乾明 栗子 安妮 发自 凹非寺
　　量子位 出品 公众号 QbitAI

　　人才依然很贵，营收赚钱有起色，但巨额亏损仍在扩大。

　　这不是随便哪家 AI 公司，这是打造了 AlphaGo 的 DeepMind，也可能是整个 AI 行业的真实写照。

　　我们从刚刚曝光的 DeepMind 最新一年财务数据说起。

　　一、每天烧 1000 万，人均年薪 400 万

　　报告中显示，DeepMind 在 2018 年亏损继续扩大，达到 4.7 亿英镑，约合人民币 40 亿，平均下来每天烧掉 1000 多万。

　　DeepMind 如此烧钱的核心原因是什么？

　　人太贵了。从 DeepMind 的财务报告来看，其绝大部分支出都集中在人员上，相关开支在 2018 年增长到 3.98 亿英镑，与 2017 年相比，几乎翻了一番。

　　按领英数据，DeepMind 的员工数量已经达到了 839 名员工。平均下来每名员工的成本接近 47 万英镑，相当于人民币 400 万——真正的数·百万年薪。

　　大幅支出之下，DeepMind 还欠了一屁股债。截止到今年底，它将有超过 10 亿英镑的债务到期，其中 8.8 亿来自谷歌。

　　不过好消息是，虽然烧钱速度快得惊人，但谷歌依然撑得起、撑到底。

　　DeepMind 在报告最后展望，在至少未来 12 个月时间里，谷歌会继续向他们提供充足的财务支持，还写下了书面保证。

　　不过不担心 DeepMind，不意味着每家 AI 公司都能有谷歌这样的金主好爸爸。

　　二、投入靠谷歌，赚钱也靠谷歌

　　而且谷歌提供的支持，还体现在营收来源方面。

　　财报显示，2018 年 DeepMind 营收 1.028 亿，比起上年的 5440 万，涨幅达到 88.9%，几乎翻番。

　　或许你会问，DeepMind 营收模式是什么？

　　DeepMind 披露：目前主要营收业务是前沿机器学习研究和应用，包括向其他公司提供技术服务。

　　而且这个“其他公司”，不是别人，正是好爸爸谷歌。

　　DeepMind 向谷歌出售了一些软件。谷歌已经用它提供的 AI 系统，让数据中心里的冷却单元 (Cooling units) 变得更加节能，并且增加了安卓设备的电池寿命。

　　但是，即便营收翻番，2018 年 DeepMind 亏损依然达到 4.7 亿英镑，比去年的 3.02 亿英镑，增长了55. 6%。其中，经营亏损 (Operating Loss) 为 4.65 亿英镑，2017 年为 279 亿英镑。

　　上文也说了，亏损核心原因是员工成本太高、工资不低，共 3.98 亿英镑，占经营亏损的84. 6%。

　　近年来，DeepMind 一直在大力招募机器学习研究人员和数据科学家。

　　2016 年底，DeepMind 员工人数超过 350。2017 年底，人数达到 700。如今，LinkedIn 显示 DeepMind 员工至少有 839 人。

　　财报还表示，技术方面的基础设施增加，也是一项重要的支出。

　　另外，DeepMind 还披露，去年向学界的捐赠和赞助，达到了 1350 万英镑，约合 1.16 亿元——可能也是出于人才抢夺。

　　最后，还有一笔施工建楼、装修和买家具方面的开销，总共约 1300 万英镑，约合人民币 1.1 亿。

　　按照计划，2020 年 DeepMind 就要搬进伦敦的新总部了。

　　所以英国人确实优雅天成，即便巨额亏损、赚钱和投入都得靠谷歌爸爸，但都不是事儿，再苦不能苦办公，再穷不能穷薪水。

　　三、烧钱，不断烧钱

　　亏损，不断扩大的亏损，是 DeepMind 的常态。自从 2010 年成立以来，这家 AI 公司就没有盈利过。

　　亏损额从 2011 年度的 29.3 万英镑，一路猛增到去年的 4.7 亿英镑，七年时间增长了 1600 多倍。

　　从 2014 年开始，也就是被谷歌收购之后，DeepMind 开始在财报中披露员工成本，这个数字从 2604 万英镑，增长到去年的 3.98 亿英镑，四年增长 15 倍。

