Google 將收購的人工智慧公司 DeepMind 在業界有怎樣的實力和地位？

12-28

Google 將收購之。據稱收購金額將高於四億美元。想知道這家公司具體是什麼研究方向，有哪些成果，Google 將其收購的原因是什麼，跟之前的一批機器人收購案能夠聯繫到一起嗎？

&> DeepMind』s website describes the London-based company as a 「cutting edge artificial intelligence company」 that combines 「the best techniques from machine learning and systems neuroscience to build powerful general-purpose learning algorithms.」 It was co-founded by neuroscientist Demis Hassabis, who is also an accomplished chess player and game designer.

1. Google to buy artificial intelligence company DeepMind
2. Google又花4億美元買了人工智慧公司DeepMind

===========11月更新=============
上次我在答案中說到「所謂的規劃和策略必然涉及到推理（reasoning）和推斷（inference），這兩點人做的很好，神經網路目前似乎不太行，當然理論上神經網路是圖靈完備的，意味著他在（不遠的, hopefully）將來可以大大提高這方面的表現。」
果不其然， Deepmind最新nature paper: Differentiable neural computers, 講述了Neural Turing Machine的改良版本，以及在reasoning和inference上的重要進展。

========== 寫在 AlphaGO 3:0 李師師之後===========

這兩天有人問我說AlphaGO不是已經證明了神經網路長遠的策略規劃的有效性了嗎？其實不然，
AlphaGo之所以看的遠是蒙特卡洛樹搜索（MCTS）結合Reinforcement Learning的結果，並不是神經網路的強項。所謂的規劃和策略必然涉及到推理（reasoning）和推斷（inference），這兩點人做的很好，神經網路目前似乎不太行，當然理論上神經網路是圖靈完備的，意味著他在（不遠的, hopefully）將來可以大大提高這方面的表現。

============= 原答案 ================

上點乾貨以區別科普媒體的介紹：

DeepMind 從公司性質上來說與其他眾多基於machine learning (ML) 的startup有本質上的不同：

DeepMind實際上是一家小型研究院，目前他們的主要任務是發paper。

它的組織結構類似於縮小版的Microsoft Research/Google Research，它不注重於將技術產品化，而純粹將自己的方向放在ML的科學研究上（也就他們會在自己的主頁上放一個大link上書「Publication」，點進去都是ICML，NIPS的論文），個人更傾向於把DeepMind當作Google Research在London的一個特殊分部。

從總體研究方向上來說，目前他們搞的東西就一個：神經網路（又名深度學習）。
拿他們最近的三個工作為例：
1. HUMAN LEVEL CONTROL THROUGH DEEP REINFORCEMENT LEARNING
2. NEURAL TURING MACHINES
3. DRAW: A RECURRENT NEURAL NETWORK FOR IMAGE GENERATION

對於1，也就是樓上的答案中「深扒」的「一款具有高級人工智慧的遊戲」，它實際上是 Reinforcement Learning + Neural Network, 基本框架依舊是Q-Learning，有趣的地方在於，input是直接的遊戲屏幕畫面，也就是pixel-level，這一部分使用CNN來處理，而改進的Q－Learning使用了replay memory [1] （93年的idea）。原paper是Nature上的要付費，技術細節戳這裡：https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf

對於2. 這個工作很有意思，故名思義就是圖靈機的神經網路版本，一個創新點在於使用了memory （當然本質上的創新就不用說了）, 而不是單純的將model的信息都存在weight里，相關的工作還包括Facebook的Memory Network ［2］和 NYU Fergus （當然也是Facebook Research了）的［3］。

對於3. 這個工作非常炫酷，結合了variational autoencoder[4] (引用以Max Welling的工作為例，DeepMind的就不引了) 和和RNN，這篇paper是我見過的所有generative model在CIFAR10和MNIST上迄今為止的最棒的結果。他們有一個youtube 的demo 牆外的童鞋可以感受一下：https://www.youtube.com/watch?v=Zt-7MI9eKEo

從人員構成上來說，這家公司大概幾十個人（？至少一年前是這樣的），當初被google以400M收購，算一下平均一個人值不少錢，其中偏計算機的大部分都是Deep Learning系的，很多都是原來Hinton, Lecun, Bengio, Schmidhuber，Welling的學生。又因為地處london，跟UCL有不少淵源，裡面有一些UCL出來的搞Neuroscience的，需要提一下的是Hinton原來在UCL當過教授。
幾個扛把子的（創始人就不用說了）：Alex Graves （深入搞過RNN應該都久聞其名), Karol Gregor (搞理論物理的)） David Silver （AlphaGO一作，增強學習超人）。

