DeepMind明年搬11层新总部 盘点这家顶尖AI科研机构的高光时刻

导读：DeepMind，这家全球数一数二的顶尖 AI 研发机构，即将在 2020 年搬到新的总部大楼——这栋楼将配有一个双螺旋楼梯直通图书馆 、一个屋顶花园、一个演讲厅以及一组由数据与 AI 相关艺术组成的大厅艺术品。

DeepMind，这家全球数一数二的顶尖 AI 研发机构，即将在 2020 年搬到新的总部大楼——这栋楼将配有一个双螺旋楼梯直通图书馆 、一个屋顶花园、一个演讲厅以及一组由数据与 AI 相关艺术组成的大厅艺术品。不出意外，明年上半年便能投入使用。

Deepmind目前的总部位于伦敦国王十字区（London’s Kings Cross）新址附近的谷歌大楼，此外在巴黎、艾伯塔省、蒙特利尔以及加利福尼亚州的山景城均设有小型办事处。一旦 11 层高的 DeepMind 新总部建成（伦敦谷歌大楼也是 11 层高），将进一步提升伦敦国王十字区的声誉，成为伦敦所谓的“知识片区”——在这之前，谷歌、Facebook 和三星分别拿下了周边的办公位置。

“我希望新的总部有助于团队蓄能、提高思考以及合作能力，这些恰恰是开拓科学研究不可或缺的养分。”DeepMind 创始人兼 CEO Demis Hassabis 如此说道。他补充，建立新总部的想法其实从 2015 年就开始有了，目的是为了创造有助于前沿研究、激发协同工作潜能的环境。

至于为何坚持留在伦敦？DeepMind 显然有自己的考量。

目前了解到的是，尽管英国的经济普遍放缓，然而科技界却依然蓬勃发展——据伦敦国际推广机构 London & Partners 和 PitchBook 的数据显示，英国的人工智能公司在 2018 年获得的投资高达 7.36 亿英镑，比起 2017 年的 4.99 亿英镑，增幅将近 47％。“伦敦是欧洲的人工智能之都，其资本规模是周边竞争对手巴黎和柏林的两倍多。” London & Partners 首席执行官 Laura Citron 如此说道。

更重要的是，DeepMind 是一个典型“伦敦成功故事”，这个世界领先的人工智能团队利用伦敦的资源创造了如今的成就。据了解，被谷歌收购那会，DeepMind 曾面临是否迁往硅谷的压力，后来创始人成功说服谷歌，表示 DeepMind 留在伦敦的话将有机会吸纳来自伦敦周边的高水平人才（如牛津大学、剑桥大学等），最终才被同意继续留守伦敦。

虽然扎根在伦敦， DeepMind 却未因而固步自封，而是频繁走出海外， 与更多优秀人才一起推进 AI 前沿研究的发展。

DeepMind 近年的海外布局

DeepMind 的海外办事处最早可追溯至 2016 年，自 2014 年被谷歌以4亿英镑收购以来，DeepMind 与谷歌总部之间一直缺少一个联系纽带，最终决定在美国山景城成立一个由十几名软件工程师与研究科学家组成（2016年底数据）的工作点，以加强和谷歌总部之间的联系。

而 DeepMind 对外大张旗鼓公开宣传的，都是与一些海外大学共同成立的实验室/办事处，其中加拿大占了 2 所，巴黎 1 所：

2017 年 7 月，DeepMind 宣布与阿尔伯塔大学联手，在加拿大埃德蒙顿建立国际化的 AI 研究实验室。加盟实验室的成员包括来自阿尔伯塔大学的多名计算科学教授与人工智能研究员，如 Rich Sutton、Michael Bowling,、Patrick Pilarski等，此外尚有 Adam White 以及 2017 年初发布 DeepStack 算法的 6 名研究员。据介绍，DeepMind Alberta 实验室将主要进行核心科学（core scientific）方面的研究。DeepMind Alberta 实验室的首席研究员 Richard Sutton 教授被认为是现代计算的强化学习创立者之一。

