На конференції AIE Europe в Лондоні віцепрезидентка з досліджень Google DeepMind Раї Гедселл розповіла, як сьогодні вибудовується стратегія так званого frontier AI — найпросунутіших систем штучного інтелекту, що задають напрямок для всієї галузі. Гедселл працює в DeepMind майже 13 років, пройшовши шлях від невеликої команди з кількох десятків дослідників до керівниці приблизно 1200 науковців та інженерів у 10 лабораторіях по всьому світу. Паралельно вона виконує роль AI Ambassador для уряду Великої Британії, допомагаючи зшивати інтереси держави, академії та індустрії.
У центрі цієї історії — не лише технічні прориви, а й те, як DeepMind формулює свою місію: «будувати ШІ відповідально, на благо людства». Саме ця рамка визначає, які напрями frontier AI компанія вважає пріоритетними, як обирає «кореневі» проблеми для досліджень і чому її робота виходить далеко за межі стандартних великих мовних моделей.
Від 30 людей до 1200 дослідників: як еволюціонував DeepMind і роль Раї Гедселл
Коли Гедселл приєдналася до DeepMind у 2010-х, це була невелика група з приблизно 30–40 «цікавих, трохи хуліганських» ентузіастів, які експериментували з підкріплювальним навчанням на Atari, Go, StarCraft і робототехніці. Сьогодні це одна з ключових дослідницьких структур Google, що працює на передньому краї ШІ.
Гедселл зараз — віцепрезидентка в DeepMind, яка допомагає керувати близько 1200 науковцями та інженерами в 10 лабораторіях. Масштаб змінився радикально, але дослідницька філософія, яку вона описує, залишилася дивовижно послідовною: шукати «root nodes» — кореневі вузли у просторі проблем, а не витрачати ресурси на «листя».
Цей підхід означає свідоме уникання дрібних, локальних оптимізацій на користь глибоких, фундаментальних завдань, розв’язання яких створює довгий ланцюг похідного впливу. У практиці DeepMind це проявляється у двох ключових вимірах.
По-перше, у виборі тем: замість того, щоб нескінченно шліфувати вже існуючі моделі, команда шукає області, де ШІ може відкрити принципово нові можливості — від прогнозування погоди до побудови універсальних представлень знань.
По-друге, у партнерствах: Гедселл підкреслює, що DeepMind «партнериться зі світом» — з національними метеослужбами, науковими інститутами, урядами. Це не просто канал для доступу до даних, а спосіб знайти ті самі «кореневі вузли» разом з доменними експертами й потім довести рішення до «листя» — реальних застосувань, які мають значення.
Її друга роль — AI Ambassador Великої Британії — логічно продовжує цю лінію. Вона допомагає будувати міст між урядом, академією та індустрією, щоб frontier AI розвивався не у вакуумі, а в діалозі з суспільними потребами та регуляторними рамками.
Frontier AI як стратегія: далі за мовні моделі
У DeepMind frontier AI — це не просто «найбільші моделі» чи «найпотужніші кластери». Це системна робота над тим, що буде наступним після сьогоднішніх великих мовних моделей, і над завданнями, які взагалі не зводяться до тексту.
У цій рамці можна виділити кілька ключових векторів.
Перший — проєктування наступних архітектур для Gemini, флагманської моделі Google. Frontier-дослідження тут означають не лише масштабування, а й пошук нових способів представлення знань, роботи з мультимодальністю, плануванням, агентністю. Гедселл прямо говорить про «наступні архітектури», які мають вийти за межі нинішнього покоління LLM.
Другий — постановка завдань, які «тільки ШІ може реально розв’язати». Це не маркетинговий слоган, а досить конкретний критерій: якщо проблему можна ефективно вирішити традиційними методами, вона навряд чи потрапить у пріоритетний список frontier AI. Натомість у фокус потрапляють області, де класичні підходи впираються в фізичні, обчислювальні чи методологічні межі — наприклад, глобальне моделювання атмосфери або створення універсальних семантичних просторів для різних типів даних.
Третій — ширше розуміння «майбутнього інтелекту». DeepMind дивиться не лише на штучний інтелект у вузькому сенсі, а й на те, як змінюється людський інтелект у взаємодії з новими системами, а також на робототехнічний інтелект. У цій картині люди, ШІ-системи та роботи — учасники спільної еволюції, а не окремі світи.
