Google DeepMind เผยแพร่งานวิจัยในวารสาร Nature ถึงขั้นตอนการค้นหาวิธีแก้ปัญหาด้านคณิตศาสตร์และวิทยาการคอมพิวเตอร์แบบใหม่ เรียกชื่อว่า FunSearch ซึ่งมาจากคำว่า Function+Search มีจุดเด่นคือพื้นฐานทำงานเป็น AI แบบ LLM ที่ถูกเทรนมาก่อน แล้วหาวิธีแก้ปัญหาร่วมกับโค้ดคอมพิวเตอร์ ที่ทำหน้าที่ตรวจสอบความถูกต้องอีกหนึ่งชั้น เพื่อป้องกันการให้คำตอบที่ผิด

ผลลัพธ์ที่ได้คือฟังก์ชัน ในรูปแบบโค้ดคอมพิวเตอร์ แต่มาพร้อมกับวิธีคิดรูปแบบใหม่ ๆ จากกระบวนการของ LLM

DeepMind เผยแพร่งานวิจัย GraphCast โมเดล AI สำหรับการพยากรณ์อากาศ โดยสามารถพยากรณ์อากาศใน 10 วันข้างหน้า ซึ่ง DeepMind บอกว่าทำได้แม่นยำและประมวลผลรวดเร็วว่าเครื่องมือพยากรณ์อากาศมาตรฐานสูงปัจจุบัน

วิธีการพยากรณ์อากาศแบบปัจจุบันนั้นมักคำนวณด้วย Numerical Weather Prediction ซึ่งมีสมการฟิสิกส์ที่ใช้เวลาประมวลผลนาน และต้องการทรัพยากรสมรรถนะสูง แนวคิดของ GraphCast ใช้การเทรนข้อมูลประวัติสภาพอากาศย้อนหลังระดับหลายสิบปี เพื่อดูความสัมพันธ์ของปัจจัยและผลที่เกิดขึ้นต่อสภาพอากาศในโลก ข้อมูลที่ใช้ตอนนี้คือ ERA5 ขององค์กรพยากรณ์อากาศ ECMWF ย้อนหลัง 40 ปี

DeepMind เปิดตัว RT-2 ซึ่งมาจากคำว่า Robotic Transformer 2 โมเดลสำหรับควบคุมหุ่นยนต์แบบ Vision-Language-Action หรือ VLA โดยใช้การเรียนรู้ข้อมูลและภาพต่าง ๆ จากอินเทอร์เน็ต ผสมรวมกับการเรียนรู้จากภาพที่เห็นของหุ่นยนต์ในการปฏิบัติหรือทำงานต่าง ๆ วิธีการเรียนรู้นี้อาจบอกได้ว่าเป็น AI แบบ LLM ที่นำใช้กับหุ่นยนต์

Demis Hassabis ผู้ร่วมก่อตั้งและซีอีโอ DeepMind ให้ข้อมูลล่าสุดของโมเดล AI ที่ชื่อ Gemini ซึ่งตอนนี้อยู่ในขั้นตอนการพัฒนา และเป็นโมเดลแบบ Large Language ประเภทเดียวกับ GPT-4 ของ OpenAI ที่ปัจจุบันเป็น AI เบื้องหลังแชทบอต ChatGPT

DeepMind เผยแพร่งานวิจัยระบบ AI ที่สามารถพัฒนาได้ด้วยตัวเองสำหรับหุ่นยนต์ มีชื่อเรียกว่า RoboCat โดยสามารถทำงานได้หลากหลาย รองรับหุ่นยนต์ที่มีกลไกแขนแตกต่างกัน รวมทั้งสามารถสร้างชุดข้อมูลใหม่เพื่อเรียนรู้ได้เองอีกด้วย

งานวิจัยที่ผ่านมา DeepMind ได้พัฒนาให้หุ่นยนต์สามารถทำงานได้หลากหลาย และอีกงานวิจัยก็ให้หุ่นยนต์ผู้ช่วยเรียนรู้จากข้อมูลในสภาพจริง (Real-world) ซึ่ง RoboCat ได้ปรับปรุงให้เป็นระบบที่ทำงานได้หลากหลาย แต่รองรับหุ่นยนต์แต่ละแบบที่แตกต่างกันด้วย จากการเรียนรู้ผ่านสภาพจริง

DeepMind เผยแพร่งานวิจัยใหม่ เป็นตัวดำเนินการ AI เรียกชื่อว่า DeepNash สำหรับการเล่นเกมที่ทำงานผสมผสานระหว่าง Model-Free Deep Reinforcement Learning ร่วมกับวิธีการ Nash Equilibrium ของ Game Theory

รูปแบบดังกล่าวเหมาะสำหรับเกมที่ผู้เล่นจะไม่มีข้อมูลในมือครบทั้งหมด (Imperfect Information) ต้องอาศัยการเดาอีกฝ่ายว่ามีเบี้ยหรือถือตัวเลขใดอยู่ และมีโอกาสตัดสินใจทางไหนได้บ้าง ต่างจากหมากกระดานที่ต่างฝ่ายต่างเห็นทุกอย่างเหมือนกันหมด จึงมีความซับซ้อนในการคิดหาทางเลือกมากขึ้น