阿尔法狗再进化自学三天胜人千年谷歌用它来做什么

　早在今年五月对弈柯洁之前，AlphaGo就已经从“狗”进化为“神”，无需依赖人类训练师，但谷歌的野心并不止步于此，Deepmind公司1/4精力已经被用于商业实践和变现
　　
　　北京时间10月19日凌晨，谷歌旗下的人工智能公司DeepMind在世界顶级科学杂志Nature杂志上宣布了AlphaGo的新进步，可以在没有人类干预的情况下自我学习，新的AlphaGoZero在自我学习3天之后，就以100比0的成绩战胜了第一代AlphaGo。
　　自我学习能力的出现，对于人工智能和机器学习来说，是一个新的突破。“过去人们普遍认为机器学习是基于海量的大数据，但是从AlphaGoZero身上，我们发现算法比数据更重要。”AlphaGo项目的主要负责人戴维·席尔瓦（David Silver）说道。
　　也由于使用了更多的算法和更少的数据，所以AlphaGoZero只使用了一台计算机器和4个TPU，被它打败的一代AlphaGo则用到多台机器和48个TPU。
　　当人们惊讶于AlphaGoZero在围棋领域的神级水平时，对于DeepMind团队来说，这才只是刚刚开始，他们的目的是通过培养自主学习的能力，来解决更多其他领域目前无法解决的棘手问题。
　　从AlphaGo、AlphaGoMaster到AlphaGo Zero
　　AlphaGo于2015年10月面世，在广为人知的与棋手李世石对弈之前，它已经打败了欧洲围棋冠军樊麾。樊麾接受《财经》记者采访时表示，当时在他看来，一个计算程序要打败职业棋手是不可能的事情。
　　结果他以0-5输给了AlphaGo，但他也因此加入了DeepMind团队，帮助训练AlphaGo。2016年3月，在他帮助训练下的AlphaGo以4-1的成绩打败了人类顶尖棋手李世石。2017年初，AlphaGo化名为“Master”，在网络上挑战60名人类棋手，保持全胜的成绩。2017年5月，在乌镇的，名为Master的第二代AlphaGo以3-0战胜了目前人类最强棋手柯洁。
　　今年5月的比赛期间，DeepMind的多位高管就已经向《财经》记者透露，Master已经实现了自我学习能力，甚至有了自己的“直觉”，“我们发现AlphaGo已经不需要依赖人类训练师了。”戴维·席尔瓦告诉《财经》记者。
　　与柯洁的对弈中，AlphaGo已经能下出很多人类棋手完全无法想象的路数，比赛后柯洁表示，第一代的AlphaGo还能找到破绽，Master已经实现了“从人到神”的飞跃。
　　而AlphaGoZero在“独立”上更进一步，在训练的过程中，它是自我对弈。从训练图上可以看出，由于一开始并不熟悉围棋，对弈双方的水平都很弱，但是随着时间的推进，在短短3天互相博弈490万局后，越来越强，实现了围棋水平的突破。
　　
　　（图：AlphaGo训练的72小时图谱）
　　人类顶尖棋手柯洁被认为是围棋天才，6岁开始学棋，17岁时在世界范围内排名第一，一个人类天才十几年的学习，被AlphaZero用3天时间超越。
　　但DeepMind团队志不在此，“AlphaGo的意义不在于打败人类，而是领悟知识，解决更多的问题。”戴维·席尔瓦表示。
　　商业化加速：1/4精力用于商业变现
　　今年5月，DeepMind创始人杰米斯·哈萨比斯在接受《财经》记者采访时表示：“如果说谷歌是火箭，DeepMind就是燃料。”
　　在此定位之下，AlphaGo虽然进化神速，但绝对不会止步于围棋。
