deepmind|4年亏损250亿，“狗神”过的并不好( 二 )

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。