Це важливий зсув: frontier AI тут — не тільки про те, «що ще може зробити модель», а й про те, як суспільство, інституції та інші технології мають адаптуватися до нових форм інтелектуальних агентів.
Місія «AI на благо людства» як фільтр для frontier-досліджень
Формулювання місії DeepMind — «будувати ШІ відповідально, на благо людства» — легко сприйняти як корпоративний слоган. Але в описі Гедселл це радше робочий фільтр, через який проходять дослідницькі рішення.
По-перше, це питання вибору проблем. «Ми хочемо розв’язувати проблеми, які варті того, щоб їх розв’язувати», — так вона описує внутрішню мотивацію. У практиці це означає, що frontier AI-робота має мати потенціал реального суспільного впливу: від кращих систем прогнозування стихійних лих до інструментів, які підсилюють людське мислення, а не просто генерують текст.
По-друге, це питання відповідальності в дизайні систем. Frontier AI — це завжди підвищені ризики: від масштабних помилок до можливого зловживання. Роль Гедселл як AI Ambassador і керівниці великої дослідницької організації ставить її на перетині технічних і політичних дискусій: як будувати моделі, які будуть корисними, але не створять неприйнятних загроз.
По-третє, це питання партнерств. Робота з національними метеослужбами, урядовими структурами, академічними інститутами дозволяє не лише тестувати моделі в реальних умовах, а й вбудовувати їх у існуючі процеси прийняття рішень. Це критично для того, щоб frontier AI не залишався лабораторним експериментом, а ставав інфраструктурою, яка реально зменшує ризики для людей — наприклад, даючи додаткові дні для підготовки до урагану.
Усе це не означає, що DeepMind уникає комерційних застосувань чи не думає про конкурентну гонку. Але в описі Гедселл чітко видно: місія «на благо людства» — це не прикраса, а спосіб структурувати саму дослідницьку програму.
Далі за текст: чому frontier AI у DeepMind виходить за межі LLM
Хоча Gemini — це насамперед велика мовна модель, значна частина frontier-досліджень DeepMind, про які говорить Гедселл, свідомо фокусується на тому, що «не є мовними моделями». Це не заперечення важливості LLM, а визнання їхніх меж і потреби в комплементарних підходах.
Один із таких напрямів — embedding-моделі, які DeepMind позиціонує як «критичного компаньйона» генеративного ШІ. Якщо мовні моделі добре генерують, то embedding-и добре знаходять, порівнюють і впорядковують. У практичних системах ці дві функції часто мають працювати разом: спочатку швидкий і точний пошук релевантної інформації, потім — генерація відповіді, плану чи пояснення.
Gemini Embeddings 2, нещодавно випущена Google, — показовий приклад того, як frontier AI виходить за межі тексту. Це повністю омнімодальна embedding-модель, похідна від Gemini, яка перетворює текст, відео, аудіо та документи в єдиний семантичний вектор. Вона може закодувати до 8,8 тисячі токенів тексту, 128 секунд відео, 80 секунд аудіо та повний PDF у один векторний представник.
Ключова ідея тут — уніфікація. Замість того, щоб мати окремі моделі для тексту, зображень, аудіо й потім намагатися «склеїти» їхні виходи, Gemini Embeddings 2 одразу працює в єдиному семантичному просторі. Це зменшує втрати інформації на стику модальностей і спрощує побудову систем, які мають розуміти, наприклад, як фрагмент відео співвідноситься з абзацом тексту чи аудіозаписом.
Ще одна frontier-ідея в цій моделі — Matryoshka Representation Learning (MRL). Вона дозволяє одній і тій самій мережі підтримувати різні розмірності embedding-ів. Система може почати з компактного вектора, скажімо, на 256 вимірів для швидкого грубого пошуку, а потім, за потреби, перейти до більшої розмірності для точнішого порівняння. Це важливо для реальних застосувань, де завжди є компроміс між швидкістю, вартістю обчислень і точністю.
Усе це вписується в ширшу картину frontier AI, яку описує Гедселл: замість того, щоб зосереджуватися виключно на «розумніших чат-ботах», DeepMind інвестує в базову інфраструктуру інтелекту — універсальні представлення, які можуть стати фундаментом для пошуку, агентів, планування, аналізу мультимодальних даних.
Frontier AI як інструмент для реального світу: від ураганів до нових форм інтелекту
Ще один вимір frontier AI у DeepMind — це застосування ШІ до задач, де традиційні підходи досягли межі ефективності. Прогнозування погоди — яскравий приклад такої області, і хоча це лише один із напрямів роботи, він добре ілюструє дослідницьку логіку, яку описує Гедселл.
