Współtwórca AlphaGo odchodzi z DeepMind, obstawia porażkę skalowania LLM

Thore Graepel, fizyk i jeden z naukowców, których nazwiska widnieją pod przełomową publikacją Nature o AlphaGo z 2016 roku, opuścił Google DeepMind. Jak podał serwis Sifted, Graepel zakłada własne przedsięwzięcie, które ma przenieść metody przeszukiwania i planowania znane z gry w go na roboty i systemy działające w realnym świecie, zamiast dalej powiększać modele językowe.

Graepel należy do wąskiego grona naukowców, którzy w połowie poprzedniej dekady zbudowali system łączący sieci neuronowe z przeszukiwaniem drzewa decyzji Monte Carlo. To podejście pozwoliło AlphaGo pokonać mistrza świata Lee Sedola, a później doprowadziło do powstania AlphaZero i MuZero - programów, które nauczyły się gry w szachy, go i shogi bez ludzkich danych treningowych, wyłącznie przez rozgrywanie partii z samymi sobą.

Powrót i ponowne odejście

Graepel nie po raz pierwszy zmienia miejsce pracy wokół DeepMind. Zanim dołączył do laboratorium, kierował zespołem badającym usługi internetowe i reklamę w Microsoft Research Cambridge, a doktorat z uczenia maszynowego obronił na TU Berlin w 2001 roku. Jest też profesorem uczenia maszynowego na University College London.

Do Google DeepMind wrócił w 2025 roku na stanowisko Distinguished Research Scientist, gdzie zajmował się tym, co laboratorium określało jako scenariusze post-AGI, czyli pytaniem, co dzieje się z badaniami i społeczeństwem, gdy systemy osiągną poziom ogólnej inteligencji. Rok później zdecydował się opuścić firmę na dobre, by realizować własną wizję rozwoju sztucznej inteligencji poza wielkim laboratorium.

Zakład przeciwko skalowaniu

Sedno decyzji Graepela to spór technologiczny, który od miesięcy toczy się w środowisku badaczy AI. Duża część branży, w tym OpenAI, Google i Anthropic, stawia na dalsze powiększanie modeli językowych i danych treningowych jako główną drogę do coraz zdolniejszych systemów. Graepel należy do grupy, która uważa, że sama skala nie wystarczy, by uzyskać wiarygodne rozumowanie i planowanie w warunkach niepewności.

Musimy wrócić do architektury i fundamentalnie ją przeprojektować, żeby wykonywała właściwe rozumowanie - Thore Graepel, dla Sifted

Na swojej stronie internetowej Graepel opisuje cel nowego przedsięwzięcia jako przeniesienie rozumowania w stylu AlphaGo do modeli granicznych, tak by maszyny mogły planować i działać w warunkach rzeczywistej niepewności. Zamiast rozgrywki na planszy, punktem odniesienia mają być roboty i agenty podejmujące decyzje w fizycznym świecie.

Przeszukiwanie i wyuczona ocena niewiele dbają o to, skąd bierze się niepewność - z drzewa gry, z komórki, z agenta wybierającego, co zrobić dalej - Thore Graepel

Fala odejść z DeepMind

Odejście Graepela wpisuje się w szerszy trend odpływu założycielskich talentów z Google DeepMind. Najgłośniejszym przykładem pozostaje David Silver, główny architekt AlphaGo i najbliższy współpracownik Graepela przy oryginalnej publikacji, który w styczniu 2026 roku założył w Londynie startup Ineffable Intelligence. Spółka zebrała rekordową w historii Europy rundę seed w wysokości 1,1 mld dolarów przy wycenie 5,1 mld dolarów, a we wrześniu 2026 roku ogłosiła dołączenie sześciu współzałożycieli, w tym czterech byłych badaczy DeepMind związanych wcześniej z projektem AlphaStar.

Graepel nie dołączył do zespołu Silvera, mimo że obaj naukowcy przez lata pracowali nad tymi samymi problemami. Buduje odrębne przedsięwzięcie, na razie bez ujawnionej nazwy spółki, rundy finansowania czy listy współzałożycieli. To sygnał, że sam pomysł na powrót do metod opartych na przeszukiwaniu i planowaniu ma w Europie kilku niezależnych orędowników, a nie jeden wspólny obóz.

Znaczenie dla rynku

Dla obserwatorów branży odejście kolejnego weterana DeepMind to potwierdzenie, że spór o przyszłość architektur AI nie jest wyłącznie akademicką dyskusją, tylko realnym czynnikiem decydującym o tym, gdzie płynie kapitał i talent. Jeśli podejście oparte na strukturalnym przeszukiwaniu rzeczywiście okaże się skuteczniejsze w robotyce i planowaniu niż dalsze powiększanie modeli językowych, europejskie startupy zakładane przez byłych badaczy DeepMind mogą zyskać przewagę technologiczną nad amerykańskimi i chińskimi laboratoriami stawiającymi głównie na skalę.

Na razie trudno ocenić, czy zakład Graepela się opłaci. Metody przeszukiwania sprawdziły się znakomicie w grach o ściśle określonych regułach, takich jak go czy szachy, ale przeniesienie ich na otwarty, nieprzewidywalny świat fizyczny to zadanie o innej skali trudności. Sam fakt, że doświadczony współtwórca AlphaGo stawia na to podejście zamiast na dalsze skalowanie LLM, dokłada kolejny głos do debaty, która w najbliższych latach zdecyduje o kierunku rozwoju całej branży AI.