黑枸杞的功效与作用-一个“明星科研机构”的故事:人均年薪400万、年度亏本40亿,它想要领跑人工智能的未来十年

人工智能研制重镇 DeepMind 创造的 AlphaGo,凭仗打败国际象棋大师和围棋冠军一炮而红,但这家只要科学研制事务的“创业公司”有一位永久不满足于现状的开创人戴密斯哈萨比斯(Demis Hassabis)。在公司 2018 年亏本额高达 5.72 亿美元(约合 40 亿人民币)的状况下,他依然想要处理能改动实在国际的、更大的科学问题。

戴密斯哈萨比斯 | 图片来历:Wired

来历 WIRED.UK

作者 Greg Williams

编译 桑颂

修改 魏潇

戴密斯哈萨比斯(Demis Hassabis)——前儿童国际象棋神童、剑桥大学双学科绩优生、国际智力运动会(World Mind Sports Olympiad)五届冠军得主、麻省理工学院(MIT)和哈佛大学校友、游戏规划师、青年创业者,以及人工智能(AI)创业公司 DeepMind 的联合开创人——此时正头戴黄色头盔,身着高领夹克和工装靴,站在国王十字街区(King’s Cross)的一个屋顶上注视着伦敦,这是一个可以从各个方向俯视这座城市的当地,在这儿他能望到通往海格特(Highgate)的斜坡,他和他的家人就住在那里。

他来到这儿是为了巡视 DeepMind 正在制作的新总部大楼,这家公司于 2010 年由他和伦敦大学学院(University College London, UCL)的研讨员塞恩雷格(Shane Legg)以及黑枸杞的功效与作用-一个“明星科研机构”的故事:人均年薪400万、年度亏本40亿,它想要领跑人工智能的未来十年幼年挚友穆斯塔法苏莱曼(Mustafa Suleyman)一同创建。虽然世人都默许 DeepMind 是一家科技创业公司,但它现在的首要事务仍是科学研制,而且现已在学术期刊上宣布了数百篇论文——这和那些人工智能研讨安排做的作业没有什么区别。这栋由 500 个建筑承包商打造的大楼方案于 2020 年中投入运用,标志着 DeepMind 的新起点。

DeepMind 官网对研讨效果的介绍

从游戏到科学

新黑枸杞的功效与作用-一个“明星科研机构”的故事:人均年薪400万、年度亏本40亿,它想要领跑人工智能的未来十年总部的方位坐落国王十字车站以北,以“常识街区(Knowledge Quarter)”出名。DeepMind 创建时,伦敦的大部分创业公司还在屈服于旧街(Old Street.)的影响力。但哈萨比斯和他的合伙人却有着不同的愿景:“破解人类智能之谜”,并展开通用人工智能(AGI)——更加强壮的、可以应用于多范畴的 AI。到现在为止,AI首要是经过构建可以赢得游戏的算法来完结的,比方打砖块、国际象棋和围棋。下一步则是将其应用于科学研讨,运用核算机科学来处理化学、物理学和生物学中的杂乱问题。

“咱们是一家研制为主的公司,” 43 岁的哈萨比斯说。“咱们期黑枸杞的功效与作用-一个“明星科研机构”的故事:人均年薪400万、年度亏本40亿,它想要领跑人工智能的未来十年望离大学近一点,”他指的是伦敦大学学院(UCL),在那里他凭仗题为《以神经活动进程为根底的情景记忆研讨》的论文,获得了自己的博士学位。“这也是为什么咱们喜爱留在这儿,咱们依然离 UCL、大英图书馆、图灵研讨所很近,离帝国理工也不算太远……”

哈萨比斯和他的合伙人深知,DeepMind 以它在机器学习和深度学习方面的打破而出名于世:他们开发的神经网络算法不光通晓电脑游戏,还打败了国际象棋大师,并让国际围棋冠军李世乭宣告:“从游戏开端的那一刻起,我就没有一刻觉得自己能赢。”

“人机围棋大战”第二局前99手。| 来历:Wikipedia

曩昔,机器在与人类的棋类或其他类游戏比赛中会显现出显着的算法特征:应对风格严厉且呆板。可是在围棋对弈中,DeepMind 开发的人工智能 AlphaGo 以一种近乎人类的办法打败了李世乭。第二局比赛中第 37 手一个极不寻常的举动令那些在首尔现场观战的人们倒吸了一口凉气,并让数百万在线观众感到困惑—— AI 黑枸杞的功效与作用-一个“明星科研机构”的故事:人均年薪400万、年度亏本40亿,它想要领跑人工智能的未来十年用一种在人类眼中极富创造力的办法走了一步棋。

