导航菜单

业界知名人工智能公司三年赔了10亿美金?

来源:太平洋计算机网络作者:匿名

如果你突然被要求说出一家专门从事人工智能的知名公司,你的第一反应是什么?显然,开发人工智能围棋手阿尔法围棋(Alpha Go)的Deepmind(归谷歌所有)显然是一个大名字。

Deepmind最近披露去年亏损5.72亿美元。然而,在过去三年中,其持续损失超过10亿美元。这是否意味着人工智能根本不赚钱?

做研究实际上要花很多钱;因此,Deepmind每年投入大量资金,甚至超过了以前任何相关项目的金额。话虽如此,DeepMind损失的上升仍值得考虑:2016年为1.54亿美元,2017年为3.41亿美元,2018年为5.72亿美元。

这涉及三个核心问题:深度思维在科学上走在正确的轨道上吗?从谷歌的角度来看,这种投资规模合理吗?这种损失会影响整个人工智能吗?

深度强化学习的局限性

关于第一个问题,人们有理由持怀疑态度。DeepMind致力于深度强化学习,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。

2013年,DeepMind在一篇激动人心的论文中将这项技术命名为“深度强化学习”(Deep Reference Learning),该论文展示了如何训练神经网络系统来玩各种雅达利游戏,如突围和太空入侵者;我不得不承认有时候他们比人类玩得更好。这篇论文是工程学的杰作,可能也是Alphabet在2014年1月获得DeepMind的主要原因之一。后来,这项技术进一步发展,推动DeepMind赢得围棋和星际争霸。

的问题在于该技术严重依赖于环境:即使是一个微小的变化,比如在游戏中将球拍向上移动几个像素,也会导致玩突破时游戏性能的急剧下降。DeepMind在星际争霸中的胜利也有同样的限制。当使用特定的地图和特定的“种族”字符时,结果比人类好。使用不同地图和不同角色的结果很差。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记忆。使用它的系统可以实现一些人们认为难以置信的目标,但是他们对自己正在做的事情只有肤浅的了解。因此,当前的系统缺乏灵活性,无法在环境变化时进行调整。

深度强化学习需要大量数据。例如,阿尔法围棋(AlphaGo)在训练期间参与了数百万个围棋游戏,这远不止一个人需要成为世界级的玩家。此外,实现这一目标需要大量的计算资源,而且价格昂贵。.据估计,阿尔法围棋(AlphaGo)的训练成本为3500万美元。

然而,这些都是出于经济考虑。正如重启人工智能中所说的,真正的问题是信任。目前,深入的强化学习只能在严格控制的环境中进行,事故很少。在一个几千年来没有改变的环境中操作它可能是可行的,但是在现实生活中,人们可能不想依赖它。

小商业成果

Deepmind尚未推出深度强化学习的任何大规模商业应用,因为现实生活中关注Deepmind等游戏的人工智能项目不多。包括2014年收购期间支付的6.5亿美元,Alphabet目前已在Deepmind投资约20亿美元;相比之下,Deepmind去年的收入约为1.25亿美元。

此外,适合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,如癌症和清洁能源。当然,这可能只是时间问题。DeepMind至少自2013年以来一直致力于强化学习,科学进步很少一夜之间转化为商业产品。深度思维(DeepMind)可能最终会通过深度强化学习找到产生更深更稳定结果的方法。

最终,深度强化学习可能被证明像晶体管,一项彻底改变世界的发明。

尽管DeepMind目前的策略并不像人们希望的那样富有,但它仍然是深度强化学习的领导者。此外,DeepMind拥有严格的管理、充足的资金、数百名医生,在游戏和围棋方面取得了巨大的成功。它正在吸引越来越多的人才。如果人工智能领域的风向改变,深度思维(DeepMind)转向另一个方向,它仍然可以领路。

同时,从Alphabet的角度来看,对Deepmind的投资不是一个大赌注。它还押注于人工智能领域目前发展迅速的谷歌大脑。Alphabet年收入1000亿美元,其核心业务从搜索到广告推荐都依赖人工智能,对Alphabet来说,进行几项重大投资并不疯狂。

担心过度承诺

最后,很难回答DeepMind的经济表现会对人工智能产生多大影响。如果炒作超过实际效果,可能会导致“人工智能冬天”的到来,甚至支持者也不愿意投资。如果损失继续以每年两倍的速度增长,就连Alphabet也可能被迫放弃Deepmind,投资者将重新调整他们对人工智能的热情。

不仅深度思维,许多有希望的进步还没有真正实现。尽管马克扎克伯格(Mark Zuckerberg)在2018年4月向国会承诺人工智能将很快解决虚假新闻问题,但这一承诺已经得到缓解。然而,承诺的成本从来都不高,对人工智能的热情程度是由最终效果而不是承诺决定的。

以目前的形式,宣传人工智能比构建人工智能容易得多。尽管在广告和语音识别等有限领域取得了巨大进展,但毫无疑问还有很长的路要走。