Deepmind 走在人工智能最前沿

DeepMind，這家全球數一數二的頂尖 AI 研發機構即將在 2020 年搬到新的總部大樓。這棟樓將配有一個雙螺旋樓梯直通圖書館 、一個屋頂花園、一個演講廳以及一組由數據與 AI 相關元素組成的大廳藝術品。不出意外的話，明年上半年便能投入使用。

Deepmind目前的總部位於倫敦國王十字區新址附近的谷歌大樓，此外在巴黎、艾伯塔省、蒙特利爾以及加利福尼亞州的山景城均設有小型辦事處。一旦 11 層高的 DeepMind 新總部建成（倫敦谷歌大樓也是11 層高），將進一步提升倫敦國王十字區的聲譽，成為倫敦所謂的“知識片區”——在這之前，谷歌、Facebook 和三星分別拿下了周邊的辦公位置。

“我希望新的總部有助於團隊蓄能、提高思考以及合作能力，這些恰恰是開拓科學研究不可或缺的養分。”DeepMind 創始人兼CEO如此說道。他補充，建立新總部的想法其實從 2015 年就開始有了，目的是為了創造有助於前沿研究、激發協同工作潛能的環境。

至於為何堅持留在倫敦？

DeepMind 顯然有自己的考量。

儘管英國的經濟普遍放緩，然而科技界卻依然蓬勃發展——據倫敦國際推廣機構的數據顯示，英國的人工智能公司在 2018 年獲得的投資高達 7.36 億英鎊，比起 2017 年的 4.99 億英鎊，增幅將近47%。“倫敦是歐洲的人工智能之都，其資本規模是周邊競爭對手巴黎和柏林的兩倍多。”更重要的是，DeepMind是一個典型“倫敦成功故事”，這個世界領先的人工智能團隊利用倫敦的資源創造瞭如今的成就。據瞭解，被谷歌收購時，DeepMind曾面臨是否遷往硅谷的壓力，後來創始人成功說服谷歌，表示DeepMind留在倫敦的話將有機會吸納來自倫敦周邊的高水平人才（如牛津大學、劍橋大學等），最終才被同意繼續留守倫敦。

雖然紮根在倫敦， DeepMind 卻未因此固步自封，而是頻繁走出海外，與更多優秀人才一起推進 AI 前沿研究的發展。

DeepMind 近年的海外佈局

DeepMind的海外辦事處最早可追溯至 2016 年，自 2014 年被谷歌以4億英鎊收購以來，DeepMind與谷歌總部之間一直缺少一個聯繫紐帶，最終決定在美國山景城成立一個由十幾名軟件工程師與研究科學家組成（2016年底數據）的工作點，以加強和谷歌總部之間的聯繫。

而DeepMind對外大張旗鼓公開宣傳的，都是與一些海外大學共同成立的實驗室/辦事處，其中加拿大佔了 2 所，巴黎 1 所。

2017 年 7 月，DeepMind 宣佈與阿爾伯塔大學聯手，在加拿大埃德蒙頓建立國際化的 AI 研究實驗室。加盟實驗室的成員包括來自阿爾伯塔大學的多名計算科學教授與人工智能研究員。據介紹，DeepMind阿爾伯塔實驗室將主要進行核心科學方面的研究。DeepMind 阿爾伯塔實驗室的首席研究員理查德教授被認為是現代計算的強化學習創立者之一。

2017 年 10月，即埃德蒙頓實驗室成立 3 個月後，DeepMind 又宣佈與麥吉爾大學合作，在蒙特利爾設立實驗室。負責領導蒙特利爾實驗室的是麥吉爾大學的計算機科學系副教授朵依娜——她同時還是加拿大高級研究院高級研究員以及 MILA 成員，擅長領域在強化學習，這正好也是DeepMind的專長之一。

2018 年 8 月，DeepMind通過推特和官方博客宣佈在法國巴黎設立一個新的人工智能實驗室。負責領導該實驗室的是DeepMind 的主要研究科學家、前巴黎理工大學教授的雷米姆諾斯。巴黎實驗室將重點關注基礎 AI 研究，同時在雷米之前的科研成果之上繼續發展，其中包括能夠讓單個 AI 系統學會執行多種不同任務的先進方法以及類似分佈式機器學習的基礎算法突破。

值得一提的是，加盟 DeepMind實驗室的成員一般都將保留自身在原來大學/組織的教職，同時DeepMind 也將委派制定成員前往協助組織的協調和管理事宜。此外，DeepMind 也會拿出真金白銀，投入到合作院校的具體 AI 研究項目中，可說是相當豪氣。

DeepMind 那些令人驚豔的出品

AlphaGo

被國人暱稱為“阿爾法狗”的AlphaGo是DeepMind的一鳴驚人之作。2016 年， AlphaGo 在古老的圍棋比賽中以4∶1的高分擊敗了世界大師級冠軍李世石，從此一炮而紅，並且二度登上《Nature》雜誌封面。許多專家認為，人類至少提前十年實現了這一壯舉。對於DeepMind 以及世界圍棋界而言，最激動人心的是AlphaGo在博弈過程中所表現出來的創造力，甚至有時候它的招數對古老的圍棋智慧都造成了挑戰。要知道，一直以來圍棋都被認為是最需要人類深思熟慮的遊戲之一， AlphaGO的勝利彰顯了人工智能的巨大可能性。