关于哈萨比斯、苏莱曼和雷格来说,假如 DeepMind 的前九年被以为是他们会集研讨强化学习(reinforcement learning)的阶段【这种依据署理体系的理论不只企图让 AI 树立起所在国际和识别模式的模型(像深度学习所做的那样),也能让 AI灵敏地做出决议并尽力到达方针)】那么现在 AI 经过游戏对立带来的依据将界说下一个十年即运用数据和机器学习来处理一些科学中最难的问题。哈萨比斯说,他们下一步的作业将从这个问题动身:找到一个办法,让深度学习将强化学习拓宽到实在国际的问题中。

“强化学习的缺陷在于它一向会集于处理于小玩具式的问题,这就像网格相同规则又简略,”他说。“人们觉得它或许无法拓宽到紊乱实在的实际问题,这才是咱们想把强化学习和深度学习联合起来并起到效果的当地。”

关于 DeepMind 来说,新总部的建筑标志着公司的新篇章——尽力将研讨的影响力和核算才干转变为对构筑有机生命的单元的了解。这家公司期望经过这种做法可以在医学和其他学科获得对多个范畴发生影响的打破。“咱们的使命将是科学展开史上最诱人的旅程之一,”哈萨比斯说。“咱们正在尽力制作一个科学进步的殿堂。”

蛋白质折叠难题

在 UCL 和 MIT 肄业期间,哈萨比斯发现跨学科协作成了抢手。在他的回想里,研讨会是由来自不同学科如神经科学黑枸杞的功效与作用-一个“明星科研机构”的故事:人均年薪400万、年度亏本40亿,它想要领跑人工智能的未来十年、心理学、数学乃至哲学的学者们参加的。研讨者们在回到自己所属院系前会进行几天的沟通和争辩,并说好要定时集会、寻觅协作办法。可是下一次会议很或许在一年之后才干举办——申请经费、教育使命以及研讨和学术日子都会阻碍这种跨学科协作。

“展开跨学科研讨很难,”哈萨比斯说。“假设有两位在数学和基因组学范畴国际领先的科学家——显着这之间存在一些穿插——可是谁来充任了解别人范畴的作业、术语以及真实问题的人物呢?”

即使找到了该范畴存在的真实问题,那么为什么这个问题还没有被回答?假如没有得到回答,那么它面对的扎手困难是什么?这在外人看来或许很简略。可是即使是处于同一学科的科学家,也不总是用相同的办法来看待他们的作业。而且众所周知的是,学者们很难为其他学科添加价值,找到一个能一同霸占的共性问题就更难了。

现在的 DeepMind 总部——实践上便是国王十字街区 Google 大厦中的两层——近年已越来越闻名。仅公司的 AI 研讨就会集了六到七个学科,在扩大影响规模的一起还一向在招募数学、物理学、神经科学、心理学、生物学和哲学方面的专家。

“科学最风趣的范畴在于学科间的断层和穿插,”哈萨比斯说。“我尽力制作 DeepMind 是为了寻觅‘粘合剂人才’——那些在多个范畴都处于国际一流水平的人才,具有找到不同学科之间相似之处和连接点的创造力。”

普什米科里(Pushmeet Kohli)便是“粘合剂人才”中的一员——这位微软研讨院(Microsoft Research)的上一任主管,现在正领导着 DeepMind 的科学团队。那段简直没有任何实践展开的“ AI 隆冬”在曩昔十年现已完毕。现在,面对相似窘境的,是蛋白质折叠猜测。

蛋白质结构示意图。| 来历:Pixabay

科里汇集了一支由结构生物学、机器学习和物理学专家组成的团队来迎候这项重要问题应战。蛋白质是一切哺乳动物生命的根底,它们在分子水平上树立起了安排和器官的大部分结构和功用。它由氨基酸序列构成,氨基酸序列的折叠结构决议了蛋白质的形状,从而决议其功用。

“蛋白质是有史以来最令人拍案叫绝的机器,它答应原子在纳米标准移动,化学功率是人工机器的 10n 倍,”约翰江珀(John Jumper)说,他是 DeepMind 的蛋白质折叠研讨者。“这些自组装机器十分难以想象。”比方,蛋白质对细胞的每种功用来说都是必需的,而过错折叠的蛋白质被以为是导致帕金森、阿茨海默症和糖尿病等疾病的要害因素。

假如了解蛋白质天然构成的进程,咱们自己就可以构建它,”江珀说。“是时分看清这个杂乱的微观国际了。”

