13 minutos de leitura
Autor(a)
Fabrício Carraro é formado em Engenharia da Computação pela UNICAMP e pós-graduado em Data Analytics & Machine Learning pela FIAP. Atualmente, mora na Espanha.
Fique por dentro de conteúdos, insights e oportunidades do universo tech. Receba novidades e lançamentos direto no seu e-mail.
Se você já pediu algo ao Gemini, viu um vídeo feito com o Veo ou leu sobre um Nobel entregue a um modelo de inteligência artificial, já cruzou com o trabalho da DeepMind. O laboratório fica por trás de boa parte do que o Google lança em IA hoje e de descobertas científicas que pareciam distantes até pouco tempo atrás.
Este guia parte do zero e você vai entender o que é a DeepMind, como a tecnologia dela funciona, em que ela é usada na prática, quais ferramentas estão disponíveis, o que custa, onde ficam os limites e por onde começar se quiser experimentar ou estudar o assunto.
A DeepMind é o laboratório de pesquisa em inteligência artificial do Google. Foi fundada em Londres, em 2010, por Demis Hassabis, Shane Legg e Mustafa Suleyman, com uma ambição declarada desde o início: entender a inteligência e usá-la para acelerar a ciência.
O Google comprou a empresa em 2014, e em abril de 2023 ela se fundiu com a equipe do Google Brain, dando origem ao nome atual, Google DeepMind.
Na prática, a DeepMind opera em duas frentes que se alimentam. A primeira é a pesquisa de fronteira, com publicações científicas, sistemas que jogam e raciocinam e modelos aplicados à biologia, à matemática e ao clima.
A segunda é o desenvolvimento dos modelos que viram produto, com o Gemini como carro-chefe e uma família crescente de modelos de imagem, vídeo, áudio, música e robótica.
A missão publicada pelo laboratório é construir IA de forma responsável para beneficiar a humanidade.
A frase pode até soar genérica em um primeiro momento, porém orienta escolhas concretas, como manter uma área dedicada à segurança de fronteira e publicar pesquisas sobre os riscos dos próprios sistemas.
Três marcos explicam por que o nome pesa tanto. Em 2016, o AlphaGo venceu Lee Sedol, um dos maiores jogadores de Go do mundo, em um jogo considerado fora do alcance das máquinas.
Em 2020, o AlphaFold passou a prever a estrutura tridimensional de proteínas com precisão inédita, feito que rendeu a Demis Hassabis e John Jumper o Nobel de Química de 2024. E, desde 2023, o Gemini colocou a tecnologia do laboratório na Busca, no Android e em um aplicativo usado por milhões de pessoas.
Por trás de todos esses sistemas há uma base comum: redes neurais profundas, treinadas com grandes volumes de dados para reconhecer padrões e gerar respostas. É o campo do deep learning, um ramo do aprendizado de máquina que a DeepMind ajudou a levar do laboratório para o mundo real.
Sobre essa base, o laboratório combina técnicas diferentes conforme o problema.
Nos jogos, a marca registrada foi o aprendizado por reforço, em que o sistema aprende por tentativa e erro, recebendo recompensa quando acerta.
O AlphaGo Zero levou a ideia ao extremo ao aprender jogando contra si mesmo, sem estudar partidas humanas. A lógica reapareceu depois em problemas de física, como o controle de plasma em reatores de fusão, e em matemática, com sistemas que descobrem algoritmos.
Nos modelos de linguagem, a arquitetura central é a dos transformadores, a mesma que sustenta os LLMs de todo o mercado.
O diferencial do Gemini está em ter sido pensado como multimodal desde o projeto: texto, imagem, áudio e vídeo entram e saem do mesmo sistema, o que permite descrever uma foto, resumir um vídeo ou conversar por voz na mesma ferramenta.
A frente mais recente é a dos modelos de mundo. Em vez de prever a próxima palavra, esses sistemas preveem o próximo quadro de um ambiente que reage às suas ações, como um videogame gerado em tempo real. O Genie 3 é o exemplo mais visível, e a DeepMind o descreve como um passo para treinar agentes de IA em cenários simulados antes de soltá-los no mundo físico.
Redes Neurais: Por que são tão poderosas? | #AluraMais
A pergunta mais útil para quem chega agora é onde essa tecnologia já faz diferença. A resposta atravessa ciência, infraestrutura e cotidiano.
O AlphaFold é o caso mais conhecido. O modelo previu a estrutura de praticamente todas as proteínas catalogadas pela ciência e disponibilizou o resultado em um banco de dados gratuito, usado por milhões de pesquisadores em todo o mundo. Contamos essa história com mais detalhe no guia de IA para pesquisa científica.
Na mesma linha, o AlphaGenome estuda como variações no DNA afetam a regulação dos genes, e projetos recentes aplicam esses modelos a doenças como a ELA e a enfermidades do fígado.
Em 2026, a DeepMind organizou essa frente sob o guarda-chuva do Gemini for Science e lançou o Co-Scientist, um sistema com vários agentes que propõe hipóteses e desenha experimentos ao lado de cientistas. A promessa é encurtar o ciclo entre a pergunta e o resultado, com cientistas no comando do processo.