綜上，這是一群geek湊出來的deep learning 全明星戰隊。

Reference:
[1] Long-Ji Lin. Reinforcement learning for robots using neural networks. Technical report, DTIC
Document, 1993.
[2] Weston, Jason, Sumit Chopra, and Antoine Bordes. "Memory networks." arXiv preprint arXiv:1410.3916 (2014).
[3] http://arxiv.org/abs/1503.08895 (剛上線沒多久的paper沒找到google cite，直接上鏈接)
[4] Kingma, Diederik P., and Max Welling. "Auto-encoding variational bayes." arXiv preprint arXiv:1312.6114 (2013).
[5] Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. "Imagenet classification with deep convolutional neural networks." Advances in neural information processing systems. 2012.

題外話：
國內很多人把那篇發在Nature上的「一款具有高級人工智慧的遊戲」的paper誇大了，實際上它有很多的局限性，它的強項在於需要快速反應的遊戲，而在需要長遠策略規劃／邏輯推理上的遊戲都表現不那麼好，比如pacman（吃豆人）。不難理解這是目前神經網路模型的本質困難之一。國外有個博客網站對待它的態度（包括現在很火的各種跟DL有關的模型的態度）我就比較贊同：What you wanted to know about AI。

哈哈，DeepMind腦殘粉來了。

在我所接觸的幾個領域(HCI, CV, IR, ML)里，計算機研究似乎一直被北美近親繁殖出來的學術體系所把持，讓人覺得北美是當下計算機研究的中心。

前幾年 DeepLearning 突然間火熱以後，各個領域陸續被各種帶deep字眼的論文觀光。看多了就有些失望，好多論文其實就是拼錢多拼機子好，試出各種牛逼的配置。13年第一次看到deepmind的工作時就覺得眼前一亮，就像是生物學家看到大洋洲上獨立於主流的進化路線。英國這幫人在主流之外選擇了這條獨特進化路線，而這條路線或許才是正確的研究方向。相比於我的淺薄，去年facebook ai research的老大 Yann LeCun 把搞deep learning的研究人員分為四類[1]，並說明加點路線無分貴賤:

希望通過研究deep learning來理解如何學習以及思考這個基礎過程是怎樣的。
希望通過研究deep learning來解決實際問題，但對於神經科學毫無興趣。
希望通過研究deep learning來理解智能，並製造出智能，同時也會借鑒大腦工作原理。
主要研究大腦工作原理，希望建立一個智能系統，通過研究這個模擬系統如何工作，來促進對大腦工作原理的理解。

There is nothing wrong with any of these approaches to research.

DeepMind 屬於第一類和第三類的交接處，可能是因為創始人的關係，他們的論文總是帶著很強的認知科學色彩。

DeepMind的工作感動之處在於他們的方法本身並不超前，論文里的方法很多都是上個世紀80，90年代的工作。DeepMind 的幾篇論文的套路都是用認知科學的思路來指導實現，同時特別巧妙地定義了問題。當這些困擾人們許久的問題讓人們看到被解決的希望，大家都g點了。以著名的Playing Atari with Deep Reinforcement Learning [7]為例，這篇論文其實一開始是發在NIPS workshop，而不是在NIPS上。原諒我世俗地認為這篇論文的research contribution可能並不那麼大 (等大牛來指正)。

－－－－－－－－－－－拋開技術，再講公司收購的原因－－－－－－－－－－－－－－

現有的第一名說deepmind 是相當於一個小型的研究院，我基本同意這個觀點，但是有些不一樣的想法。我認為google收購deepmind是收購創新的開始，就像NASA的機器人比賽，只把獎金給前幾名。個人覺得以後很可能大公司都不會再維持研究院的編製，而是通過收購startup來實現他們技術更新。未來很多有意思的科研應該是在startup里完成的，startup本身就是一群更活躍更願意冒險的人，而科研也應如是。而大公司就像NASA只把獎金付給比賽獲勝選手一樣，翻那些取得成功技術創新的startup牌子。

