首页 > 科技未来 > 内容

三年亏损10亿美元，谷歌DeepMind出了什么问题？

发布于：2024-06-18 编辑：匿名来源：网络

Alphabet旗下的DeepMind或许是人工智能领域全球领先的公司，去年亏损了5.72亿美元，并且在过去三年中持续亏损超过10亿美元。

这是什么意思？人工智能正在走向崩溃吗？其实并不是。

众所周知，研究是最昂贵的；因此，DeepMind每年都会投入大量资金，甚至比之前任何相关项目的金额还要大。

也就是说，值得考虑的是 DeepMind 不断上升的亏损规模：去年为 1.54 亿美元，去年为 3.41 亿美元，去年为 5.72 亿美元。

这涉及到三个核心问题：DeepMind在科学上是否走在正确的轨道上？从 Alphabet 的角度来看，如此规模的投资是否合理？这种损失会影响整个人工智能吗？深度强化学习的局限性雷锋网注：上图为AlphaGo对战李世石对于第一个问题，人们有理由表示怀疑。

DeepMind 专注于深度强化学习，这是一种将主要用于模式识别的深度学习与基于奖励信号的强化学习相结合的技术。

2016 年，DeepMind 在一篇令人兴奋的论文中将这项技术命名为“深度强化学习”，该论文展示了如何训练神经网络系统来玩各种 Atari 游戏，例如 Breakout 和 Space Invaders；不可否认，有时它们比人类玩得更好。

这篇论文是一篇工程杰作，可能是 Alphabet 一月份收购 DeepMind 的主要原因之一。

随后该技术得到进一步发展，为 DeepMind 在棋盘游戏围棋和星际争霸游戏中取得胜利提供了动力。

问题在于该技术非常依赖于上下文：在玩《Breakout》时，即使是很小的变化，例如将游戏中的球拍向上移动几个像素，也会导致游戏性能急剧下降。

DeepMind 在星际争霸游戏中的胜利也有同样的局限性——当使用特定地图和特定“种族”角色时，结果优于人类；当使用不同的地图和不同的角色时，结果会更糟。

如果你想改变角色，你必须从头开始重新训练系统。

在某种程度上，深度强化学习是一种涡轮增压的记忆，使用它的系统可以实现人们认为不可思议的目标，但他们自己对自己所做的事情只有肤浅的了解。

因此，当前的系统缺乏灵活性和在情况变化时进行调整的能力。

深度强化学习也需要大量的数据。

例如，AlphaGo在训练过程中参加了数百万场围棋比赛，这远远超过了一个人成为世界级围棋选手所需的数量；而实现这一目标需要巨大的计算资源，而且成本高昂。

——据估算，训练AlphaGo的费用为1万美元。

不过，这些都是基于经济考虑。

正如《重启人工智能》一书所说，真正的问题是信任。

目前，深度强化学习只能在严格控制的环境中进行，几乎没有什么惊喜；在一个几千年没有变化的环境中运行也许是可行的，但在现实生活中，人们可能不会想到这一点。

依靠它。

商业上鲜有成功雷锋网注：上图为DeepMind创始人兼CEO Demis Hassabis。

由于现实生活中像DeepMind这样专注于游戏的AI项目并不多，因此DeepMind目前还没有对深度强化学习进行大规模的研究。

商业应用。

Alphabet已向DeepMind投资约20亿美元，其中包括2016年为收购支付的6.5亿美元；相比之下，DeepMind 去年的收入约为 1.25 亿美元。

此外，适用于围棋的人工智能技术可能不适合解决其他具有挑战性的问题，例如癌症和清洁能源。

当然，这可能只是时间问题——DeepMind 至少从 2010 年起就一直致力于深度强化学习，科学进步很少能在一夜之间转化为商业产品。

DeepMind 可能最终找到一种方法，通过深度强化学习产生更深入、更稳定的结果。

最终，深度强化学习可能会像晶体管一样被证明是一项改变世界的发明。

尽管DeepMind目前的策略并不像人们希望的那样丰富，但它仍然是深度强化学习领域的领导者；而DeepMind管理完善，资金雄厚，拥有数百名博士，在游戏和围棋方面取得了巨大成功。