O AlphaFold previu a estrutura de praticamente todas as proteínas catalogadas e liberou o resultado em banco de dados gratuito.
O WeatherNext usa IA para prever o tempo com mais velocidade e precisão do que os métodos tradicionais, e a terceira versão chegou em setembro de 2026.
O caso mais citado é o do furacão Melissa, em que as previsões do modelo ajudaram o Centro Nacional de Furacões dos Estados Unidos a antecipar a chegada da tempestade à Jamaica.
Já o AlphaEarth combina imagens de satélite e outras fontes para mapear o planeta em detalhe, útil em agricultura, conservação e planejamento urbano.
O AlphaEvolve é um agente de programação baseado no Gemini que desenha algoritmos novos, com aplicações que vão de problemas matemáticos em aberto à eficiência dos próprios data centers do Google. Na robótica, o Gemini Robotics, já na segunda geração, funciona como camada de inteligência para robôs perceberem o ambiente, raciocinarem e usarem ferramentas.
Para a maioria das pessoas, a DeepMind chega pelo Gemini: no aplicativo, na Busca com o Modo IA, no Android e nos produtos do Google Workspace. Também está nos vídeos gerados pelo Veo, nas imagens do Nano Banana e nas músicas do Lyria. Quem já usou uma dessas funções já usou tecnologia do laboratório.
Modelos de mundo geram ambientes que reagem às ações de um agente, ainda que percam a coerência do cenário depois de alguns minutos.
O catálogo da DeepMind cresceu bastante, e vale um mapa. As ferramentas se dividem em modelos de uso geral, modelos especializados, modelos de mundo e modelos abertos.
O Genie 3 recebe uma descrição ou uma imagem e gera um ambiente tridimensional em que você caminha e interage em tempo real, com o cenário se mantendo coerente por alguns minutos.
Apresentado em agosto de 2025 como prévia de pesquisa, ganhou uma interface pública em janeiro de 2026, o Project Genie, dentro do Google Labs.
Além de um brinquedo impressionante, ele serve como campo de treino para agentes e como protótipo de simuladores; empresas de veículos autônomos já testam cenários raros nele.
O Gemini é o modelo de uso geral, com variantes para raciocínio profundo e para velocidade, caso do Gemini 3.8 Flash, lançado em setembro de 2026 com foco em programação e agentes.
Em torno dele há modelos dedicados: o Gemini Omni, que cria e edita vídeo a partir de qualquer combinação de texto, imagem e áudio; o Gemini Audio, para conversa por voz e transcrição; o Nano Banana, para imagens; o Veo, para vídeo cinematográfico; o Imagen e o Lyria, para imagem e música.
O SIMA 2 é um agente que joga e aprende em mundos 3D, e o Antigravity é a plataforma de desenvolvimento em que agentes escrevem código, no espírito do vibe coding com mais estrutura.
A família Gemma, agora na quarta geração, é a resposta da DeepMind a quem quer rodar modelos localmente ou adaptá-los aos próprios dados. Os pesos são publicados abertamente, e os modelos aparecem em repositórios como o Hugging Face, o que permite experimentar sem depender de uma API paga.
Os benefícios ficam evidentes nos casos acima: ciência mais rápida, previsões melhores e ferramentas criativas ao alcance de qualquer pessoa. As limitações merecem o mesmo espaço, porque quem começa tende a superestimar o que os sistemas fazem.
Modelos de linguagem erram com convicção, inventam fatos e referências e reproduzem vieses dos dados de treino. Modelos de mundo como o Genie 3 ainda esquecem o cenário após alguns minutos e não entendem física de verdade.
Há também o custo: treinar e operar esses sistemas consome energia e dinheiro em escala, o que concentra a tecnologia em poucas empresas. A IA generativa de vídeo, em particular, reacende o debate sobre deepfakes, e a própria DeepMind publicou pesquisa sobre como detectar vídeo gerado por IA.
O que é Deep Learning? #HipstersPontoTube
A lista de publicações recentes da DeepMind mostra onde estão as preocupações internas.
Entre os trabalhos publicados de maio a setembro de 2026, há estudos sobre como avaliar a propensão de um modelo a sabotar tarefas ou a se comportar de forma enganosa quando acredita não estar sendo observado, sobre red teaming participativo com comunidades do Sul Global para melhorar a segurança de geradores de imagem e sobre alinhamento com valores culturais diversos.
Outros artigos do mesmo período discutem a transição de AGI para superinteligência, a possibilidade de consciência artificial e os limites do raciocínio dos modelos, incluindo o fenômeno de pensar demais em problemas simples.
Também há trabalhos voltados à colaboração, como o desenho de parceiros de IA proativos para a escrita e o uso de modelos como facilitadores de dinâmicas em grupo. A agenda combina ambição técnica com uma dose considerável de autocrítica.