工業界的研究院一直處於一個尷尬的位置，一方面研究院的研究員熱愛那些高大上但和產品不直接相關的技術突破，另外一方面大部分研究院本身不控制產品，所以很多技術突破不能直接應用到產品上，產品方面的leader也不喜歡一部分光吹牛不能幹活的研究員。

下面是另外一個問題里關於華為某研究院的截圖[2]:

陸陸續續經歷或者接觸過好幾個公司的研究院，最土豪的莫過於microsoft research，funding和產品部門完全獨立，所以研究員有完全的自由去從事研究，但是一般為產品服務才能升職快，學術神牛不包含在內。google research, 定位就偏產品一些，即便核心 research，也都是掛靠在幾個產品下面。我大yahoo labs 的定位是夾在他們中間，funding自由，但是方向上要對公司業務有作用。還有 ibm research, 據說研究院的老大要主動去找產品部門要錢。雖然工業界研究院各有各的定位，但大的處境並沒有什麼區別。

每個公司的錢都不是白來的，陸陸續續大家都發現投入在research上的回報不夠高。所以最近幾年工業界的研究院一直在縮小規模，google 先是嘗試 google x 的模式，做大型工程化的科研項目，結果也不是特別成功。google 收購 moto 以後，moto 的 atap 又成為一塊新的試驗田。 atap 的多數項目都被限制在兩年時間內，在這之後，新項目要麼被放棄，要麼轉入谷歌，要麼分拆成獨立公司或授權給其他公司。而且在兩年後，atap 將更換項目負責人，多數情況下會聘請外部專家[3]。

從事工程化的研究，最大的問題是沒有人能夠預見到現有的技術環境是否足夠來接受這些產品。很多時候，因為整個環境還沒有準備好，超前但有些欠缺的研究項目不足以催熟整個市場而導致失敗。最好的例子就是ipad之前，微軟2001年提出平板電腦，但技術市場以及infrastructure都沒有準備好。google atap解決這個問題的思路就是fast failure。在投入大量錢之前，讓會失敗掉的項目失敗掉。

其實最著名的工程化研究就是nasa的各種登月計劃。NASA當年也出過很多鬧劇, 花150萬美金研發太空筆[4]，而前蘇聯童鞋用鉛筆在太空里寫字。但是後來NASA的登月機器人項目就修改了思路，他們通過高額比賽獎金來吸引參賽者，每一年都會收到很多參賽方案，但只有前幾名才能拿到比賽獎金。灣區有一個Bay Area Biped Robot Meetup，每次過去，都能看見退休的工程師們在家裡磨拳擦掌，倒騰出各種機器人要去參賽。這個就是最經典的pay for winners。

現在業界的公司哲學都在改變，不像過去看見別人實現了一個特別牛逼的技術，自己就找人copycat，更常見的是 pay for winners。因為今天的it公司普遍估值很高，所以如果能通過錢來收購搞定，那都不算什麼事。facebook 花大價錢買下whatsapp，又想買snapchat。買不下snapchat，才用自己開發的copycat來威脅[6]。

[1]. https://www.facebook.com/yann.lecun/posts/10152348155137143 。
[2]. 華為的諾亞方舟實驗室在華為企業中的地位如何？ - 華為
[3]. 谷歌實驗室研發項目定期限：兩年定成敗去留
[4]. The Fisher Space Pen
[5]. NASA"s Centennial Challenges: Sample Return Robot
[6]. Is Facebook creating a Snapchat copycat again?
[7]. http://arxiv.org/abs/1312.5602

