DeepMind烧钱的2018：负债超12亿美元、亏损达5.72亿美元机器之心报道参与：杜伟、张

机器之心报道

参与：杜伟、张倩

近日，英国公司登记处（Companies House）的一份文件披露了DeepMind 2018 年的财务状况：这家总部位于伦敦的人工智能公司营收几乎翻了一番，由2017 年的6620 万美元增加至2018 年的1.251 亿美元，但净亏损也由2017 年的3.41 亿美元增加至2018 年的5.72 亿美元。此外， DeepMind 今年的到期债务高达12.656 亿美元，其中包括需要向Alphabet 偿付的10.746 亿美元债务。

----DeepMind烧钱的2018：负债超12亿美元、亏损达5.72亿美元//----[ http://www.caoding.cn]

钱都烧到了哪里？

面对如此庞大的债务和亏损数字，我们不禁要问， DeepMind 的钱都烧到了哪里？

作为一家计算密集型公司， DeepMind 在算力方面的开销不容忽视。据统计，从2012 年到2018 年，最大型的AI 模型训练所消耗的算力增长了30 万倍，每3.5 个月翻一倍，远远超过摩尔定律的速度。据《连线》报道，仅2017 年， DeepMind 就烧掉了4.42 亿美元。面对同样问题的还有OpenAI ，后者为寻求资金和算力支持，于上个月展开了与微软的合作，获得了微软10 亿美元的投资。

除了算力之外，人力成本高企也是DeepMind 负债累累的一大因素。根据彭博社披露的数字， DeepMind 的员工支出去年高达4.84 亿美元，较2017 年几乎翻了一番。新闻网站Forbes 分析道，雇佣数百名昂贵的研究人员和数据科学家是造成DeepMind 巨额亏损的一大原因。「亚马逊、苹果、Facebook 正与DeepMind 和谷歌展开一场代价昂贵的战斗，他们雇佣全世界最好的AI 专家，旨在开发能够变革产业的自学习算法。」

过度专注AGI ，变现能力差

DeepMind 创立于2010 年，是一家位于英国伦敦的人工智能前沿公司。 2014 年，谷歌母公司Alphabet 斥资5.2 亿美元收购了DeepMind 。之后一年，该公司开始从事医疗保健研究，并最终成立了一个专门负责该领域的部门——DeepMind Health 。

----DeepMind烧钱的2018：负债超12亿美元、亏损达5.72亿美元//----[ http://www.caoding.cn]

谷歌收购DeepMind 的初衷是通过资本化手段拥有世界最多的AI 人才，在收购之初允许DeepMind 独立管理。但自收购以来， DeepMind 对谷歌的贡献并不是很大，尤其在商业化方面。因此，在2018 年11 月，谷歌宣布将DeepMind Health 调整合并至Google 旗下Google Health 部门，

不再作为独立部门运营

，其他部门仍将保持独立。

对此， DeepMind 发言人表示，这是一项合理的转变，因为DeepMind 的专业知识是AI 研究，而谷歌擅长「规模化」（scaling），即将该服务推广到数亿人。由此可见， DeepMind 也承认，「变现」是自己的短板。

那么如此优秀的一家公司为什么会出现这种情况？据Forbes 报道， DeepMind 的一个竞争对手表示， DeepMind 过于迷恋解决「通用智能」的这一长期目标，这使得该公司无法专注于解决短期的现实世界问题，而后者才有潜力转化成产品。

「DeepMind 的商业化研究有很大缺陷。他们构建的是一所大学实验室，这很好，但我们终归需要赚钱。」总部在剑桥的AI 创业公司Prowler.io 的高管Haitham Bou-Ammar 表示。

Prowler.io 开发了一个用于物流和金融公司的决策平台， 2018 年收益有望超过500 万美元。其高管Bou-Ammar 表示DeepMind 需要将注意力从构建「解决一切问题的通用黑箱」转向「流程方法」。

Bou-Ammar 的意思是：与其专注于单一目标，不如将其分解成多个易于管理的小目标。但他补充说， DeepMind 基本上没有集中足够的精力来解决现实世界问题。「每个人都说自己要更多地关注商业应用，但似乎并没有这么做。」他在谈到AI 社区的其他人时说道。

DeepMind 在人工智能的一个特定方法上太过专注，即深度学习神经网络。招聘更多具有不同观点的研究员对DeepMind 可能有帮助。 Bou-Ammar 补充道。

虽然人工智能的「深度神经网络」方法是受到大脑和神经科学的启发，但还有其它的机器学习方法，其中包括多智能体系统方法（在模拟环境里将制定决策的任务分配给单个智能体）、进化算法或胶囊网络（capsule network）。