Класичні моделі погоди — це складні фізичні симуляції атмосфери, які працюють на суперкомп’ютерах годинами. Вони точні, але дорогі й обмежені в тому, наскільки далеко й детально можуть зазирнути в майбутнє. DeepMind підійшов до задачі інакше: використати 40 років глобальних метеоданих, щоб навчити нейромережі напряму передбачати стан атмосфери.
GraphCast, перша з таких моделей, — це сферична графова нейромережа, яка охоплює всю Землю від поверхні до нижньої стратосфери й прогнозує близько 100 атмосферних змінних, включно з вітром, температурою та вологістю, на 15 днів уперед. Один із показових кейсів — ураган Лі 2024 року: GraphCast змогла правильно передбачити місце його виходу на сушу в Новій Шотландії за дев’ять днів до події, тоді як найкращі фізичні моделі були точними лише за шість днів. Три додаткові дні — критичний ресурс для евакуації та підготовки інфраструктури.
Наступний крок — GenCast, імовірнісна модель на основі сітки, яка не лише точніша, а й набагато ефективніша. У 97% із 1300 протестованих випадків вона перевершувала «золоті стандарти» прогнозування погоди, при цьому формуючи 15-денний глобальний прогноз приблизно за вісім хвилин на одному чипі, тоді як традиційні моделі потребують годин роботи великого суперкомп’ютера. Це змінює не тільки точність, а й доступність високоякісних прогнозів для країн і організацій, які не мають доступу до топових обчислювальних ресурсів.
Останній крок у цій лінії — FGN (functional generative network), яка напряму прогнозує циклони: їхню траєкторію, швидкість вітру, формування ока. На відміну від попередніх підходів, де спочатку моделювався загальний стан атмосфери, а потім окремі алгоритми «виловлювали» циклони як постобробку, FGN інтегрує розпізнавання й категоризацію циклонів у саму мережу. Модель уже використовується Національним центром ураганів США, який оцінює її як суттєву перевагу.
Ці приклади важливі не лише самі по собі. Вони демонструють, як frontier AI, у розумінні DeepMind, має працювати з реальним світом: не просто генерувати текстові описи, а ставати інструментом для прийняття рішень у критичних системах — від метеослужб до потенційно енергетики, медицини чи логістики.
У ширшій перспективі це повертає нас до питання «майбутнього інтелекту», яке піднімає Гедселл. Frontier AI тут — це не лише про те, наскільки «розумною» може стати модель, а й про те, як ці моделі вбудовуються в інституції, інфраструктуру й повсякденні практики. Чи будуть вони просто ще одним сервісом у хмарі, чи стануть частиною систем раннього попередження про стихійні лиха, інструментом для наукових відкриттів, партнером у складних людських рішеннях?
DeepMind, принаймні на рівні дослідницької програми, явно робить ставку на другий сценарій.
Висновок: frontier AI як спільний проєкт науки, індустрії та суспільства
Історія, яку сьогодні розповідає Раї Гедселл, — це історія про те, як невелика команда дослідників перетворилася на глобальну лабораторію frontier AI, і як ця лабораторія намагається поєднати амбіцію створити «майбутнє інтелекту» з відповідальністю перед суспільством.
Її власна роль — як віцепрезидентки з досліджень DeepMind і AI Ambassador Великої Британії — символізує цей перетин: між фундаментальною наукою й інженерією, між корпоративною стратегією й державною політикою, між технічними можливостями й етичними обмеженнями.
Frontier AI у виконанні DeepMind — це не лише нові архітектури Gemini, не лише омнімодальні embedding-и й не лише моделі, що передбачають урагани. Це спроба вибудувати довгострокову дослідницьку програму, де кожен крок — від вибору задачі до способу розгортання моделі — проходить через фільтр: чи це справді коренева проблема, чи це справді приносить користь людям, чи це справді рухає нас до більш безпечного й осмисленого майбутнього інтелекту.
Наскільки успішною буде ця стратегія — покаже час. Але вже зараз очевидно: frontier AI — це не лише гонка за більшими параметрами, а й змагання за те, хто зможе найкраще поєднати науку, інженерію та суспільний запит у єдину, послідовну місію.
Джерело
Frontier AI and the Future of Intelligence — Raia Hadsell, VP of Research, Google DeepMind