可微分計算機 DNC

2016 年，DeepMind在存儲領域也取得了不小的進步，尤其是在解決如何將神經網絡的智能決策和複雜結構化數據的存儲、推理能力結合起來的難題。實驗室團隊提出了可微分神經計算機的神經網絡模型（簡稱 DNC）。這種新型模型將神經網絡與可讀寫的外部存儲器結合，既能像神經網絡那樣通過試錯和樣本訓練進行深度學習，又能像傳統計算機一樣處理數據。目前，這些模型已經學會回答有關數據結構的問題。DeepMind 表示，這讓人類距離使用人工智能在複雜數據組中進行科學發現又近了一步。

WaveNet

公司的研發團隊在發表了圖像生成PixelCNN論文之後，又發佈了最新原始音頻波形深度生成模型音頻WaveNet 的研究論文。WaveNet 是一種卷積神經網絡，能夠模擬任意一種人類聲音，生成的語音聽起來比現存的最優文本（語音系統）更為自然，將模擬生成的語音與人類聲音之間的差異降低了50%以上。這種深度生成模型能夠模仿人類的聲音，生成的原始音頻質量優於目前谷歌採用的兩種最優文本。由於WaveNet 不是將錄下的語音樣本拼接起來，而是創造出新的音頻波形，所以它很有可能會實現世界上最動聽的語音合成。

目前，DeepMind 正計劃將這一成果融入谷歌產品中，藉此提升數百萬用戶的產品體驗。

AlphaStar

AlphaStar 是一個把遊戲看作長序列建模學習任務的強化學習智能體，它的模型設計也就以長序列建模能力為核心。模型從遊戲接口接收的數據是單位列表和這些單位的屬性，經過神經網絡計算後輸出在遊戲中執行的指令。這個神經網絡的基礎是Transformer網絡，並且結合了一個深度LSTM網絡核心、一個帶有指針網絡的自動迴歸策略頭，以及一箇中心化的評分基準。這樣的網絡架構是DeepMind對複雜序列建模任務的最新思考結果，他們也相信這樣的先進模型可以在其他需要長序列建模、有很大行動空間的機器學習任務（比如機器翻譯、語言建模和視覺表示）中同樣發揮出優秀的表現。

AlphaStar 使用神族的角色，在星際爭霸2的職業級比賽中，以5∶0的戰績打敗了職業選手 TLO，然後經過更多訓練後，在2018年12月19日再次以 5∶0 的比分完勝同一個戰隊的職業選手 MaNa。

AlphaFold

蛋白質的3D形態取決於它所含氨基酸的數量和類型。蛋白質的結構也決定了它在機體中的作用。生命體的功能基本是由正確摺疊的蛋白質來執行的，蛋白質的錯誤摺疊不僅會使其失去原有生物學功能，也會引起一系列重大疾病，如阿爾茨海默病、帕金森病等神經退行性疾病。瞭解蛋白質的3D結構可以為人類理解這些疾病提供重要的基礎，進而幫助科學家設計出新的蛋白質來對抗疾病。

為了構建AlphaFold，DeepMind在數千種已知蛋白質上訓練了一個神經網絡，直到它可以通過氨基酸預測蛋白質3D結構。鑑於要預測新的蛋白質，AlphaFold使用神經網絡預測氨基酸對之間的距離，以及連接它們的化學鍵之間的角度。然後，AlphaFold調整初步結構以找到能效最高排列方式。此外，DeepMind 還訓練了另一個獨立的神經網絡，該網絡能利用集群中的所有距離來估計預測結構與實際結構間的差距。DeepMind將AlphaFold提交到了國際蛋白質結構預測競賽，第一輪比賽於98名參賽者中排名第一，從43個蛋白質中預測了25個蛋白質的精確結構。

DeepMind 的未來

根據公開年報顯示，DeepMind在2017年的稅前虧損金額高達3.68億美元，在2016年，這個金額則是1.64億美元。其中2017年的員工成本開支高達2.6億美元，與2016年的1.36 億美元相比，增幅高達91%。此外，正如上文提及的，DeepMind 還會把錢投入到院校的具體AI研究項目當中，這個金額在 2017 年高達1067萬美元，而2016 年時這個金額卻只有40.8萬美元。

由於 AI 研究通常比較前沿，很難迅速為實驗室帶來創收，還得為了科研成果不停“燒錢”，因此過去不停有人揣測DeepMind與谷歌之間的關係。比如Facebook首席 AI 科學家就曾經公開質疑其過於“孤立”，同時一直未能向谷歌證明其價值。

不過，11 層新總部大樓的落成從側面表明，谷歌依然願意為DeepMind的價值買單。我們也期待搬了新大樓的 DeepMind能夠繼續帶來更多突破性的研究成果。

摘自環球網