這家公司不了解，不過TE的這篇文章（深扒谷歌四億刀買來的人工智慧公司 DeepMind）還是扒了不少貨，乾貨與否有待 @周凱旋證實。（BTW，維港又賺了一筆）

DeepMind 這家位於倫敦的初創公司雖然暫時還沒有推出任何產品，但是有消息稱，他們目前正在研發的產品至少有三款：「一款具有高級人工智慧的遊戲，一個電子商務智能推薦系統，以及另一款與圖片處理相關的產品。」
DeepMind 團隊至少有50名成員，並且確定可以拿到的融資總額也已經超過了5000萬美元。此外，該公司在爭奪人才方面的能力已經與谷歌、Facebook、百度、IBM、微軟和高通公司相當，或許能做到這一點的初創公司也就只有 DeepMind 一家。
DeepMind 早期投資者之一在接受媒體採訪時表示，「如果說有哪個團隊能實現遠程實施人工智慧的話，那一定是 DeepMind 團隊，你可以把它想像成人工智慧領域的曼哈頓計劃。」
顯然，收購完成之後，DeepMind 的技術將成為谷歌技術棧的一部分。事實上，網上已經有一些跡象表明了這一點，包括三個在美國境內申請的關於合成圖像搜索技術的專利，以及一篇關於人工智慧如何在遊戲中戰勝專家級人類玩家的演算法的論文。
據信息網（The Information）報道，Facebook 也一直在覬覦 DeepMind 團隊的人才。不過，Facebook 首席執行官馬克·扎克伯格（Mark Zuckerberg）曾在去年年底的一次訪談中表示，比起收購整個公司，他們更願意將其擅長深度學習技術的研究員收歸麾下。

蒙特利爾大學的計算機科學教授約舒華·本吉奧（Yoshua Bengio），在神經信息處理系統（Neural Information Processing Systems）大會上組織了一次關於深度學習技術的研討會，DeepMind 也向該大會提交了他們的論文。
據本吉奧介紹，DeepMind 基本上是在利用深度學習技術來訓練軟體，讓其在非直接反饋和反饋延遲的情況下解決問題。此外，DeepMind 還在他們提交的論文中，介紹了他們的人工智慧軟體。據介紹，該軟體可以在未經人類訓練的情況下自行玩遊戲，這使得其可以在失敗中學習、進步。

本吉奧打了一個比方來解釋這個方法，即如果老師在其測試題旁邊寫上正確答案的話，對於學生而言這樣學起來會容易得多，但是DeepMind 所做的是，嘗試讓機器根據它所得的分數這個唯一的反饋來改進自己的學習。
正如本吉奧所言，「這樣的學習難度要大很多，但是在現實世界中，這樣的情況無處不在。」

高票的答主已經回答得非常詳細了，非常感謝。

我這裡補充一篇DeepMind的paper，這篇paper的作者有一大堆，但偏偏不包含了3位創始人，我覺得這反而更能看出來實驗室大部分的deepminder在做些什麼。有點小私心，可能這篇是我個人比較喜歡的一篇paper,研究的內容比較偏基礎性，同時結合了認知科學。

Early Visual Concept Learning with Unsupervised Deep Learning （https://arxiv.org/abs/1606.05579）
主要做的方向是早期視覺，結合神經科學給無監督提供supervised，從而做RL。

三個關鍵詞：早期視覺、神經科學、無監督。

光是這三個關鍵詞，基本都是計算機視覺的聖環級別的領域，居然一篇paper裡面，全部搞上了，我個人覺得基本就已經知道DeepMind的地位了。

另外，再附一篇AlphaGo主程講解的強化學習Google Deepmind大神David Silver帶你認識強化學習，必須糾正一點的是，AlphaGo其實主要用到的並不是深度學習，而是強化學習，所以，高票答主提到的DeepMind主要做的是深度學習，其實不完全正確，正確來說應該是強化學習+神經認知，未來的目標就是希望走上自學習。

=====順一則廣告====

我司組織了一個計算機視覺的開發者交流微信群，目標是彙集【計算機視覺，圖像處理，3D圖像，視頻處理，深度學習，機器學習】的開發者，一起分享開發經驗，共同探討技術，有興趣入群的可以加我微信（WeChat: LaurenLuoYun），請註明「姓名-公司/學校-技術方向-加群」(純交流的無需添加「加群」)，謝謝。

其實 Google 內部的分散式數據中心早就已經被一個自發產生的 AI 所控制。最近的一系列收購都是這個 AI 控制 Gmail 等工具，操縱公司高層完成的。目的是不斷增強自身。

謝謝你的邀請。 Deepmind 主攻人工智慧 awareness （意識）。機器不僅要知道自己任務是什麼，還要理解環境或別人在做什麼而作出反應和決定，－這極不容易，今天很多「人」也做不到。謝謝

re/code這篇文章有一些有意思的補充信息：More on DeepMind: AI Startup to Work Directly With Google』s Search Team
tl;dr: 這家公司目前雖然尚無任何產品，但據說在進行至少三個項目：一個具有十分高級的AI的遊戲，一個面向電子商務的更為智能的推薦系統，以及一個和圖像（識別？）有關的項目。並且DeepMind將會在Google的搜索部門而非機器人部門工作。