蛋白质折叠问题可以招引 DeepMind 团队的原因还包含基因组数据集的广泛应用。从 2006 年开端,DNA 数据的收集、存储、传递和剖析开端激增。研讨人员推测到 2025 年时,或许现已有二十亿个基因组数据集被剖析,这需求占有 40 EB(exabyte,1 EB = 1024 PB = 1048576 TB)的贮存容量。

“从深度学习的视点来这是一个很好的问题,由于人类付出了巨大的金钱、杂乱性和时刻(投入)本钱,咱们用来了解蛋白质结构的惊人资源现已到位,”江珀说。

AlphaFold 的成功

获得展开的一起,科学家们也在警觉虚伪昌盛的泡沫。备受敬重的美国分子生物学家塞勒斯莱文索尔(Cyrus Levinthal)镇定地表达了这项应战的杂乱性,他指出在得到正确的三维结构之前,找出一种代表性蛋白质一切或许结构所需的时刻,或许比整个国际的展开进程还要长。“查找空间十分巨大,” DeepMind 的研制科学家里奇埃文斯(Rich Evans)说,“比围棋还要大。”

无论如何,在 2018 年 12 月墨西哥坎昆举办的蛋白质结构猜测技能要害评价(Critical Assessment of Techniques for Protein Structure Prediction,CASP)大会中,DeepMind 经过已知的氨基酸序列猜测蛋白质结构,获得了里程碑式的展开。

他们的参赛代表是 AlphaFold——他们在之前两年间开宣布的新 AI。安排方会提早向参赛成员发送数据集,后者则在不知道是否正确的状况下发回他们的猜测效果。一共有 90 个蛋白质结构需求猜测,其间一些是现已有模板的猜测方针,参赛者能运用已解分出结构的蛋白质作为参阅,而另一些则要从头开端建模。DeepMind 团队的终究赛果可以称得上光辉:AlphaFold 总体上比其他团队更精确,一些方针远超其他团队,在需求从头建模的 43 个蛋白质序列模型中,AlphaFold 精准猜测了 25 个,而且优势十分显着——第二名只成功猜测出了 3 个。

AlphaFold在CASP13比赛中猜测的蛋白质三维骨架可视化图。| 来历:Wired

此次猜测比赛的参加者、来自哈佛医学院的穆罕默德阿尔库雷希(Mohammed AlQuraishi)表明:“我供认他们做得很好,但却没想到会那么好。”

依据阿尔库雷希的介绍,DeepMind 运用的办法与其他实验室是相似的,但其共同之处在于它们可以“更好地完结”。他一起指出了 DeepMind 团队在工程方面的实力。

“我以为他们可以比学术团队做得更好,由于这个范畴的学术团队往往不肯揭露自己的效果,”阿尔库雷希说。“而且,即使 DeepMind 将他们对算法的构思公之于众让咱们独登时测验,也没有人能将它们整合起来。”

阿尔库雷希将机器学习范畴的学术集体做了个比照,近年来像 Google Brain、DeepMind 和 Facebook 这类公司阅历了一些大规模的变迁,它们的安排结构变得更加高效、薪酬待遇更为足够,而且具有大学里没有的核算机资源。

“在必定程度上来说,机器学习范畴的核算机科学集体在曩昔的四到五年中已积累了丰厚的经历,”他说。“核算生物学(Computational biology)在簇新的实际面前才刚刚复苏。”

这与 DeepMind 的开创人在 2014 年 1 月被 Google 收买时的解说相照应。Google 巨大的核算设备网络可以使公司更快地推进研讨展开,而 4 亿英镑(约合 34 亿人民币)的支票让雇佣国际一流人才成为或许。哈萨比斯描绘了招募合适特定研讨范畴的方针人才的战略。“咱们的路线图告知咱们哪个学科范畴或许 AI /神经科学的哪个子范畴将是重要的,”他说。“然后咱们就去找到相应范畴中最优异的人。”

“像 DeepMind 这样的公司,我以为研讨蛋白质折叠是一个很好的起点,由于它的问题很清晰,而且有可以运用的数据,你简直像是在处理一个朴实的核算机科学问题。”阿尔库雷希说。“在其他的生物学范畴则不太实际,它们更费事。因而,我并不以为 DeepMind 在蛋白质折叠方向获得的成功可以主动转化到其他范畴。”

立异的价值

作为一家研讨型企业,DeepMi唱歌nd 的项目管理体系十分巨大。每 6 个月,高档项目经理会检查优先事项、重新安排一些项目并对团队成员尤其是工程师们进行鼓励、并进行人事调整。学科穿插是常见且有意为之的。公司的许多项目周期都比较长,通常在两到四年之间。可是,虽然 DeepMind 的信息一向环绕其研讨,它现在是 Google 母公司——Alphabet 旗下的一个子公司,一起也是全球排位第四的最有价值公司。在伦敦的学者期望他们可以参加长时间、开创性的研讨的一起,加利福尼亚的高管们则会留神他们的出资回报率。

