas no tratamento dessas informações, entre elas o fato de que os pacientes não haviam sido adequadamente informados de que seus dados seriam utilizados no teste.

A DeepMind publicou sua posição sobre a investigação em julho de 2017, reconhecendo que "precisamos fazer melhor" e destacando iniciativas de transparência, supervisão e participação que havia iniciado. Entre elas estavam a elaboração de uma estratégia de participação de pacientes e do público e a divulgação transparente das parcerias.

Em maio de 2017, a Sky News publicou uma carta vazada da responsável nacional pela proteção de dados de saúde britânica, Fiona Caldicott, na qual ela afirmava que, em sua "opinião ponderada", o acordo de compartilhamento de dados entre a DeepMind e a Royal Free havia sido realizado com uma "base jurídica inadequada". Em julho de 2017, o ICO decidiu que o Royal Free Hospital havia violado a lei britânica de proteção de dados ao entregar à DeepMind informações pessoais de 1,6 milhão de pacientes.

DeepMind Ethics and Society

Em outubro de 2017, a DeepMind anunciou uma nova unidade de pesquisa chamada DeepMind Ethics & Society. Seu objetivo era financiar pesquisas externas sobre os seguintes temas: privacidade, transparência e equidade; impactos econômicos; governança e responsabilização; gestão dos riscos da IA; moralidade e valores relacionados à inteligência artificial; e formas de utilizar a IA para enfrentar desafios mundiais.

A equipe pretendia, assim, aprofundar a compreensão das implicações éticas da IA e contribuir para identificar maneiras pelas quais ela poderia beneficiar a sociedade. A unidade era inteiramente distinta da Partnership on AI, parceria que reúne empresas de inteligência artificial, instituições acadêmicas, organizações da sociedade civil e entidades sem fins lucrativos, da qual a DeepMind também participa. O conselho da DeepMind Ethics & Society também era separado do conselho de ética em inteligência artificial que o Google havia concordado em instituir quando adquiriu a DeepMind.

Instituto DeepMind

Em 16 de setembro de 2026, pesquisadores ligados ao Google e à Google DeepMind lançaram o DeepMind Institute, uma plataforma para divulgar ensaios e promover debates interdisciplinares sobre inteligência artificial geral, segurança, governança e possíveis efeitos sociais dessa tecnologia. O instituto reúne contribuições de pesquisadores de diferentes áreas; sua apresentação esclarece que os textos refletem as opiniões dos autores e não representam necessariamente a posição institucional do Google. Trata-se de uma iniciativa de discussão e publicação, distinta do grupo de pesquisa em ética anunciado em 2017.

Cátedras de aprendizado de máquina financiadas pela DeepMind

A DeepMind financia três cátedras de aprendizado de máquina:

  1. Na Universidade de Cambridge, ocupada por Neil Lawrence, no Departamento de Ciência da Computação e Tecnologia.
  2. Na Universidade de Oxford, ocupada por Michael Bronstein, no Departamento de Ciência da Computação.
  3. Na University College London, ocupada por Marc Deisenroth, no Departamento de Ciência da Computação.

Educação em inteligência artificial no Brasil e em Portugal

A Google DeepMind participa, junto com a Raspberry Pi Foundation, do programa Experience AI, uma iniciativa de educação destinada a disponibilizar conteúdos introdutórios sobre inteligência artificial e aprendizado de máquina para docentes e estudantes. O material compreende atividades para sala de aula, orientações sobre o uso responsável da IA e discussões a respeito de dados pessoais e desinformação. Sua execução é realizada em parceria com instituições locais; a DeepMind participa do desenvolvimento do programa, mas as ações nacionais de financiamento e implementação não são conduzidas exclusivamente por ela.

Brasil

No Brasil, a iniciativa é implementada pela Sincroniza Educação, que adaptou para o português os materiais pedagógicos e iniciou a formação de professores em 2026. Segundo a organização, o município de Aracruz, no Espírito Santo, esteve entre os primeiros a receber o programa. Em junho de 2026, o Google.org anunciou um aporte superior a cinco milhões de reais para ampliar o Experience AI no país. O financiamento do Google.org e a participação da Raspberry Pi Foundation devem ser diferenciados da atuação da equipe de pesquisa da DeepMind.

Portugal

Em outubro de 2024, o Google anunciou a ampliação do Experience AI em Portugal por meio de uma parceria entre a Raspberry Pi Foundation e a organização TUMO Portugal. O projeto previa oferecer atividades a mais de dois mil jovens até dezembro de 2025 e recebeu a previsão de cerca de 230 mil euros de apoio financeiro da Google.org. A formação de docentes e a adaptação local dos recursos educacionais constituem parte do programa. Em informações divulgadas posteriormente pelo Centro de Formação Associação de Escolas Minerva, a primeira etapa foi descrita como tendo alcançado cerca de 2.300 estudantes, antes de uma fase voltada à capacitação de professores.

Modelo GAIA para o português brasileiro

Em junho de 2025, pesquisadores do Centro de Excelência em Inteligência Artificial da Universidade Federal de Goiás (CEIA-UFG), em colaboração com a Associação Brasileira de Inteligência Artificial (ABRIA), as empresas Nama e Amadeus AI e a Google DeepMind, apresentaram o GAIA, um modelo de linguagem aberto desenvolvido para aplicações em português brasileiro. O sistema foi construído a partir do Gemma 3 com quatro bilhões de parâmetros, submetido a uma etapa adicional de pré-treinamento com aproximadamente 13 bilhões de tokens de textos em português. Os responsáveis informaram ter avaliado o modelo em tarefas como questões do Exame Nacional do Ensino Médio e testes de compreensão semântica; esses resultados foram divulgados pelos próprios desenvolvedores e não equivalem a uma demonstração de superioridade em todas as tarefas ou contextos de uso. A UFG informou, em 30 de junho de 2025, que o modelo havia superado três mil downloads nas primeiras duas semanas e destacou a disponibilização dos pesos para desenvolvedores, sem uma interface pública de conversação naquele momento.

Ver também

O Commons possui uma categoria com imagens e outros ficheiros sobre Google DeepMind