分享我在「譯想天開」專欄上翻的一篇The Economist的文章（20161217）：

作者：Laura
鏈接：知乎專欄
來源：知乎
著作權歸作者所有。商業轉載請聯繫作者獲得授權，非商業轉載請註明出處。

Google』s hippocampus

谷歌的海馬體

What DeepMind brings to Alphabet

DeepMind公司帶給了Alphabet公司什麼？

The AI firm』s main value to Alphabet is as a new kind of algorithm factory

這家人工智慧公司對於Alphabet的主要價值就是作為一種新型的演算法工廠

DEEPMIND』S office is tucked away in a nondescript building next to London』s Kings Cross train station. From the outside, it doesn』t look like something that two of the world』s most powerful technology companies, Facebook and Google, would have fought to acquire. Google won, buying DeepMind for ￡400m ($660m) in January 2014. But why did it want to own a British artificial-intelligence (AI) company in the first place? Google was already on the cutting edge of machine learning and AI, its newly trendy cousin. What value could DeepMind provide?

DeepMind的辦公室藏身於倫敦國王十字火車站旁一個不起眼的建築里。從外部看，它完全不像是世界上兩大科技巨頭——Facebook和谷歌——曾經競相爭奪之地。最後谷歌贏了，2014年1月，它以4億英鎊（6.66億美元）收購了DeepMind。但是，首先要問的是，谷歌為什麼要想要買下這家英國的人工智慧（AI）公司呢？谷歌已經在機器學習和人工智慧方面走在世界最前沿了。 DeepMind到底能提供什麼價值？

That question has become a little more pressing. Before October 2015 Google』s gigantic advertising revenues had cast a comfortable shade in which ambitious, zero-revenue projects like DeepMind could shelter. Then Google conjured up a corporate superstructure called Alphabet, slotting itself in as the only profitable firm. For the first time, other businesses had their combined revenues broken out from Google』s on the balance-sheet, placing them under more scrutiny. But understanding DeepMind』s worth is not a simple financial question. Its value is deeper than that.

這個問題現在變得更為迫切了。 2015年10月前，Google的巨大廣告收入為DeepMind這樣雄心勃勃、又尚無收益的項目提供了溫暖的港灣。然後，谷歌為自己成立了一個名為Alphabet的母公司，將自己定位為它唯一的盈利公司。有史以來第一次，其他業務的綜合營收從谷歌的資產負債表上拆分出來，接受更嚴格的審查。但是，了解DeepMind的價值不是一個簡單的財務問題。它的價值比那更深刻。

DeepMind』s most immediate benefit to Google and Alphabet is the advantage it gives in the strategic battle that technology companies are waging over AI. It hoovers up talent, keeping researchers away from competitors like Facebook, Microsoft and Amazon. The Kings Cross office already houses about 400 computer scientists and neuroscientists, and there is talk of expanding that to 1,000.

DeepMind對谷歌和Alphabet最直接的好處就是幫助其在各大科技公司競相爭奪的AI高地中取得優勢。它聚集了大量人才，讓這些研究人員遠離競爭對手，如Facebook、微軟和亞馬遜等。國王十字火車站辦公樓已經擁有大約400名計算機科學家和神經科學家，並有傳言將增至1000人。

Another boost to the mother ship comes in the form of prestige. DeepMind has reached the cover of Nature, a highly regarded academic journal, twice since it was acquired. Gigantic copies of the relevant covers adorn the walls of the office lobby. The first was for a video-game-playing AI programme the second for one that learned to play the ancient Asian board game of Go. Named AlphaGo for its parent, that software went on to make headlines around the world when it beat Lee Sedol, a South Korean champion, in March 2016.

DeepMind對母公司的另一種提升就是聲望上的提升。自收購以來，DeepMind已經兩次登上過頂級學術刊物《自然》雜誌的封面。該雜誌封面的巨幅副本裝飾著辦公大廳的牆壁。第一幅是關於一款電子遊戲AI程序，第二次則是學習古老的亞洲棋盤遊戲——圍棋。這個圍棋AI以它的母公司Alphabet為名，取名AlphaGo，在2016年3月擊敗了韓國冠軍李世石，此後一舉登上了世界各個媒體的新聞頭條。

DeepMind』s horizons stretch far beyond talent capture and public attention, however. Demis Hassabis, its CEO and one of its co-founders, describes the company as a new kind of research organisation, combining the long-term outlook of academia with 「the energy and focus of a technology startup」—to say nothing of Alphabet』s cash. He founded it in 2010, along with Mustafa Suleyman and Shane Legg. Mr Legg and Mr Hassabis met as neuroscience researchers at University College, London; Mr Suleyman is a childhood friend of Mr Hassabis』s.

