近期，因為Deepmind的人工智能在星際爭霸2上打敗了人類選手，DeepMind又一次進入了人們的視野。AlphaGo作為DeepMind的核心創造物之一，絕不僅是挑戰圍棋和游戲而生。事實上，近幾年來，除了 DeepMind 以外，也已經有越來越多的人工智能公司或者研究機構投身到開發AI的浪潮中了，國內誕生了如曠視科技、商湯科技、極鏈科技Video++、依圖科技等優秀的初創AI企業，都在各自的賽道中進行技術的深耕。

2014年，DeepMind被谷歌收購，總部和項目保留在倫敦，人員對外也保持著高度的神秘性。即使對DeepMind有了解的人，知道的也是它的創始人Demis hassabis，作為一位天才少年，4歲下國際象棋，16歲進入劍橋。但DeepMind作為一家創業企業的規劃、產品序列和目標實施情況，好像總是隱藏在一些面紗之后。

據悉，目前谷歌AI與DeepMind依舊保持著高度的獨立屬性，雖然有戰略和技術上的結合，但谷歌AI的重點推進工程列表中可以說是完全不見DeepMind的蹤影。而AlphaGo作為DeepMind的核心創造物之一，絕不僅是為了挑戰人類圍棋界而生，卻作為核心的領域技術的關鍵載體，承接著整個公司戰略的上下銜接。那么DeepMind除了AlphaGo還做了哪些呢？

進駐Tensorflow

2015年將研究全面進駐到了谷歌的TensorFlow開源架構當中。并且官方高度肯定了TensorFlow的高度適用性、延展度和操作體驗。2016年，DeepMind還開發了一個能在TensorFlow上快速創建神經網絡模塊的高級框架Sonnet，并且對其進行了開源處理。

由此可見，對于谷歌AI體系的核心業務和生態基礎，DeepMind是支持的，并且愿意在這個領域幫助谷歌完善生態。谷歌所需要的，也是DeepMind需要作為企業在生態核心上提供更多支持，面向大眾的事可以谷歌做，但業務支持的時候還是離不開DeepMind。

可微分神經計算機的誕生

2016年底，DeepMind公布了他們打造的一臺“可微分神經計算機”（DNC）。DNC的特點是結合了神經網絡的運作原理和經典計算機的運算能力和外部儲存能力。簡單來說，其解決方案就是將神經計算機的本體以人類大腦為生物網絡藍本設置的精神網絡，與可讀寫的外部存儲器相分離，架設雙層的處理與運算結構。

這樣打造的運算系統，核心特征是解決了神經網絡實際運作當中的機器記憶問題，做出了一臺像人類一樣思考，又能像計算機一樣的高速運算、記憶數據的機器。在發布的論文中，這臺計算機可以規劃相距甚遠的地鐵站之間的最佳路線，弄清楚紛繁復雜的親戚關系，尤其這些都是在沒有先驗數據的前提下。

從初出茅廬的這件作品，可以看出DeepMind的幾個特點。首先是擅長多種復雜技術的集成，其次對于AI應用有遠超于業界水準的解決能力。

相比于針對數據樣本的機器學習系統，DeepMind開源的體系可以專注于AI在實際環境中進行視覺+感知的交互。這對于AI行業來說可謂是打開了巨大的腦洞，尤其對于無人駕駛、AR、地圖導航、機器人記憶等領域的研究與創業者來說，可謂是福音。

語音生成系統WaveNet

除了“玩游戲”，DeepMind也做了一些其他的事。比如近兩年，DeepMind先后公布了其在圖像生成和語音生成領域的成果。比如16年公布的語音生成系統WaveNet，號稱將計算機輸出音頻與人類自然語音差距縮小了50%。至少根據試用者的說法，這一系統比谷歌和蘋果的語音生成系統都聽起來自然流暢許多。

結語

隨著新技術的出現，競爭格局已經變得極具顛覆性，迫使企業分析新的市場趨勢，提高運營效率，并找到適當的創新關鍵。在技術探索方面，DeepMind也更多指向以高度模擬人腦的方式，在核心領域超過人類已有水平的AI系統。無論是圍棋、游戲，還是環境判斷、圖像與音頻生成，都指向這個巨大的野心。