研发能力无与伦比

虽然变现能力差，但作为一家注重AI 基础研究的公司， DeepMind 在游戏、医疗、图像合成等诸多领域都取得了重大突破。

游戏

谈及围棋比赛，很多人可能都会想到著名的AlphaGo（阿尔法围棋）。这是第一个击败人类职业围棋选手、战胜围棋世界冠军的人工智能机器人，由DeepMind 公司开发。

2016 年3 月，阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4 比1 的总比分获胜；2017 年10 月， DeepMind 团队又公布了增强版AlphaGo——AlphaGo Zero 。据称，这一版本的AlphaGo 无需任何人类知识标注，在历时三天，数百万盘的自我对抗之后，它可以轻松地以100 比0 的成绩击败李世乭版本的AlphaGo 。

----DeepMind烧钱的2018：负债超12亿美元、亏损达5.72亿美元//----[ http://www.caoding.cn]

2017 年， DeepMind 宣布开始研究打即时战略游戏《星际争霸2》的人工智能。今年1 月， DeepMind 的AlphaStar 终于首次在世人面前亮相。但在对阵人类职业玩家、前WCS 亚军MaNa 的一场比赛中，人工智能却被人类「狡诈」的战术迷惑，遗憾落败。 AlphaStar 的行为是由一种深度神经网络生成的，该网络从原数据界面（单位列表与它们的特性）接收输入数据，输出构成游戏内行为的指令序列。此外， AlphaStar 也使用到了全新的多智能体学习算法。

今年6 月， DeepMind 继续发力，提出基于self-play 的新智能体——For The Win（FTW），该智能体在《雷神之锤》游戏中的团队合作表现甚至能够超越人类水平。 FTW 借助卷积神经网络直接根据屏幕上的像素学习，该卷积神经网络是一组根据视觉皮层模型分层排列的数学函数（神经元）的集合。

医疗

DeepMind 不断地将人工智能技术应用到最具挑战性的医学研究问题之中，并取得了一些令人瞩目的进展。

自2016 年起， DeepMind 持续与英国国家卫生服务（National Health Service ， NHS）医院展开合作，研究能够从医学图像中诊断眼病和发现头、颈癌的算法。

2018 年2 月， DeepMind 与美国退伍军人事务部（Department of Veterans Affairs）医学研究合作伙伴关系，致力于研究能够预测哪些患者有因急性肾损伤和其他疾病而突然恶化的风险的算法。

2018 年8 月， DeepMind 发布博客宣布其与伦敦摩尔菲尔兹眼科医院（Moorfields Eye Hospital）联合研究的第一阶段成果，该成果将改变眼部疾病的治疗。他们将深度学习应用到眼部疾病的诊断，并为患者与医师提供可解释性的分析图，因而人类能理解深度网络到底是如何诊断眼部疾病的。

2018 年12 月推出的AlphaFold可以仅根据基因「代码」预测生成蛋白质的3D 形状。 DeepMind 表示， AlphaFold 是「公司首个证明人工智能研究可以驱动和加速科学新发现的重要里程碑」。

----DeepMind烧钱的2018：负债超12亿美元、亏损达5.72亿美元//----[ http://www.caoding.cn]

本月， DeepMind 在《Nature》上发表论文，发布了一种新的人工智能算法，可以提前两天预测急性肾损伤。通过和美国退伍军人事务部一起合作，研究人员开发的这种技术能够在急性肾损伤（AKI）发生前48 小时向医生发出警告。结合DeepMind 开发的移动医疗助手「Streams」上的服务进行评价，这种人工智能算法可以提升病人的医护水平、减少医疗开支。

图像合成

除了游戏、医疗领域之外， DeepMind 在图像合成方面取得的成果也令人瞩目。

去年9 月， BigGAN 横空出世，能够生成真假难辨的图像，被称为「史上最强GAN 图像生成器」。相关论文也被ICLR 2019 收录为Oral 论文。今年2 月，作者又发布了速度更快的新版BigGAN——BigGAN-deep ，网络深度是原来的4 倍、模型参数仅为原来的一半，在一些较难类别上的表现也优于原版。

BigGAN 及其加强版的问世让我们看到了DeepMind 在图像合成领域的突破进展，但该公司并没有止步于此，而是寻找更加多样的解决方法。

今年6 月， DeepMind 的研究人员发表论文表示，他们利用VQ-VAE 生成了可以媲美BigGAN-deep 的图像，而且图像多样性上要优于BigGAN-deep 。该模型借助图像压缩方面的概念，将像素空间映射到量化的离散空间，从而进一步借助自编码器的结构学习怎样生成高清大图。