No plano institucional, isso se traduz em um programa de segurança de fronteira, com avaliações de risco antes de cada lançamento, e em iniciativas como as avaliações duplo-cegas piloto de 2026, em que avaliadores externos testam modelos sem saber a origem deles.
Para quem usa a tecnologia em empresas, vale somar as práticas de sempre: segurança da informação e conformidade com a LGPD ao enviar dados a qualquer modelo.
Boa parte da tecnologia da DeepMind pode ser usada de graça, e a parte paga segue uma escada de planos. O aplicativo Gemini tem versão gratuita, suficiente para conversar, resumir documentos e gerar imagens com limites de uso.
Acima dela ficam os planos Google AI Pro e Google AI Ultra, vendidos por assinatura mensal.
O Pro amplia os limites, libera modelos mais capazes e inclui ferramentas como o Flow para vídeo, além de mais armazenamento. O Ultra é o nível mais alto, com acesso antecipado a modelos experimentais, cotas máximas e recursos como o Project Genie.
Os valores mudam conforme o país e são reajustados com frequência, então a referência confiável é a página oficial do Google One.
Para quem desenvolve, o caminho é o Google AI Studio e a API do Gemini, com um nível gratuito para testes e cobrança por uso a partir daí, medida em tokens processados.
Os modelos Gemma são gratuitos para baixar e rodar. E os bancos de dados científicos, como o do AlphaFold, seguem abertos para a comunidade de pesquisa.
A disponibilidade varia por produto. O Gemini está no Brasil em português, enquanto recursos novos costumam estrear nos Estados Unidos e chegar a outros países depois. O Project Genie, por exemplo, foi lançado para assinantes Ultra nos Estados Unidos, com idade mínima de 18 anos, e a expansão internacional é anunciada aos poucos.
O primeiro passo é usar. Abra o aplicativo Gemini, peça para resumir um artigo, descrever uma foto ou explicar um conceito e observe onde ele acerta e onde escorrega.
Esse hábito de testar com desconfiança vale mais do que tutorial, e uma boa engenharia de prompt melhora muito o resultado; as nossas dicas para escrever um bom prompt ajudam nesse começo.
Para construir algo, o Google AI Studio permite experimentar os modelos e gerar o código de integração em poucos cliques. Para rodar IA na própria máquina, baixe um modelo Gemma e teste com os seus dados.
E, se a curiosidade for científica, a página da DeepMind reúne blog, podcast e publicações, e o banco de dados do AlphaFold pode ser explorado sem cadastro.
Para transformar interesse em carreira, o caminho passa por fundamentos de programação, dados e modelos de linguagem antes de qualquer especialização.
As carreiras da Alura organizam essa trilha, e o guia de especialista em IA mostra o que o mercado espera de quem trabalha com a tecnologia.
Vale lembrar que a DeepMind concorre com outros laboratórios, como a OpenAI, criadora do ChatGPT, ou a Anthropic, criadora do Claude. Conhecer mais de um ecossistema é parte de uma boa carreira em tecnologia.
Quem entende o que acontece por baixo do Gemini enxerga oportunidades que o uso casual não revela. Se você quer construir essa base, das redes neurais aos agentes, a carreira de Especialista em IA da Alura vai do primeiro conceito à aplicação prática, no seu ritmo.
Abaixo, separamos algumas das perguntas mais recorrentes entre usuários sobre o tema:
É o laboratório de inteligência artificial do Google, criado em Londres em 2010 e comprado pelo Google em 2014. Ele desenvolve modelos como Gemini, Veo e Gemma e conduz pesquisas científicas como o AlphaFold, que rendeu o Nobel de Química de 2024 aos seus criadores.
O aplicativo Gemini tem versão gratuita com limites de uso. Os planos pagos, Google AI Pro e Google AI Ultra, são assinaturas mensais com valores que variam por país. Para desenvolvedores, a API cobra por uso, com um nível gratuito para testes. Os modelos abertos Gemma não têm custo de licença.
Pelo Project Genie, no Google Labs. É preciso ter uma assinatura Google AI Ultra ativa e estar em um país onde o recurso já foi liberado, além de ter mais de 18 anos. Dentro da ferramenta, você descreve o mundo em texto ou envia uma imagem, explora o ambiente gerado e pode remixá-lo para criar variações. Não existe API pública do modelo até o momento.
Não. A DeepMind é o laboratório; o Gemini é o principal modelo que ela desenvolve. O laboratório também produz modelos de imagem, vídeo, música e robótica, além de sistemas científicos que não têm relação direta com o assistente de conversa.
Não. O aplicativo Gemini, o Veo e o Nano Banana funcionam por conversa e cliques. Programação passa a ser necessária apenas para integrar os modelos a sistemas próprios, via API, ou para rodar os modelos abertos Gemma localmente.
Avalie este artigo
Google I/O, desenvolvimento responsável e modelos multimodais – Hipsters: Fora de Controle #05
Ler mais
IA Generativa como ferramenta para estratégia de SEO Centrado no Usuário
Ler mais
MVP com IA: o que é e como criar o seu passo a passo
Ler mais