2017 年 10月，即埃德蒙顿实验室成立 3 个月后，DeepMind 又宣布与麦吉尔大学合作，在蒙特利尔设立 DeepMind Montreal。负责领导 DeepMind Montreal 的是麦吉尔大学的计算机科学系副教授  Doina Precup ——她同时还是加拿大高级研究院高级研究员以及 MILA 成员，擅长领域在强化学习，这正好也是 DeepMind 的专长之一。

2018 年 8 月，DeepMind 通过推特和官方博客宣布在法国巴黎设立一个新的人工智能实验室。负责领导该实验室的是 DeepMind 的主要研究科学家、前巴黎理工大学教授的 Remi Munos 。DeepMind 的巴黎实验室将重点关注基础 AI 研究，同时在 Remi 之前的科研成果之上继续发展，其中包括能够让单个 AI 系统学会执行多种不同任务的先进方法以及类似分布式机器学习的基础算法突破。

值得一提的是，加盟 DeepMind实验室的成员一般都将保留自身在原来大学/组织的教职，同时 DeepMind 也将委派制定成员前往协助组织的协调 & 管理事宜。此外，DeepMind 也会拿出真金白银，投入到合作院校的具体 AI 研究项目中，可说是相当豪气。

DeepMind 那些叫人惊艳的出品

AlphaGo

DeepMind 一鸣惊人之作。2016 年， AlphaGo 在古老的围棋比赛中以 4:1 的高分击败了世界大师级冠军李世石，从此一炮而红，并且二度登上《Nature》杂志封面。许多专家认为，人类至少提前十年实现了这一壮举。对于 DeepMind 以及世界围棋界而言，最激动人心的是 AlphaGo 在博弈过程中所表现出来的创造力，甚至有时候它的招数对古老的围棋智慧都造成了挑战。要知道，一直以来围棋都被认为是最需要人类深思熟虑的游戏之一， AlphaGO 的胜利彰显了人工智能的巨大可能性。此外，DeepMind 表示 2017 年也将带来更多机器参与人类游戏的研究。

可微分计算机 DNC

2016 年，DeepMind 在存储（memory）领域也取得了不小的进步，尤其是在解决如何将神经网络的智能决策和复杂结构化数据的存储、推理能力结合起来的难题。实验室团队提出了可微分神经计算机的神经网络模型（Differentiable Neural Computer，简称 DNC）。这种新型模型将神经网络与可读写的外部存储器结合，既能像神经网络那样通过试错和样本训练进行深度学习，又能像传统计算机一样处理数据。目前，这些模型已经学会回答有关数据结构（从家谱到地铁交通地图）的问题。DeepMind 表示，这让人类距离使用人工智能在复杂数据组中进行科学发现又近了一步。

WaveNet

研发团队在发表了图像生成 PixelCNN 论文之后，又发布了最新原始音频波形深度生成模型音频 WaveNet 的研究论文。WaveNets 是一种卷积神经网络，能够模拟任意一种人类声音，生成的语音听起来比现存的最优文本（语音系统）更为自然，将模拟生成的语音与人类声音之间的差异降低了 50 % 以上。这种深度生成模型能够模仿人类的声音，生成的原始音频质量优于目前 Google 采用的两种最优文本——语音模型 Parameric TTS 与 Concatenative TTS 。由于 WaveNet 不是将录下的语音样本拼接起来，而是创造出的新的音频波形，所以它很有可能会实现世界上最动听的语音合成。

目前，DeepMind 正计划将这一成果融入谷歌产品中，借此提升数百万用户的产品体验。

AlphaStar

AlphaStar 是一个把游戏看作长序列建模学习任务的强化学习智能体，它的模型设计也就以长序列建模为能力为核心。模型从游戏接口接收的数据是单位列表和这些单位的属性，经过神经网络计算后输出在游戏中执行的指令。这个神经网络的基础是 Transformer 网络，并且结合了一个深度 LSTM 网络核心、一个带有指针网络的自动回归策略头，以及一个中心化的评分基准。这样的网络架构是 DeepMind 对复杂序列建模任务的最新思考结果，他们也相信这样的先进模型可以在其他需要长序列建模、有很大行动空间的机器学习任务（比如机器翻译、语言建模和视觉表示）中同样发挥出优秀的表现。

