4 年亏损 250 亿，“狗神”过的并不好
-
作者 | 宇多田
出品 | 虎嗅科技组
图片为柯洁在 2017 年乌镇对战 Deepmind 电脑程序 AlphaGo 现场。
从 2016 年 3 月的一个下午开始，当一个名叫 AlphaGo 的围棋电脑程序，在两年里，陆续战胜韩国围棋九段职业选手李世石，和当时世界围棋排名第一的中国棋霸柯洁后，关于未来 5 年里 " 人工智能技术无所不能 " 的炒作，便拉开了序幕；
当然，更直接的影响是，全权研发制作了 AlphaGo 的英国人工智能公司 Deepmind，在仅被谷歌收购 2 年后，便誉满天下，帮谷歌与 " 人工智能全球最强企业 " 紧紧绑定在了一起。
但谁也不会想到，Deepmind 来势迅猛的技术声誉，又在未来极短的时间内，转化成了外界对其始终不见商业化有效成果的批判与质疑。
与大多数在 2019 年进入萧条期和死前挣扎期的国内人工智能公司一样，在更看中自由市场商业化落地的欧美，Deepmind 从 2016 年 ~2019 年共计亏损 13.55 亿英镑（这还不算上收购的 6 亿美元，还免除了 2019 年 15 亿美元债务），约合人民币 118.5 亿元（18.38 亿美元）。
很显然，亏损总额高达 40 亿美元（约人民币 257 亿），让谷歌受到了华尔街的千夫所指。
但是，根据昨天 Deepmind 在英国政府机构 Companies House 上的最新账目显示，2020 年，这家全球人工智能研发能力最强的企业之一，终于迎来了一个关键的商业化临界点：
2020 年同比增长率超过 300%，达到 8.26 亿英镑的高收入，终于抹掉了 7.8 亿左右的支出，实现 5 年来的首次盈利。
图片来自虎嗅。数据来源：英国公司注册局 Companies House；制图：宇多田
但这并不能够证明 Deepmind 的商业化模式完全步入正轨。
实际上，从 2014 年被谷歌以 6 亿美元收购以后，Deepmind 作为一家私营商业组织（英国法律有规定，任何年收入超过 1020 万英镑，资产超过 510 万英镑，雇员超过 50 名的私营公司都必须向政府披露财务状况），其绝大部分收入仍然来自谷歌母公司 Alphabet 给予的订单。
换句话说，它几乎是靠 Alphabet 的哺育，而非外界客户而生存，商业模式被称为 " 研发服务 "。
而 Deepmind 此次并没有解释 2020 年收入增幅如此迅速的原因。
我们只是了解到，Deepmind 除了依靠一直以来向谷歌、Youtube 出售软件，为后者的数据中心做节能优化，提高安卓设备的电池寿命外，又增加了谷歌地图的合作项目——提高地图里 " 到达预测时间 " 的精确度，优化谷歌语音虚拟助手。
很明显，这些项目订单金额并没有一个非常明确的公开付费标准。
另外，也有分析师指出，此次的巨额收入可能要归功于 " 创造性的会计形式 "，简单来说就是财务计算方法做了一些变动。但 Deepmind 并未对此做任何置评。
另外我们需要注意的一点是，Deepmind 每年高达几亿英镑的巨额支出，大部分都投入到 " 员工成本与其他相关成本 " 中。其中包括员工的薪资、旅行、办公硬件以及软件。
"Deepmind 最值钱的便是一群顶级科学家的大脑，" 一位熟悉 Deepmind 的消息人士告诉虎嗅，在它全球近千名员工里，很多人的工资可以达到七位数。" 对于研究他们绝不会吝啬，这里是科学家的天堂。"
然而，一家以盈利为目的的商业组织，成于研究，也必将受制于研究。
没有头绪的商业发展轨道
Deepmind 在人工智能研究领域，特别是针对 " 深度学习 " 与 " 强化学习 " 这两个重要技术分支研究方面做出的贡献，毫无疑问是必须载入史册的。
就像今年 7 月 Deepmind 利用人工智能技术在生化科学领域取得的巨大突破——为 35 万种蛋白质 ( 包括人类制造的每一种蛋白质 ) 提供了 3D 结构，这对医学和药物设计大有裨益。
