机器之心编辑部编译

说好的独立管理呢?谷歌出尔反尔,开始接管DeepMind项目

2014 年谷歌收购 DeepMind,双方协商一致:收购后 DeepMind 仍将独立运行。但近期谷歌医疗化的一系列举措似乎打破了当初的承诺……

如果你想通过自己的研究让世界变得更美好,那你要不要加入谷歌这样的技术巨头,利用他们的资金来实现自己的抱负?这对于任何有远见的科学家来说可能都是一道难题。

不过,这也正是 DeepMind 创始人 Demis HassabisMustafa Suleyman 2014 年做出的选择,当时他们同意将 DeepMind 出售给谷歌(当时报道的价格是 4 亿英镑,约合 5.2 亿美元)。然而,DeepMind「利用智能让世界变得更好」的诉求一直充斥着矛盾和紧张,现在更是面临来自其母公司谷歌的更大干涉。

谷歌想要通过资本化手段拥有世界最多的 AI 人才,尤其是在强化学习领域。但是自 2014 年开始,DeepMind 对谷歌的贡献并不是很大:DeepMind 开发了一种人工智能系统来防止数据中心过热,还开源了一项使机器合成语音更加类似人声的研究。而与此同时,DeepMind 每年亏损数亿美元。

本周二,谷歌开始采取措施,加强对 DeepMind 的控制。谷歌将直接管理 DeepMind Health,作为公司重要项目,DeepMind Health 是 DeepMind 公司实现其社会愿景的「首次尝试」。谷歌近日任命的高管 David Feinberg 将管理 DeepMind Health。

从公开的表态来看,DeepMind 似乎在淡化该调整的影响,宣布支持大量英国医院医护人员的移动 app「Streams」的团队将加入谷歌。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。但是他们也确认这意味着谷歌正在吸纳 DeepMind Health 整体。

尽管发表了充满乐观情绪的看法,我们还是很难想象 DeepMind 联合创始人 Mustafa Suleyman——这位数年来一直掌管着 DeepMind Health 项目的人——会欣然接受把项目控制权转手给身处美国的 David Feinberg。

与母公司谷歌的关联增强也会让 DeepMind 的一些合作伙伴感到尴尬,其中就包括英国国家医疗服务体系(NHS)。2017 年,英国的隐私监管者裁定 NHS 与 DeepMind 的数据分享是非法的,因为患者并没有被告知他们的医疗数据会被用于其它目的,而 11 月 13 日谷歌的新发布引发了人们对于谷歌将如何使用医疗数据的新担忧。DeepMind 在其网站上表示「任何来自 NHS 患者的数据都不会与谷歌帐户或服务相关联。」

为什么事情发展到这一步?DeepMind 的一个竞争对手说 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 的建议听起来很耳熟,实际上你在任何像样的时间管理研讨会上都能听到这种建议: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)。

DeepMind 并不是唯一一家试图将其人工智能研究商业化的企业。Facebook 也曾努力把运用了人工智能元素(如 NLP)的语音技术转化为产品,与亚马逊的 Alexa 和苹果的 Siri 分庭抗礼。

据 Facebook 前员工透露,这家公司缺乏对其工程师和研究团队的一致指导。而根据一位 Facebook 前高管,由知名学者 Yann LeCun 管理的 AI 研究部门 FAIR,已经变成研究「飞地」和「属于研究的平行世界」。

谷歌可能决定不要研究员的平行世界。但这可能违背了 DeepMind 创始人 2014 年面对收购时的期望。

「2014 年,谷歌收购了 DeepMind,因为它对 DeepMind 的技术潜力寄予厚望。」DeepMind 公司在其官网如是说,「作为被收购的一方,经过协商达成一致,DeepMind 将继续独立运行……」现在看来该协议似乎无法持续下去。

原文链接:https://www.forbes.com/sites/parmyolson/2018/11/14/why-google-just-tightened-its-grip-on-deepmind/?ss=ai-big-data

产业人工智能Deepmind谷歌
2
相关数据
亚马逊机构

亚马逊(英语:Amazon.com Inc.,NASDAQ:AMZN)是一家总部位于美国西雅图的跨国电子商务企业,业务起始于线上书店,不久之后商品走向多元化。目前是全球最大的互联网线上零售商之一,也是美国《财富》杂志2016年评选的全球最大500家公司的排行榜中的第44名。

https://www.amazon.com/
相关技术
DeepMind机构

DeepMind是一家英国的人工智能公司。公司创建于2010年,最初名称是DeepMind科技(DeepMind Technologies Limited),在2014年被谷歌收购。在2010年由杰米斯·哈萨比斯,谢恩·列格和穆斯塔法·苏莱曼成立创业公司。继AlphaGo之后,Google DeepMind首席执行官杰米斯·哈萨比斯表示将研究用人工智能与人类玩其他游戏,例如即时战略游戏《星际争霸II》(StarCraft II)。深度AI如果能直接使用在其他各种不同领域,除了未来能玩不同的游戏外,例如自动驾驶、投资顾问、音乐评论、甚至司法判决等等目前需要人脑才能处理的工作,基本上也可以直接使用相同的神经网上去学而习得与人类相同的思考力。

杨立昆人物

杨立昆(法语:Yann Le Cun,英语:Yann LeCun,1960年7月8日-)是一位计算机科学家,他在机器学习、计算机视觉、移动机器人和计算神经科学等领域都有很多贡献。他最著名的工作是在光学字符识别和计算机视觉上使用卷积神经网络 (CNN),他也被称为卷积网络之父。他同Léon Bottou和Patrick Haffner等人一起创建了DjVu图像压缩技术。他同Léon Bottou一起开发了Lush语言。

杰米斯·哈萨比斯人物

英国人工智能研究者,DeepMind 创始人之一

所属机构
Mustafa Suleyman人物

DeepMind 联合创始人,应用 AI 部门负责人

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

多智能体系统技术

一个多智能体系统,是由一个在一个环境中交互的多个智能体组成的计算系统。多智能体系统也能被用在解决分离的智能体以及单层系统难以解决的问题。智能可以由一些方法,函数,过程,搜索算法或加强学习来实现。尽管存在相当大的重叠,然而一个多智能体系统并不总是一个基于智能体的模型表现一致。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

推荐文章
暂无评论
暂无评论~