AlphaStar 使用神族（Protoss），在 2018 年 12 月 10 日以 5：0 战绩打败了 Team Liquid 的职业星际 2 选手 TLO，然后经过更多训练后，在 12 月 19 日再次以 5：0 的完胜战绩打败了来自同一个战队的职业选手 MaNa 。

AlphaFold

蛋白质的3D形态取决于它所含氨基酸的数量和类型。蛋白质的结构也决定了它在机体中的作用。生命体的功能基本是由正确折叠的蛋白质来执行的。蛋白质的错误折叠不仅会使其失去原有生物学功能，也会引起一系列重大疾病，如阿尔茨海默病、帕金森病等神经退行性疾病。了解蛋白质的3D结构可以为人类理解这些疾病提供重要的基础，进而帮助科学家设计出新的蛋白质来对抗疾病。

为了构建AlphaFold，DeepMind在数千种已知蛋白质上训练了一个神经网络，直到它可以通过氨基酸预测蛋白质3D结构。鉴于要预测新的蛋白质，AlphaFold使用神经网络预测氨基酸对之间的距离，以及连接它们的化学键之间的角度。然后，AlphaFold调整初步结构以找到能效最高排列方式。此外，DeepMind 还训练了另一个独立的神经网络，该网络能利用集群中的所有距离来估计预测结构与实际结构间的差距。DeepMind将AlphaFold提交到了国际蛋白质结构预测竞赛（CASP），第一轮比赛于98名参赛者中排名第一，从43个蛋白质中预测了25个蛋白质的精确结构。

DeepMind 的未来？

根据公开年报显示，DeepMind 在 2017 年的税前亏损金额高达 3.68 亿美元，在 2016 年，这个金额则是 1.64 亿美元。可以明确的是，钱大部分都贡献给了旗下员工，其中 DeepMind 在 2017 年的员工成本开支高达 2.6 亿美元，与 2016 年的 1.36 亿美元相比，增幅高达 91 %。此外，正如上文提及的，DeepMind 还会把钱投入到院校的具体 AI 研究项目当中，这个金额在 2017 年高达 1067万美元，而 2016 年时这个金额却只有40.8万美元（与 2017 年 DeepMind 在加拿大开设了 2 个合作实验室有一定关系）。

由于 AI 研究通常比较前沿，很难迅速为实验室带来创收，此外还得为了科研成果不停“烧钱”，因此过去不停有人揣测 DeepMind 与谷歌之间的关系。比如 Facebook 首席 AI 科学家 Yann LeCun 就曾经公开质疑其过于“孤立”，同时一直未能向谷歌证明其价值。

不过随着 11 层新总部大楼的官宣，从侧面表明谷歌依然愿意为 DeepMind 的价值买单，两者的微妙关系估计并未向恶发展。而作为 AI 界的一员，我们也期待搬了新大楼的 DeepMind，能够继续为我们带来更多突破性的研究成果。

最后，为大家附上 DeepMind 创始人的介绍。

DeepMind 创始人 Demis Hassabis 简介

出生于1976年7月27日，是著名人工智能实验室 DeepMind 的联合创始人，被全球公认为是该领域最聪明的思想家之一，《卫报》也授予其“人工智能超级英雄”的称号。

Hassabis从4岁就开始学下国际象棋，并很快成为了当地小有名气的天才棋手。17岁时，Hassabis负责了经典模拟游戏《主题公园》的开发，这款游戏一经发布就大受欢迎，除了取得数百万套销量的好成绩之外，这款游戏还赢得了当年的金控制杆奖（Golden Joystick Awards）。受到这款游戏的影响，以全校第一的成绩从剑桥大学计算机学院毕业后，Hassabis开始自己创业做游戏开发，并且取得了成功。30岁的Hassabis又回到伦敦大学，开始攻读认知神经学的博士学位，真正研究人脑解决问题的工作机制。2010年，成功拿到博士学位后的Hassabis和友人一起创办了DeepMind公司，开始从事人工智能相关算法的研究，并于2014年被谷歌以6.5亿美金的价格收购。