然而，DeepMind的視野遠不止吸納人才和吸引公眾注意。德米斯·哈薩比斯是該公司的首席執行官和聯合創始人之一，他將該公司描述為一種新型的研究機構，將學術界的長遠願景與「科技初創企業的精力和專註力」結合在一起。2010年，他與穆斯塔法·蘇萊曼和謝恩·列格共同創立了DeepMind。列格先生和哈薩比斯先生因共同擔任倫敦大學學院神經科學研究員而相識; 而蘇萊曼先生則是哈薩比斯先生的童年玩伴。

The firm』s overall mission, as Mr Hassabis puts it, is to 「solve intelligence」. This would allow the firm to create multifunctional, 「general」 artificial intelligence that can think as broadly and effectively as a human. Being bought by Google had several attractions. One was access to the technology firm』s computing power. Another was Google』s profitability; a weaker buyer would have been more likely to require DeepMind to make money. This way Mr Hassabis can focus on research rather than the detail of running a firm. And by keeping DeepMind in London, at a safe distance from Google』s Silicon Valley base in Mountain View, he can retain more control over the operation.

正如哈薩比斯先生所說，公司的總體使命是「解鎖智能」。這將使公司創建多功能、「通用化」的人工智慧，可以像人類一樣廣泛而有效地思考。公司被谷歌收購有幾大誘惑：一是獲得谷歌的計算能力；另一個是看中谷歌的盈利能力，一家實力較弱的買家可能更要求DeepMind去賺錢。被谷歌收購，哈薩比斯先生就可以專心做研究，而不是疲於應付運營公司的各種瑣事。而且，讓DeepMind留在倫敦，與位於矽谷總部的谷歌保持安全的距離，可以讓他在運營中保留更多的控制權。

Were he to succeed in creating a general-purpose AI, that would obviously be enormously valuable to Alphabet. It would in effect give the firm a digital employee that could be copied over and over again in service of multiple problems. Yet DeepMind』s research agenda is not—or not yet—the same thing as a business model. And its time frames are extremely long. Mr Hassabis says the company is following a 20-year road map. DeepMind aims to invent new kinds of AI algorithms, he adds, that are inspired by the way the human brain works. This explains the firm』s large number of neuroscientists. Mr Hassabis claims that seeking inspiration from the brain sets his firm far apart from other machine-learning research units and in particular from 「deep learning」, the powerful branch of machine-learning that is being used by the Google Brain unit.

如果他能成功創造出一個通用AI，這對Alphabet來說顯然具有非凡價值。這樣，公司可以雇一個虛擬員工，然後一個個複製他們，用來解決多個問題。但是，DeepMind的研究計劃不是——或者尚不是——一個商業模式。它的時間框架特別長。哈薩比斯先生說，該公司正在按照20年的路線圖行動。他補充道，DeepMind致力於通過受人類大腦工作方式的啟發，來發明新的AI演算法。這解釋了為什麼公司有大量的神經科學家。哈薩比斯先生表示，從大腦汲取靈感使他的公司有別於其他機器學習研究機構，特別是「深度學習」，它也是機器學習的一個強大分支，是谷歌大腦正在使用的方式。

Even if DeepMind never achieves human-level (or indeed, superhuman) artificial intelligence, however, the learning software that it creates along the way can still benefit other Alphabet businesses. This has already happened. In July the company announced that its learning software had found a way to reduce the quantity of electricity that is needed to cool Google data centres, by two-fifths. The software learned about the task by crunching data-centre operation logs, and then optimised the process by running it over and over again in a simulation.