这是人工智能技术赋予的果蝇蛋白质形状，图片来自纽约时报
这个成绩涉及到困扰了生物学家半个世纪的 " 蛋白质折叠问题 " —— 1972 年，在接受诺贝尔化学奖的演讲中，克里斯蒂安 · 安芬森做出了一个历史性预测：原则上，仅仅根据组成蛋白质的一维分子链就可以确定蛋白质的三维形状。
然而，虽然如今测定任何特定酶的确切化学成分都不算太难，但要确定它的三维形状，可能需要数年的生化实验。
而 Deepmind 的技术，则大大加快了生化学家们破解这一难题的速度。
因此，当他们公布自己的人工智能模型 AlphaFold 通过蛋白质数据库的数据训练，已经预测出蛋白质 3D 形状时，这个系统不仅被纽约时报、福布斯等杂志称为 " 一流的科学成就 "，还被看作是 " 一个历史性的时刻 "。
图片来自福布斯
当然，虽然行业人士认为有朝一日 Deepmind 科学家有可能获得诺贝尔奖。但就像大部分诺贝尔奖获得者一样，这只是一种开创性的 " 基本见解 "。
而将基本见解转化为现实世界中创造商业与社会价值的产品，还需要几十年的时间。
因此，短期来看，我们有权利向 Deepmind 提出质疑：是否思考过 3~5 年内有效的商业化路径？谷歌是如何看待它持续的研究贡献和与之不匹配的商业贡献？
实际上，早在 2017 年 Deepmind CEO 哈萨比斯带领技术团队来到中国乌镇对战中国围棋国手们时，我们有幸在现场亲眼见证了历史。而谷歌当时，就曾明确提及了关于强化深度学习的两个技术应用方向——
一个是对战式的游戏设计；而另一个，则是医疗领域的特定疾病预测与筛检。
Deepmind 创始人兼 CEO，现年 45 岁的哈萨比斯
但由于当时大众未受到技术启蒙，人工智能本身还在散发着巨大的舆论威力。因此，那时极少有人会关注它们发表的一系列关于强化与深度学习的论文，究竟能够给企业带来什么不菲的收入。
而实际上，这项技术其实仅能应用于非常狭窄的特定环境。
Wired 曾披露，Deepmind 开发的参与《星际争霸》游戏的 AI 选手，能力非常有限。如果说在一张地图上启用某单一角色，它的效果可能会比人类好。但在不同地图上启用不同角色，效果就会差很多。
如果要切换角色，你需要从头训练系统。
" 在某种程度上，深度强化学习有点像是‘死记硬背’记忆法，使用它的系统能产生很棒的结果，但他们对自己正在做的事情只有一个肤浅理解。
因此，体系缺乏灵活性，无法在世界发生变化时进行补偿，有时甚至是微小变化都无法应对。"
而这样的结果，也同样阻碍了他们的医疗实际应用进程。
在 2019 年 8 月，Deepmind 曾经在《自然》杂志上发表了一篇论文，声称自己在疾病预测方面取得重大突破——人工智能能够在急性肾损伤 ( AKI ) 发生两天前做出预测。
但实际情况是，它没有任何实操性预测。
公司只是获得了一个相关的病人数据集，使用神经网络找出了 AKI 与病人之间的模式。此外，这种预测模式只在某些时候起作用，总体准确率为 55.8% ，预测越早，准确率越低。
更重要的一点是，这项研究几乎完全针对男性，更确切地说，是一组 90% 以上为男性的退伍军人数据。
这对于具有数据偏见和歧视性的人工智能来说，很明显存在极大漏洞。
当然，由于医疗数据必然会涉及到病人隐私，从 2016 年开始，DeepMind 就被卷入了一场关于合法数据应用的 " 社会与机构审判 " 中。2017 年，英国的数据监管机构曾裁定，DeepMind 在几个主要方面侵犯了病人的权利。
以上便是 Deepmind 在医疗健康领域奋战至少 5 年，但商业化收效甚微的关键原因。当然，运行极其隐蔽、规整且很有自己一套作风的英国国家医疗体系，也是技术公司难以撼动的客观因素之一。
总的来说，2016~2017 年大部分人工智能公司之所以最喜欢用游戏来搞噱头，是因为游戏是有严格边界设定的；