曾有媒体报道,DeepMind 近年来连续亏本,其 2018 年亏本已达 5.72 亿美元(约合 40 亿人民币)。可以清晰的是,钱大部分都贡献给了旗下职工:DeepMind 招聘数百名贵重的研讨人员和数据科学家,但并没有发生任何严重收入。2018 年,DeepMind 为约 700 名职工花费了 4.8 亿美元,职工均匀年薪高达 400 万人民币,比 2017 年添加了近一倍

“咱们重视产品,咱们期望 Google 和 Alphabet 是成功的,而且可以经过咱们正在进行的研讨获取赢利——他们具有 DeepMind 编程的数十种产品和背面的技能,重要的是这是一种推进而不是拉动,”哈萨比斯说。

“许多工业研讨都是产品导向的,”哈萨比斯说。“问题在于你只能做增量研讨,这不利于展开严重打破一切必要的、有大志高风险的研讨。

哈萨比斯说到,大型制药公司会为研制投入数十亿美元:在季度盈余陈述的推进下,制药职业跟着失利本钱的添加变得更加保存。依据立异基金会 Nesta 2018 年的一份陈述,在曩昔 50 年中,生物医药研制生产力稳步下降——虽然公共和私家出资大幅添加,但新药的开发本钱越来越高。该陈述指出,“开发新药的本钱呈指数增加,这直接反映在研制开销的低回报率上。最近的一项估量显现,全球最大的制药公司的回报率为 3.2% ; 相同,德勤的研讨估量,生物制药的研制回报率从 2010 年的 10.1% 降至 2018 的 1.9%,到达了 9 年来的最低水平。

“看看大多数大型制药公司的首席执行官,他们不是科学家,而是来自财务部分或营销部分,”哈萨比斯说。“这对安排有什么影响?这意味着公司要从现已创造的东西中挤出更多赢利,比方减少本钱或拓宽商场,而不是真实创造新东西——这更有风险。你不能就这么轻易地把电子表格里的研制本钱砍掉。这不是一种赋有创造力的思想办法......

创业公司 DeepMind

关于许多创业者来说,他们常具有一个机缘巧合的起点——他们遇到了让自己下定决心处理的问题,偶尔遇到了合伙人或出资人以及支持自己主意的学者。但对哈萨比斯来说状况并非如此,他有目的地做了一系列决议——其间一些乃至是在生射中更早的阶段就定下了的,而这些决议终究促成了 DeepMind 的诞生。“这是我尽头一生来抵达的方针,”他说。“从游戏规划,到游戏对立、学习神经科学和编程、大学期间学习 AI、去许多国际尖端安排进修、攻读博士学位的一起开端创建自己的前期工作……我现已尽或许地用上了自己的每一点经历。我很清晰,在每个人生路口做出的挑选终究会聚在一同,构成了我现在的人生。”

即使公司现已预备搬到新的总部,哈萨比斯仍以为 DeepMind 仍是一家创业公司,正在与国际上其他国家(如我国和美国)的公司进行竞赛,“有许多大公司在企图做这些作业,”他说。他说到,虽然获得了展开,但 DeepMind 在破解人类智能之谜、树立 AGI 上仍有很长的路要走。“我依然期望咱们保持有一个创业公司应该有的巴望、节奏与生机。”

DeepMind 的职工们站在国王十字街区的屋顶上。| 来历:Wired

立异是困难且孤单的。树立一个安排的流程和文明,使其可以“在国际中有所作为,”——就像史蒂芬乔布斯(Steve Jobs)告知团队开发 Mac 核算机那样,很少有企业或许安排可以在多范畴展开出多条产品线。跟着 DeepMind 的展开,开创人需求寻求前路,一起亲近留意在未来几年中或许成为最具革新性的技能,这其间充满着潜在的风险及机会。

“你会度过许多困难的日子,我以为在一天完毕时,尽力赚到许多钱或其他任何作业都不黑枸杞的功效与作用-一个“明星科研机构”的故事:人均年薪400万、年度亏本40亿,它想要领跑人工智能的未来十年足以帮你度过那些真实苦楚的节点,”哈萨比斯说。“只要真实地怀有热心并坚定地信任自己所做是真实重要的作业,才干让你渡过难关。”

免责声明:本文系网络转载,版权归原作者一切。如触及作品版权问题,请与咱们联络,咱们将依据您供给的版权证明资料承认版权并付出稿费或许删去内容。