过去几个月，OpenAI风头无两，各大科技公司争先恐后地跟进大语言模型（LLM）这一技术路线。
对比之下，OpenAI的老对手DeepMind，显得有些低调和沉默。微软靠OpenAI打了一场胜仗，而谷歌推出的Bard翻了车，和谷歌同属AlphaBeta的DeepMind却没有出来力挽狂澜的意思。
同样是半学术、半企业科研性质的前瞻性AI Lab，DeepMind也瞄准了通用人工智能AGI，但实现路径上，却有着和OpenAI不同的选择。
这段时间我们能看到科技圈在集体“追风口”，大量资源（注意力、算力、人才、政策等）都被投入到OpenAI引领的大语言模型热潮中，有些高校甚至出现了“不做LLM就没有算力用”的局面。“中国没有自己的OpenAI”也被认为是创新滞后的现实证明。
有人说OpenAI的AI属于“精英教育路线”，一路砸钱供它读到博士，一毕业就是王炸，惊艳全场，这点确实没错，也是非常值得很多国内AI Lab学习的。
追逐OpenAI的赛道已经十分拥挤。别忘了，DeepMind默默烧钱、长期锚定的很多研究方向，也非常具有前沿性和想象力，2016年的AlphaGo、2020年的AlphaFold都曾一鸣惊人。下一个“AI王炸”，可能就是DeepMind做出来的。
大家知道有种新闻叫“震惊体”，每一次出现“AI王炸”级产品，就会有大量“震惊体”出现，比如“阿尔法狗要取代人类”“AlphaFold抢了生物学家的工作”“有了ChatGPT人类还有价值吗？”
马克·库班：DeFi可能会成为美国的下一个强力增长引擎:达拉斯独行侠队老板、亿万富翁马克·库班表示，美国政府和监管机构需要开始支持加密创新，例如作为去中心化金融（DeFi）行业。否则，他认为，美国将“失去这个国家需要的下一个强力的增长引擎”。（The Block）[2021/6/14 23:35:39]
感到“震惊”，有时真的只是因为知道的太少、太晚，在这些“AI王炸”技术尚在成长阶段，忽视了它们，等能力发展到实用程度，又开始恐慌、焦虑。
届时，我们会不会又会陷入新一轮的追逐跟风，接着抱怨“中国没有自己的DeepMind”呢？
所以，我们不妨来预测一下，DeepMind正在憋的大招里，哪些可能成为下一个王炸，读者们可以有个心理准备，提前对“震惊体”脱敏。
ChatGPT走红之后，很多白领人士都担心自己的岗位要被取代了。而科学家可是智力水平站在金字塔顶端的人类，职业生涯肯定稳稳的吧？
AI+科学，正是DeepMind长期锚定的赛道，已经产出了很多突破性的研究成果，覆盖了数学家、物理学家、生物学家的专业领域。
已经问世的AlphaFold和AlphaFold 2就在生物学界掀起了海啸级的影响，彻底改变了蛋白质结构预测的传统方法，也引发了各大高校和科研机构的复现、优化、应用。基于这一新技术，DeepMind一夜之间改变了生物制药行业，也因此成为“数字生物学”这一新兴领域的先驱。
目前，AI+生物学的潜力还没有完全释放出来，AI技术在生物制药和生命科学中的应用，还停留在少数环节中探索、案例级尝试的阶段。DeepMind也正在与行业展开合作，比如与Isomorphic Labs 合作，以“AI-FIRST”原则重构药物发现过程，在著名的生物医学研究中心弗朗西斯·克里克研究所（Francis Crick Institute），建了一个湿实验室，加强AI技术与生物实验的结合，同时还在不断扩大AI for science团队，加快基础生物学的研究。
火币研究院马天元：DEFI应用的集成产品将是下一个阶段的流量入口:10月22日，火币大学《全球区块链领导者课程（GBLP）》第五/六期金融模块继续开课。火币研究院首席技术研究院马天元以《DeFi解析》的主题为学员们带来分享。
马天元表示，DeFi本身是多项创新分布式应用的集合，包括借贷、DEX、稳定币、衍生资产和预言机，这五个赛道相互紧密联系，缺一不可，在过去半年中取得了极高的热度，其中最重要的两个赛道是DEX和借贷。当区块链应用越来越多，DEFI应用的集成产品将是下一个阶段的流量入口，比如收益聚合器、交易聚合器，而在借贷领域，聚合借贷、汇聚流动性的产品，也是创业者可以思考的方向。[2020/10/22]
或许，下一个抗癌新药、生物计算领域的大突破，就会在DeepMind诞生。
（AlphaFold揭示了蛋白质宇宙的结构）
你可能会说，生物学是一门实验科学，有成熟的程式，被AI技术改变很合理。数学、物理这样的基础科学，突破几乎来自天才式的直觉和灵感，有的数学家甚至是在梦中取得突破。比如阿基米德就是在洗澡时灵光一现，发现了浮力定律；拉马努金在梦中发现了3900个公式……AI估计就不好使了吧？