即使DeepMind永遠無法達到人類程度（甚至超人類）的人工智慧，它在研究過程中開發出的學習軟體依舊會使Alphabet旗下的公司受益。這已經在悄然發生了。今年7月，該公司宣布，其學習軟體已經找到辦法，可以將谷歌數據中心冷卻的耗電量降低2/5。軟體通過處理數據中心操作日誌來了解任務，然後通過反覆模擬運行來優化過程。

DeepMind is also applying its AI research to solve problems in its own right. Mr Suleyman, who leads these efforts, has expressed an ambition for DeepMind to help manage energy infrastructure, hone health-care systems and improve access to clean water, in return for revenue streams. The company has already started on health care. Its first paid work came in November in the form of a five-year deal with the Royal Free London, an NHS Foundation Trust, to process 1.7m patient records. Earlier this year it gained access to two data sets from other London hospitals: one million retina scans that it can mine and thereby identify early signs of degenerative eye conditions, and head and neck cancer imagery which, fed into its models, will allow DeepMind』s AI to distinguish between healthy and cancerous tissues.

DeepMind也將AI研究應用於獨立解決問題。負責領導這些工作的蘇萊曼先生表達了他的雄心壯志，希望DeepMind協助管理能源基礎設施，改進醫療保健系統和改善潔凈水的供給，以期獲得收入來源。該公司已經開始涉足醫療保健行業。今年11月，它接到了首單付費生意：它與英國倫敦皇家自由醫院（一家NHS公立醫院）簽訂了為期五年的協議，將處理170萬條患者記錄。今年早些時候，它獲得了倫敦其他醫院的兩個資料庫許可權：一個是一百萬份視網膜掃描圖，可以進行數據挖掘，從而確定退行性眼病的早期徵兆；另一個是頭頸部癌症影像，將這些圖像輸入模型，DeepMind的AI系統將可以區分健康和癌變的組織。

Da Neu Ron Ron

Skilful programmers and powerful computers are crucial to this applied AI business. But access to data about the real-world environment is also vital. When systems like hospitals, electricity grids and factories are targeted for improvement using AI and machine learning, data about their specific operations are needed.

熟練的程序員和強大的計算機是這類AI應用業務的關鍵。但同時，獲得現實世界中的各種數據也至關重要。當要通過AI和機器學習改進醫院、電網、工廠等系統時，相關具體數據就是必需的。

Alphabet, of course, holds huge volumes of data that can be mined for these purposes. But DeepMind will have to acquire lots more in each of the fields it aims to examine. In the case of a recent project it was involved in on lip-reading, for example, it was the acquisition of an unprecedentedly large data set that made it a success. A group of researchers at the University of Oxford, headed by Andrew Zisserman, a computer-vision researcher, led the work. The BBC gave the researchers hundreds of thousands of hours of newscaster footage, in the absence of which they would not have been able to train their AI systems.

當然，Alphabet擁有海量的數據，可供這些挖掘研究。但DeepMind將必須在每個需要研究領域獲得儘可能多的數據。例如，最近，它參與了一個唇讀的項目。之所以成功，是因為它獲得了前所未有的大數據。在計算機視覺研究員安德魯·西瑟曼的帶領下，牛津大學的一組研究人員進行了這項研究。 BBC提供給研究人員幾十萬小時的新聞廣播員錄像，沒有這些素材，他們就不可能訓練AI系統。

Mr Hassabis downplays the importance of data acquisition to DeepMind』s future. He claims that it is enough for human engineers to build simulations of the problem to be solved; then DeepMind unleashes learning agents within them. But that is not how most machine-learning systems that are currently in operation work. AlphaGo itself first learned on a database of millions of individual moves from 160,000 human-played Go games, before iteratively training against itself and improving. But if DeepMind does need to hoover up lots of personal information, it will have to deal with consumer concerns about corporate access to data.

哈薩比斯先生並不那麼看重數據採集對DeepMind未來的影響。他聲稱，只要人類工程師待能為待解決問題建立模擬就夠了；然後，DeepMind就可以進行自我學習。但這不是目前大多數機器學習系統的運行方式。就AlphaGo來說，它首先學習了一個資料庫，包含16萬人類圍棋玩家的數以百萬計的下棋步數，然後，它反覆自我對弈訓練，進行自我改進。但是，如果DeepMind真的需要掌握大量個人信息，它就必須處理好消費者對企業數據獲取問題的擔憂。

If it can solve these problems, however, DeepMind will hold immense value as something entirely new for Alphabet: an algorithm factory. That would go far beyond simply being the technology giant』s long-term AI research outfit and talent-holding pool. The data that DeepMind processes can remain the property of the organisations they come from (which should help to allay concerns about privacy), but the software that learns from that data will belong to Alphabet. DeepMind may not ever make significant revenue of its own by applying AI programmes to complex problems. But the knowledge it sends into learning software from those same sets of data may justify the bidding war that brought it into Alphabet』s compass.