而现实世界中，却少有存在明确边界的问题。
谷歌保持沉默，但行动告诉了我们结果
站在市值万亿，每年收入高达千亿美金的谷歌角度，每年拨出 5 亿美元并不是一个巨大的赌注。但是，如果通往商业生存能力的道路比预期时间更长，超过 5 年风险仍有攀升趋势，那么，就不可能有任何一家企业会冒这样的风险。
譬如，于今年 1 月正式被谷歌关停的互联网气球项目 Google Loon，曾在 2011 年成立时发出 " 让全球最贫穷偏远的最后 10 亿人用上互联网 " 的壮志豪言。然而，他们在 2016 年时就已被大幅削减开支，最终没能挺过疫情肆虐，收入来源归零的 2020 年。
对了，2017 年 Loon 项目组穿着卡通鲨鱼拖鞋的谷歌工程师们，也曾表示机器学习帮了他们一个大忙——系统可以根据风向来操控气球移动的角度，让它们能够在某一地区小范围盘旋。
Loon 实验室的工程师
Loon 并不是特别的，谷歌每年亏损几十亿美元的登月业务 Other bets，每年都会有很多创新项目或无疾而终，或被 CFO 和投资者杀人般的眼神不断 " 凌迟 "。
而近几年来，人工智能给谷歌带来的技术声誉，逐渐被前者涉及到的数据隐私、道德伦理问题所掩埋。
特别是在谷歌去年开除人工智能伦理研究员后，大众对谷歌这家商业组织的质疑和道德批判，达到了历史的最巅峰状态。
而相比之下，Deepmind 今年从 " 发布蛋白质 3D 形状预测算法平台 " 再到 " 不惜一切代价改写财报收入数字 "，像是在试图说服谷歌和投资者的同时，想重新燃起过去几年世人被逐渐浇灭的对人工智能的热情。
图片来自华尔街日报
值得注意的是，华尔街日报曾在今年 5 月爆料，Deepmind 多年来一直在与母公司 Alphabet 谈判，希望获得更多自主权，特别是重新建立一套 " 非盈利组织使用的法律架构 "，而原因就在于，他们认为自己做的人工智能研究不应由单一企业实体控制。
这一说法并非没有缘由。
譬如，2020 年在美国 Darpa（国防高级研究计划局）的一次演示中，一架 AI 控制的 F16 战斗机轻松击败了一名人类飞行员。而这家军用技术公司采用的强化学习算法灵感，便来自于 Deepmind。
而在 2020 年 12 月，美国空军利用人工智能程序控制了一架 U-2 间谍飞机上的雷达系统，灵感也来自于 DeepMind。这一算法通过数千次模拟任务学会了如何引导雷达，以便识别地面上的敌方导弹系统，这在实际任务中对防御至关重要。
因此，我们不难发现，这家早在 2015 年便发表公开声明，敦促世界各国政府禁止研发致命性人工智能武器的公司，其实陷入了一种两难的境地——
坚持基础研究和无歧视、道德感更强的崇高愿望，与 " 不得不寻找商业化路径，靠 Alphabet 续命才得以继续研究工作 " 之间的矛盾。
但 Deepmind 最终在 " 争取更多独立权 " 的谈判中失败了。哈萨比斯亲自将这个结果在今年 4 月告诉了员工们。
而外媒对此结果并不惊讶，甚至观点大体一致：
"Alphabet 如何会放弃一个输血超过数十亿美元，并且将全球最聪明的人掌握在自己手里的机会呢？"
我还记得，2017 年，在乌镇 AlphaGo 的结束致辞上，气氛其实有点压抑。哈萨比斯说了很少的话，他一直用一种很慈祥的目光望着流泪的柯洁，并拥抱了他。但对于人工智能的能力边界，目光却温和而坚定：
" 我也不清楚人工智能会走向何方，但它的强大会超乎想象。人类科学家不可能在所有数据中正确导航并找到洞察力。我们需要机器学习和人工智能帮我们在这些领域找到突破。
但所有的技术本质上都是中性的，它们可以用于好的或坏的方面，所以，我们必须确保它被负责任地使用。"
祝福 Deepmind。细微且长期的影终会迎来变革性的一天。
我是虎嗅科技组的傅博，关注自动驾驶、半导体、智能制造，欢迎沟通交流爆料（微信：fudabo001，请务必备注身份）。
