DeepMind,deepmind

DeepMind巨额亏损的背后，今天的AI是否选对了方向？

对于AI这个未来绕不开的趋势，潮流，它绝对是人类最有用的发明，很多公司地研发，虽然暂时看不到表面的盈利，它只是阶段性的，而DeepMind造成巨亏损并不完全正确。尽管该部门没有任何产品，其主要支出部门是研究部门，但与其他平庸初创企业相比，谷歌以相当低的价格（6亿美元）收购了该部门，当时这些初创企业的销售价值超过数十亿美元。

事实上，这一举措为谷歌带来了千倍的回报。还记得AlphaGO吗？该软件程序击败了世界上最专业的Go玩家，甚至是世界冠军。Go是一款经典的中文游戏，每一步都有比宇宙中原子数更多的可能移动。这个游戏几乎不可能通过引导方法来解决，并且认为需要几十年才能通过计算机来解决。解决这些复杂的战略游戏为规划和优化问题开辟了许多新的机会。

随着谷歌以6亿美金收购英国非营利性研究机构Deepmind，投资必须得到回报。与AlphaGo一样，在复杂游戏中击败人类的相同类型的算法正在更实际的领域中应用。2017年，谷歌已经应用了Deepmind AI来提高其数据中心能效40％，这对谷歌每年花费数亿美元用于数据中心运营来说是巨大的。谷歌的尖端人工智能部门耗资数百万美元，但同时也允许谷歌同时节省数百万美元。

征服围棋后，DeepMind为什么把星际争霸当成了下个目标？

本周由来自Google DeepMind子公司的一组研究人员成功培训了能够在一场Quake III夺旗游戏中击败人类的AI选手。 这里面临的挑战是培训能够在不完整信息情况下导航复杂3D环境的AI。DeepMind的研究人员使用了一种AI培训方法，这种方法也成为标准：强化学习，基本上是通过大规模的试验和错误进行培训。

AI通过和人类玩家以及自己的克隆进行45万场游戏，获得了大量的学习机会，AI没有给出如何玩游戏的说明，而只是制定获胜所需的策略，通常这意味着一个版本的AI针对相同的克隆进行游戏。DeepMind通过培训30名AI团队来介绍游戏风格的“多样性”，从而为这个公式提供了额外的深度。以这种方式训练AI需要近五十万场比赛，每场持续五分钟。

2014年被谷歌收购后，DeepMind一直是独立发展的吗？

DeepMind于2014年被谷歌收购，是一家总部位于英国伦敦的人工智能公司，因研发了打败世界围棋冠军的Alpha Go而享誉全球。其子公司DeepMind Health主要研发医疗领域的各种创新技术和解决方案，通过机器学习和警告医疗服务帮助医疗机构处理各种医疗状况。今天DeepMind宣布旗下的健康部门、以及负责推进“Streams”（帮助医生更快识别和诊断患者病情的移动APP）的团队将调整合并到谷歌最新成立的“Google Health”部门中。

该部门由前Geisinger Health首席执行官David Feinberg带领，负责推进谷歌公司的各种健康计划。DeepMind表示，该公司致力于将“Streams”打造成为一款“面向护士和医生的人工智能助手”。该应用的团队成员依然留在英国伦敦，由前NHS外科医生和研究专家Dominic King博士带领。

DeepMind持续亏损之后，我们得考虑一下AI真的是未来吗？

DeepMind是世界上前沿的人工智能研究机构。在过去三年里，DeepMind的亏损超过了10亿美元。未来一年，还将偿还超过10亿美元的债务。但这并不意味着人工智能正在崩析！研究是要花钱的，DeepMind每年都在做更多的研究。投入的资金是巨大的，可能比以往任何人工智能项目的投入都要多，但与科学领域一些规模最大的项目所花费的资金相比，还远远算不上史无前例。

大型强子对撞机每年耗资约10亿美元，而发现希格斯玻色子的总成本据估计超过100亿美元。当然，真正的机器智能(也被称为通用人工智能)的价值远不止这些，它可以驱动一台像《星际迷航》(Star trek)那样的计算机，能够分析用普通英语提出的各种问题。尽管如此，DeepMind不断攀升的亏损规模还是值得深思的:2016年亏损1.54亿美元，2017年亏损3.41亿美元，2018年亏损5.72亿美元。