帮助数学家发现他们从未发现的发现——DeepMind发表在《自然》杂志上的一篇论文显示，研究人员与顶级数学家合作，为一个几十年来都没有结局的数学猜想，通过机器学习（ML）找到了突破口。
声音 | 陈昊芝：随着链游开发环境与工具完善 用户渗透率增强 链游将迎来下一个春天:12月5日，在陀螺财经举办的2019未来商业生态链接大会上，Cocos 董事长陈昊芝分享到，目前区块链游戏的真实用户量、用户留存以及长期付费数据相对不理想，其中原因有三点，分别是：1.链游缺乏用户渗透率，目前全球使用数字钱包且会使用 DApp 的用户不到3000万，仅是2009年智能机用户规模；2.链游多基于 HTML5 技术，难以支撑较复杂游戏产品开发；3.区块链技术成熟度低，对于游戏道具、经济系统、核心玩法支持有限。受这些原因制约，链游缺乏优质游戏所拥有的玩法、质量以及内容深度，很多链游只是博概率难以成为受大众欢迎的游戏。随着这些问题解决，链游也将迎来以下一个春天。[2019/12/5]
使用AI来处理海量或无法直接推理的数据，可以大大增强数学家的洞察力，从而更快地找到证明猜想和新公式的方法，已经被DeepMind证明是可行的。
牛津大学数学系教授Marcus Du Sautoy形容AI技术在纯数学中的应用，“就像伽利略拿起望远镜，能够深入凝视数据宇宙，看到以前从未发现过的东西”。
未来随着探索的增多，很多未被证实的数学猜想，都有可能因AI的加入而突破。希望届时大家不会又以为AI进化出了什么超能力，被“AI取代数学家”之类的标题给了。
AI参与核聚变的研究进程——核物理无论从学术还是社会经济的角度，都是非常重要的。大家可能都听过中国核物理学家造原子弹的艰苦故事，其中很多工作和牺牲能不能由AI来代劳呢？DeepMind还真搞成了。
声音 | Cosmos创始人Zaki Manian：下一个大动作是发布跨链协议IBC:10月15日，Cosmos创始人Zaki Manian在接受采访时透露，Cosmos的下一个大动作是发布跨链协议IBC。“通过IBC，你可以在Cosmos Hub中创建账户，然后可以把token跨链转账，也可以把它们的staking跨链转换。所有这些都可以由这个协议实现。”谈及与交易所跨链的关系时，Manian表示，团队与他们的开发人员有着“有趣”的关系：“他们有比我们更多的开发者在Cosmos上工作，但我们没有任何合作关系。”Manian同时提到，随着技术的改进和成熟，区块链的可扩展性将不再是一个限制，它的下一个阶段将是走向市场，被用户广泛采用。（火星财经）[2019/10/16]
它们与瑞士等离子体中心，合作开发了一个AI系统，通过强化学习，控制系统可以很好地协调TCV（由许多磁线圈组成），确保等离子体永远不会接触容器壁，这样就可以减少核聚变的热量损失。同时，还能将等离子体精确地雕刻成不同的形状，方便科学家研究等离子体在不同条件下的反应，从而提高对核聚变反应堆的理解。
总之，在过去的几年里，DeepMind在数学、物理、化学、生物学、量子、气象、材料等多个科学领域，创造性地探索了大量AI for science的可能，带来了全新的科学研究方法，必然会催生全新的科学发现和技术突破，下一个“AI王炸”很可能就在其中。
吴晓波：下一个十年，中心化的互联网会消失:近日，著名财经作家吴晓波老师在佛山进行了一场《水大鱼大与企投家时代的到来》主题分享。吴晓波表示，下一个十年，中心化的互联网会消失，万物联网时代到来。未来十年里，今天这样中心化的互联网一定会以某种方式在某个时间点，被以区块链为代表的去中心化的互联网思维所迭代和革命，这是一定会发生的事情。[2018/6/7]
DeepMind的目标也是实现通用人工智能。具体怎么做呢？OpenAI专心搞语言，DeepMind就专注“训狗”——搞强化学习。
弱人工智能，只能在有限的环境中解决特定问题，没有发展出人类身上那种通识智能。那种“通用”智能的机器，大概就类似于《西部世界》或者《底特律》中的机器人，能够在复杂的环境里执行任务。
实现AGI，OpenAI是用大量数据和充分训练来促成大语言模型的“智能涌现”，而DeepMind则选择了“正向教育”——希望通过强化学习，给AI系统以“奖励最大化”的刺激，驱使智能体自主去学习复杂的能力。因为只有表现出这些能力，智能体才能获得奖励（比如生存下去）。
听起来，是不是跟工作犬执行主人的口令，主人根据结果来进行奖励或惩罚是一个路子？