　　这家公司一开始只是一家位于英国伦敦的人工智能实验室，研究方向是开发通用自我学习算法。2011年，哈萨比斯在埃隆·马斯克等人的投资下，成立了DeepMind。2014年，谷歌以4亿英镑（约6.5亿美元）的价格收购该公司，当时这家公司只有50名员工。AlphaGo就来自于这家公司。
　　AlphaGo战胜韩国第一棋手李世石引爆了AI技术和市场，也让DeepMind在谷歌AI战略中地位举足轻重。
　　不过，DeepMind团队从一开始研发AlphaGo系统的目的就是能实现行业应用，并带来商业价值。围棋为AlphaGo带来了光环，却并非最终目标。
　　哈萨比斯对《财经》记者说，“下一阶段，DeepMind整个团队75%的精力用于人工智能技术的研发，另外25%精力放在行业应用上。”
　　具体分工上，哈萨比斯继续主导技术研究，另一位创始人穆斯塔法·苏莱曼则负责主导商业化。
　　穆斯塔法认为，继续技术研究和商业化是一种平衡。“我们手里有很多实验室里的新技术，都是宝贵的资源，而这些技术的商用不仅能造福社会，一家公司也必须有可持续的商业利润来源。”他告诉《财经》记者。
　　据他介绍，目前DeepMind由两个团队组成，哈萨比斯负责研发团队，而他负责技术应用业务。技术应用团队又再分为三个组，一个组服务谷歌的产业和谷歌的其他业务部门；第二个是医疗组，已经与英国的国家医疗健康局合作；第三个组是能源组，目前还在启动阶段。
　　“这样的分组是为了方便与不同领域的专家更好地合作。”他说。
　　此前，DeepMind已经牛刀小试，成功利用机器学习为谷歌大幅度节约电量，带来实际收益。
　　2016年，DeepMind团队就利用AlphaGo的学习能力，不断模拟探索更加省电的方案。DeepMind接管了谷歌数据中心的一些控制单元，包括风扇、空调、窗户和服务器等，通过机器学习，帮助谷歌数据中心的冷却系统节约用电40%，并提高了15%的能源使用效率。
　　哈萨比斯对《财经》记者说：“谷歌在数据中心设备上的用电太多，几个百分点就意味着每年几百万美元，节约电力的算法每分钟都在给公司省一大笔钱。”
　　这个算法团队的开发团队仅有5、6个人，耗时仅两三个月。
　　目前，DeepMind的部分研发项目已经开始用于能源基础设施管理、医疗系统和洁净水源的改进等方面，公司也已经从中获得收益。
　　DeepMind也已开始进军医疗市场并从中盈利。2015年11月，它与英国伦敦皇家自由医院签订了为期五年的合同，任务是处理170万名患者的医疗记录。
　　在这次Nature杂志上发表的论文中，戴维·席尔瓦也强调了未来的行业应用，例如蛋白质折叠（用于破译遗传密码）、能量节约以及新材料的研发等等。
　　在过去，机器学习未能得到广泛应用，主要原因之一就在于很多人类无法解决的领域中，也缺少大量的数据样本来让机器进行学习，例如医疗图像处理等。AlphaGoZero能够摆脱人类的依赖，不需要人类给出数据和样本，这为更广泛的行业应用提供了新的可能性。
　　这与谷歌成立母公司Alphabet实现组织变身的目的一致。母公司Alphabet创立后，整个企业资产负债表开始分账计算，业务被独立出来，明确了职责和成绩，提升创新效率。
　　一位资本市场分析人士向《财经》记者分析评价，如果一直在之前的架构中，DeepMind对谷歌的技术输血价值难以清晰衡量，DeepMind也很难有一个明确、长期、符合谷歌战略的研究目标。
　　更重要的一个原因是，资深科学家和强大的计算能力对AI业务的开展固然重要，但DeepMind走出去，获取真实环境数据同样重要，这些深入到行业的数据，比如医疗，恰恰是谷歌缺失的数据源。作为一家搜索、社交基因的互联网公司，谷歌手中的巨量数据，多是开放社交属性类数据。