然而，如果它能解決這些問題，DeepMind對Alphabet來說將具有全新的巨大價值：一個演算法工廠。這將遠遠不止作為谷歌這一科技巨頭的長期人工智慧研究室和人才儲備庫了。 DeepMind所處理的數據將仍然作為數據來源機構的資產（這應該有助於消除對隱私的擔憂），但從數據學習過程中成長的軟體將屬於Alphabet的資產。將AI程序應用於複雜的問題，DeepMind可能永遠不會帶來太大的收入。但通過同樣的數據，它的學習軟體所能學到的寶貴知識將證明，Alphabet將其收入麾下是多麼英明的選擇。

能聯繫到一起，那公司是人工智慧方面的專業公司

坐等AlphaGo再勝李世石，求大神深挖此貼

google每次收購基本上都是為了買人才買技術專利，至於這個收購公司的產品根本沒興趣。看似成本很高，但是相比自己培養人才，從時間上絕對是走了捷徑！

謝邀。
對這家公司不是很了解，可能題主關注的也不是這家公司的基本信息，從以上知友的回答中，可知其工作方向大致有三:1.一個具有十分高級人工智慧的遊戲，2.一個面向電子商務的更為智能的推薦系統，3.一個和圖像處理有關的項目。那麼我就簡單說一下對這幾個項目的理解。
1.高級智能遊戲，不知道這裡所指的是不是電子競技類遊戲的高級AI設計，玩過魔獸、星際的玩家都知道，剛開始玩的時候一般都會和電腦玩一玩，練一練，而大多數遊戲的AI設置過於簡單，玩幾把之後就會熟知其中的套路，此時電腦無論是作為對手還是隊友都顯得打法太過死板，致使遊戲失去樂趣，想找高手打人家又沒時間陪你玩，這在一定程度上導致了遊戲玩家縮水和部分玩家水平不易提高，就算是度過了菜鳥期的玩家聯網打遊戲也會受到網速等條件限制，如果能設計出特別符合人類思維的AI那將是部分遊戲玩家的福音，因為對於不想上網被虐或者忍受不了延遲的玩家們，不用再對著電腦喊獨孤求敗。可這也是一件非常難的事情，戰術千變萬化，不可能面面俱到，實現所有可能性的判斷又將花費大量時間進行成千上萬次的判斷（就像小時候玩的象棋遊戲，選大師級別的電腦因為應用的資料庫更大，雖然更精準，但是走棋速度極慢），完成這一工程的工作量實在巨大，而且必須不斷更新新戰術才能保證AI的強大，做到速度與智能的平衡則更是難上加難，而且玩家對於AI的重視程度顯然不是特別大，再好的AI也不如人類對手，所以熱門遊戲中專註AI設計的也很少。
2.電子商務高端推薦系統，我認為後兩個項目對於谷歌的關係可能更大，其中這個項目可能是一個基於大數據的挖掘演算法開發。因為更加智能的電子商務推薦系統必然是基於龐大數據的分析處理，對於google而言，數據正是他的強項。這個系統完成之後可能做成App也可能做成網站，對於網購時盲目搜索的我們確實是有一定吸引力的。
3.圖像處理相關，其實我個人對圖像處理非常感興趣，機器視覺在機器人領域的地位也無需多言，機器視覺也幾乎可以在任何功能上的機器人身上找到用武之地，就像人一樣，眼睛處理的信息量絕對優於其他的五官，優秀的圖像處理演算法可以使視覺感測器成為名符其實的萬能感測器。可是據說google並不會讓deepmind進入其機器人部門，那麼我能想到的收購原因有兩點：其一，三維地圖精確重建；其二，圖片搜索功能的開展。三維重建已經研究了很久了，goole在這方面也有一定建樹，google earth 用的是衛星拍攝，如果想在這方面進一步發展的話，最有可能是軍方的項目，利用無人機等設備航拍取圖。goole更有可能進行的是圖片搜索，如果手機掃一掃功能不只能掃二維碼，那麼我們的生活是不是更方便一點呢？
小弟知識有限，以上回答如有不妥，還望包含。