DeepMind的亏损显示了AI行业的挑战
2022年1月14日整理发布:上周,有消息称,总部位于英国的著名人工智能研究实验室 DeepMind 为其母公司 Alphabet Inc. 累积巨额亏损。根据提交给英国公司注册处的文件,DeepMind 在 2018 年亏损 5.7 亿美元,高于 341 美元2017 年 100 万。
DeepMind 是过去几年中一些最显着壮举背后的 AI 装备,包括在围棋比赛中击败人类冠军的 AI开发了在星际争霸 2 中击败人类冠军的深度学习模型。同样拥有科技巨头谷歌的 Alphabet 于 2014 年以 6.5 亿美元收购了 DeepMind。从那时起,它一直在向人工智能研究实验室投入资金,但没有获得可观的回报。DeepMind 今年有 10.4 亿英镑的债务到期,其中包括来自 Alphabet 的 8.83 亿英镑贷款。
DeepMind 的巨额成本暴露了人工智能行业正在努力应对的一些最严峻的挑战。以下是一些关键要点。
人工智能人才稀缺正在将研究集中在少数强大的人身上
根据公布的信息,DeepMind 支付了 4.83 亿美元给大约 700 名员工,这意味着每位员工的平均收入约为 700,000 美元。当然,薪酬分配不均,DeepMind 的一些 AI 工程师的薪水达到七位数。
目前,能够领导像 DeepMind 这样的创新项目研究实验室工作的 AI 人才非常稀缺。这在科技巨头之间引发了一场向人工智能工程师提供更高薪水的竞赛,以期将他们吸引到他们的研究团队中。在像谷歌这样的大型科技公司和像 OpenAI 这样资金充足的人工智能研究实验室中,向人工智能研究人员支付超过 100 万美元已经变得很普遍。
聘请 AI 研究人员的巨额成本在几个方面存在问题。大型科技公司之间的人工智能军备竞赛使小型公司和组织更难为人工智能研究贡献自己的份额。毕竟,并不是每家公司都能负担得起人工智能研究人员七位数的薪水。
但也许更具破坏性的影响是学术人工智能的人才流失。大型科技公司日益增长的兴趣和雄厚的财力正将人工智能人才吸引到商业实体。大学发现越来越难留住他们的人工智能研究人员,因为他们无法与大型科技公司提供的丰厚奖励相提并论。
有一些人工智能研究人员更愿意将时间花在报酬较低的学术项目上,但他们的人数正在减少。
随着人工智能人才集中在少数强大的组织中,人工智能研究和创新可以专注于为这些公司的利益服务,而不是公共利益。在某些情况下,商业和公共利益是一致的,但这不是规则。社交媒体和令人上瘾的科技的灾难性状态 表明,当科技公司决定优先考虑自己的底线时会发生什么。大型科技公司垄断人工智能行业的影响可能更加严重。
根据我研究数十个商业和学术 AI 项目并与他们的工程师和高管交谈的经验,两者之间需要取得平衡。
学术项目提供可公开访问的基础设施、开源、通用人工智能工具,可以解决各种组织的问题并实现长期目标。它们解决了基本问题,但还没有准备好开箱即用。它们通常需要集成到其他产品和软件中,并且需要针对特定?目的对技术专业知识进行微调。
另一方面,商业人工智能项目提供端到端、即用型的解决方案,组织和个人可以购买并立即使用这些解决方案来解决问题。它们易于使用,可供不具备 AI 专业知识的人员和组织使用。但通常,它们不接受修改,并且隐藏在开发它们的商业实体的围墙花园后面。开发人员通常不会分享有关 AI 技术如何工作的详细信息,并将其视为 IP 和商业机密。当你使用他们的人工智能系统时,一些实体拥有你生成的数据的所有权,而这项服务的成本很高(毕竟他们确实必须支付那些昂贵的人工智能研究人员)。
通常在资助下运行,学术人工智能研究不受投资回报的限制,可以运行长期项目而不用担心收入。但商业人工智能一直面临着希望看到投资回报的投资者的压力。这就是为什么他们瞄准可以在短期内实现的目标。
随着大型科技公司招募越来越多的人工智能研究人员加入他们的行列,人们担心商业人工智能将会太多而学术工作太少。
幸运的是,有一些举措可能有助于弥合这一差距,例如MIT-IBM Watson AI Lab,它汇集了商业和学术 AI 的资源和人才,以开发可以造福所有人的项目,例如使AI对对抗性攻击和另一个有助于理解神经网络内部工作的模型更健壮。
其他可能有助于缓解由人工智能人才成本造成的差距的发展是许多在线教育计划,例如Fast.ai,这是一个免费课程,向任何具有基本编码技能和对高中数学有良好理解的人教授深度学习。这些课程将有助于扩大人工智能人才库,让那些没有大型科技公司资源和资金的组织更能负担得起和使用它。
运营成本限制了人工智能研究
DeepMind 亏损的另一个重要因素是运营和基础设施成本。人们普遍认为,由于人工神经网络的性质,即人工智能行业当前的重点,开发深度学习模型需要大量的数据和计算资源。
然而,正如AI 研究员 Jeremy Howard 解释的那样,这并不一定成立。有很多场景和用例,您可以使用最少的训练数据开发深度学习模型,并花几块钱在云中租用 GPU。
还有大量预训练的神经网络可以通过迁移学习以最小的努力和资源为新的目的进行微调。
但是许多需要强化学习的 AI 研究项目仍然非常耗费资源。强化学习是一种训练技术,其中人工智能模型被赋予问题的基本规则和奖励函数,并自行探索环境并找到解决方案。强化学习用于机器人技术和教 AI 机器人玩游戏等领域。
例如,根据DeepMind 发布的数据,其星际争霸 AI 模型由 18 个代理组成。每个 AI 代理都使用 16 个 Google TPU v3 训练了 14 天。这意味着,按照当前定价(8.00 美元/TPU 小时),该公司为 18 个 AI 代理花费了 774,000 美元。其他强化学习项目可能有类似的成本。
克服这一障碍可能比降低人工智能人才的成本要困难得多。但这项工作已经有了有趣的努力。一种可能的解决方案是开发结合神经网络和基于规则的程序的混合人工智能系统。根据初步结果,经过强化学习训练的混合 AI 系统可以用更少的数据和计算资源实现其目标。这些类型的人工智能模型可能使更多资源和现金受限的组织能够运行自己的研究计划。
这些项目和努力中的任何一个是否有助于降低人工智能的成本还有待观察。但 DeepMind 不断增长的亏损提醒我们当前人工智能面临的挑战以及引导行业朝着正确方向发展的必要性。