在我看来，有三个核心问题:DeepMind是否走在科学的正轨上?从Alphabet的角度来看，这种规模的投资是否合理?这些损失又将如何影响人工智能? 关于第一个问题，我们是有理由怀疑的。DeepMind将大部分鸡蛋放在一个篮子里，这种技术被称为深度强化学习。该技术将主要用于识别模式的深度学习与强化学习相结合，基于奖励信号进行学习，例如游戏中的分数或象棋等游戏中的胜利或失败。

 2013年，DeepMind在一篇论文中给这项技术取了名字，该论文展示了如何训练单个神经网络系统来玩Atari游戏，比如《Breakout》和《Space Invaders》，与人类的水平相当，甚至比人类玩得还要好。这篇论文是一篇工程杰作，可能是2014年1月DeepMind出售给谷歌的关键催化剂。

这种技术的发展推动了DeepMind在围棋和电脑游戏《StarCraft)》中取得了令人印象深刻的胜利。问题是，这种技术非常受限于于特定的环境。例如，在玩Breakout时，微小的变化就会导致性能急剧下降（比如将paddle up移动几个像素）。DeepMind星际争霸的结果同样受到限制，当在单个地图上玩具有单一“种族”角色的时，结果优于人类，但在不同地图和不同角色上的结果较差。

如果要切换角色，则需要重新训练系统。在某些方面，深度强化学习是一种涡轮增压记忆; 使用它的系统能够提供很棒的功能，但是他们对自己的工作理解很浅。因此，当前的系统缺乏灵活性，无法在世界发生变化时进行相应的变化，甚至是微小的变化也不行。(DeepMind最近关于肾病的研究结果也受到了类似的质疑)深度强化学习也需要大量的数据。

例如：数以百万计与自己对战的围棋游戏数据。这远远超过了一个人想要在围棋上成为世界级棋手所需要的数据水平，而且通常会非常困难或昂贵，往往需要谷歌规模的计算资源。这意味着，在许多实际问题中，仅计算一项对于大多数用户来说就太过昂。据估计，AlphaGo的训练时间花费了3500万美元;同样的训练将消耗的能量与12760个连续三天不睡觉的人脑消耗的能量相同。

 但这只是经济学。正如我和欧内斯特•戴维斯(Ernest Davis)在即将出版的新书《重启人工智能》(Rebooting AI)中所说：“真正的问题在于信任”。目前，深度强化学习只能在控制良好、很少出现意外的环境中进行;这对于在2000年规则都没有改变的围棋游戏来说是可行的，但是在许多实际情况中却不可以。

部分原因是，很少有现实世界的问题像DeepMind关注的游戏那样受到特定环境的限制，因此DeepMind还没有找到任何深度强化学习的大规模商业应用。到目前为止，Alphabet已投资约20亿美元(包括2014年报道的6.5亿美元收购价)。相比之下，不包括宣传在内的直接财务回报相对较低，去年的营收约为1.25亿美元，其中一些来自于在Alphabet内部应用深度强化学习来降低冷却谷歌服务器的电力成本。

 深度强化学习可以像晶体管一样，是一项改变世界的研究发明，也可以是“寻找问题的解决方案”。虽然适用于围棋的技术，但可能不适用于DeepMind渴望的用人工智能来解决具有挑战性的问题（比如癌症和清洁能源）。IBM也体会到了这一难点， 他们在将Watson项目应用于医学诊断时，收效甚微。Watson在一些病例上做得很好，但在另一些病例上却失败了，有时会错过像心脏病发作这样的诊断，而这对一年级医学生来说都显而易见。

当然，这可能只是时间问题。至少从2013年DeepMind就开始致力于深度强化学习的研究，甚至比这更早，但科学进步很少能在一夜之间转化为产品。DeepMind或其他公司可能最终会找到一种方法，通过深度强化学习来产生更深入、更稳定的结果，或许是通过与其他技术相结合——或许不是。最终，深层强化学习可能会像晶体管，成为彻底改变世界的企业实验室的研究发明，也可能是约翰•梅纳德•史密斯(John Maynard Smith)曾描述为“寻找问题的解决方案”的那种学术好奇心。

“我个人的猜测是，它最终将成为介于两者之间的一个有用而广泛的工具，但不会改变世界。 应该没有人会把DeepMind排除在外，即使它目前的战略不如许多人所希望的那么丰富。深度强化学习可能不是通往人工智能的坦途，但DeepMind本身是一个强大的机构，管理严密，资金充足，拥有数百名博士。它在《围棋》、《雅达利》和《星际争霸》中所取得的成就吸引了更多的人才。