在一篇论文中，DeepMind的研究人员写道：“奖励足以推动智能体表现出通用智能的迹象和行为，包括学习、感知、社会智能、语言、概括和模仿。”
上一只震惊世界的狗是击败人类棋手的“阿尔法狗（AlphaGo）”，而下一只可能就是被DeepMind用强化学习训练出来的AI了。
（ANYmal机器人的运动技能是通过模仿狗MoCap来学习的）
比如这只机器狗，就通过强化学习不断试错，从而具备了两个重要的能力：
一是使用历史经验，一般来说电机控制的AI智能体，一开始不知道对每个关节施加什么力，需要大量数据才能迈出步子，不然就会随机抽搐并迅速摔倒，而借助RL可以利用以前学到的运动技能，从而缓解“起步”时的尴尬。
二是减少特殊行为，此前智能机器人一般会用一种很不自然、不够人性化的方式来避障，虽然看起来很有趣，但不够实用。DeepMind采用强化学习训练，偏向于让智能体学习更多的自然行为，可以安全高效地控制真实世界的机器人/机器狗，将机械控制与认知智慧相结合。
类似的强化学习实验还有很多，比如让智能体在网络游戏中展开随机互动，让智能体在模拟的三维世界里搭积木、打扫房间……基本逻辑都是基于人类反馈的奖励模型。
ChatGPT只能解决语言问题，《西部世界》里的人机融合新物种，更灵活的通用家政机器人，可能还真得靠DeepMind的强化学习路线来实现。
DeepMind虽然没有跟风推出类ChatGPT的大语言模型，但并不代表它对这个领域毫无建树，只不过二者关注的技术方向不太一样罢了。
随着使用者的增多，大家可能都发现了类ChatGPT模型的一些限制，比如非常注重数据和语料。
深度学习靠规模数据、庞大算力、充分训练而“大力出奇迹”的暴力美学，在大模型时代发挥到了极致。
这带来了一系列问题，比如中文语料不足，训出来的大模型效果不好，有的中文LLM会用英文语料进行训练，再将答案翻译回中文，这种做法当然是符合业界常规的，但问题在于很多价值观、常识性的东西，是没有办法对齐和翻译的。
而且“暴力计算出奇迹”的大炼模型，打造的语言模型是不可解释的黑盒，金融、政务、工业等行业是不敢用的，无法支撑可靠的决策。
不知道OpenAI和国内厂商打算怎么解决“暴力计算”的弊病，反正DeepMind倒是一直在琢磨不同的路线——不搞暴力美学，大搞神经科学。
DeepMind认为大脑才是机器智能模仿的对象，希望通过对脑科学、神经运动学、元学习等“人类本位”的研究，来提升深度学习模型的鲁棒性、可解释性、可靠性等，让AI达到人类水平的理解能力。
比如重新认识大脑的工作机制，借鉴多巴胺通过调节神经元之间突触连接的强度，提出了一种基于奖励的强化学习理论；在3D游戏世界中创建了模拟心理学实验室Psychlab，能够实施经典的心理实验，显著改进了智能体UNREAL的性能；发现在人工神经网络倾向于避开精确设计的代码，倾向于对成本函数进行暴力优化（不追求奖励最大化，而是追求成本最小化，不做错就没有损失），而人脑的机制却往往会专注在任务实现和奖励上，从这个角度去优化深度神经网络的结构。
2023年发表的一篇新论文中，DeepMind则针对大脑中的回放（replay）机制，提出这是一种组合计算的形式，可以衍生出新的知识，在神经网络中整合回放机制，有望让AI用极少的数据学到新东西，提高认知智能，更接近“智能涌现”。
大脑的智慧让人类爬上了万物之灵的宝座，AI不靠人工而靠智能，为什么不可能呢？
当初OpenAI要走NLP这条“冷门”的路，很多人也觉得不可能，直到产品虽不成熟、但能力十分惊艳的ChatGPT出现，人们才开始纷纷夸赞OpenAI的长期主义。这些年DeepMind默默搞的研究，可能就是下一个“王炸”。
我们都希望中国AI也能诞生影响世界的元创新，其实AI领域并没有那么多独门秘技，很多灵感或技术路线都是公开的，但我们为什么总是听过就算、见过就忘呢？
除了灵光一现的idea， OpenAI和DeepMind不断投入的耐心，强大的工程能力，前沿研究与商业化的平衡，也是值得学习和借鉴的。
不能总是热泪盈眶，总是不长记性，直到下一个《震惊！XXX的XXX又颠覆世界了》……
来源于：36氪
36氪
媒体专栏
阅读更多
金色财经 善欧巴
Chainlink预言机
金色早8点
白话区块链
Odaily星球日报
Arcane Labs
欧科云链
深潮TechFlow
BTCStudy
MarsBit
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。