即使人工智能领域的风向发生变化，DeepMind也会很好的适应。而且，很显然没有人能比得上它。 此同时，在Alphabet的大背景下，每年5亿美元并不是一个巨大的赌注。Alphabet明智地投资了其他AI项目，例如Google Brain，它本身也在快速增长。Alphabet可能会以不同方式改变其人工智能投资组合的平衡，但作为一家年收入1000亿美元、从搜索到广告推荐等一切都依赖人工智能的公司，Alphabet进行几笔重大投资并不疯狂。

最后一个问题，即DeepMind的经济状况总体上将如何影响人工智能，很难回答。如果炒作超过了实际效果，它可能会带来一个“人工智能冬天”，甚至连支持者都不愿意投资。投资界注意到了重大亏损，如果DeepMind的亏损继续以每年约两倍的速度增长， Alphabet甚至最终也可能退出。这不仅是钱的问题。目前为止，还缺乏切实的财务回报。

在某些时候，投资者可能被迫重新调整他们对人工智能的热情。不仅仅是DeepMind。就在几年前，许多有望实现的进步都还没有实现，比如能够自动驾驶的汽车，或者能够理解对话的聊天机器人。马克·扎克伯格(Mark Zuckerberg)在2018年4月向国会做出的人工智能将很快解决假新闻的承诺已经放缓，正如我和戴维斯所预测的那样：“Talk is cheap，最终对人工智能的热情程度将取决于所提供的回报。

” 就目前的机器智能而言，炒作比构建更容易。虽然在广告和语音识别等有限领域已经取得了巨大的进步，但人工智能还有很长的路要走。不能否认对大数据集进行合理分析的好处，即使在有限的形式下，人工智能已经是一个强大的工具。虽然企业界对人工智能并不乐观，但他们也不会完全退出。十年后，我们将得出结论，在21世纪的10时代，高估了深度强化学习，忽视了许多其他重要的研究领域。

谷歌DeepMind的人工智能技术，能够为风电厂带来多大的效益提升？

谷歌今日宣布，其位于伦敦的人工智能软件开发子公司 DeepMind 能够更好的预测风力发电厂的能源输出，从而大幅提升这种绿色能源的可用性。此前，谷歌已经与许多风电厂达成了绿色能源合作。但在人工智能和机器学习的加持下，该公司能够更好地预测风力输出。其表示，现可安排能量输出的设定交付。对于电网来说，这有助于大幅提升它的价值。

谷歌表示，与没有部署 AI 预测的情况相比，新方案可将风能的价值提升 20% 。谷歌没有给出确切的能源产出估值，也未披露这些风电场的位置。不过外界猜测，该公司主要与中西部的风电场展开了合作，因其在当地部署了一些数据中心。去年的时候，谷歌数据中心终于达成了采用 100％ 可抵消的可再生能源的目标。这在很大程度上得益于能源采购、以及风电场方面的投资。

可惜就风力发电而言，其利用效率仍难以与传统发电方案相媲美。因为风电厂每日的发电量，存在着一定的波动，而电网最被人们所需要的，就是可靠性。好消息是，DeepMind 产品经理 Sims Witherspoon 和谷歌无碳能源项目负责人 Will Fadrhonc 在博客文章中表示：尽管无法管控风力的变化，但早期结果表明，借助机器学习的力量，我们可以让风力发电变得更具价值和可预测。

此外，这种方法还有助于为风电场运营带来更大的数据严谨性，针对电力输出需求作出更智能、迅速的数据驱动型评估。其实早在 2016 的时候，谷歌就已经借助 DeepMind 的人工智能解决方案，将自家数据中心的能耗降低了 15% 。2018 年的时候，随着技术的进一步发展，谷歌赋予了人工智能系统更多的控制权。

DeepMind’s StarCraft 2 AI比人类玩家厉害吗？

DeepMind官方博客今天宣布其开发的人工智能已经解锁新成就--在暴雪娱乐游戏《星际争霸II》中称霸。这家隶属于谷歌的人工智能实验室开发出了升级版AlphaStar，拥有更加复杂的算法，在这款实时策略游戏上已经达到登峰造极的大师级别，可以击败99.8%的人类玩家。相关研究结果发表在科学杂志《Nature》上。

以上图片来自 DeepMind在官方博文中，DeepMind表示在今年夏季的时候通过在线竞技的方式，将全新升级的AlphaStar和其他选手进行公平竞争。首先，DeepMind培训AlphaStar使用游戏中所有三种可用种族，这增加了高级职业玩家的游戏复杂性。此外还限制AlphaStar查看人类玩家能够看到的地图部分，并将鼠标单击次数限定在每5秒内实现22次非重复动作的频率内，尽量和标准人类动作和反应报纸一致。