　　但谷歌有钱。

　　2014 年 1 月，谷歌以 4 亿英镑（时值约 5.19 亿美元）的价格将其收购，为其提供了坚实的资金支持。

　　于是，就算有巨额亏损， DeepMind 还是能够继续捐赠，兴建新总部。

　　相比之下，对标它的另一家 AI 研究机构 OpenAI，日子就没有那么滋润了。

　　巨大的研发成本，让这家非营利机构逼成了营利机构，研究成果方面也云山雾罩，一度被人指责成 CloseAI。

　　甚至最新的一笔来自微软的 10 亿美元融资，也被《纽约时报》质疑，认为是用云计算资源兑换的，而它的代价则是签了微软独家云计算资源供应商，还要让微软代理技术商业化。

　　所以如今搞 AI，也都得拼爹。

　　四、将要往何处去？

　　对于目前的财务状况，DeepMind 也给出了回应。

　　在给福布斯的一份声明中，DeepMind 表示，自己的长期使命，是推进 AI 研究、实现积极社会效益。

　　他们表示，相信 AI 有很大潜力促进科学发现，并对蛋白质折叠等领域的工作产生的影响感到自豪。

　　DeepMind 解释说，DeepMind for Google 团队还将取得大进展，也会进一步将自己的经验和知识在谷歌研究中体现，应用于现实世界的挑战。正因如此，过去一年的收入几乎翻了一番。未来会继续投资基础研究和世界一流的跨学科团队，期待未来的突破。

　　在这份财报发布前，外媒 Wired 发表了一篇关于 DeepMind CEO 的专访，涉及到不少对 DeepMind 未来发展方向的思考。

　　哈萨比斯表示，科学中最有趣的领域竞在学科之间的差异之处。当这种情况发生时，奇迹就发生了。

　　所以，DeepMind 当前的研究重点，就是让 AI 与生物学中的蛋白质折叠研究联系起来。

　　如果了解大自然制造蛋白质的过程，人类岂不是可以自己制造蛋白质了？这样一来，由于蛋白质折叠错误引发的帕金森综合征、阿茨海默症和糖尿病等不都有了解决方法。

　　深度学习恰好是这项研究中的关键一步。虽然基因组数据量大繁杂，但机器学习恰好在从氨基酸序列中预测蛋白质结构等研究中帮上一把。

　　哈萨比斯还透露，在过去几个月中，他们完成了对 90 种蛋白质结构的预测，平均而言，内部 AlphaFold 系统团队的结果优于其他研究：

　　对于从头开始建模蛋白质序列这件事，AlphaFold 团队对 25 种蛋白质的预测是最准确的。

AlphaFold 预测的蛋白质骨架结构之一

　　在这样一场学术竞赛中，DeepMind 还要面临来自顶级高校的团队的挑战。

　　哈萨比斯觉得，DeepMind 在工程工程方面的实例不容小觑，执行力会超过研究部门，因为学术团体在搞研究这件事上一向显得太隐秘了。

　　还有一点，DeepMind 在计算资源方面能够自给自足。哈萨比斯没有说谎，此前在训练“史上最强 GAN”BigGAN 时，DeepMind 就用了 512 块 TPU。

　　可参考此前文章：

　　训练史上最佳 GAN 用了 512 块 TPU，一作自述：这不是算法进步，是算力进步

　　哈萨比斯还谈到了项目管理秘籍：最重要的就是加快更新频次。

　　他表示每六个月，高级管理人员会审查优先事项，重新组织一些项目，并鼓励团队尤其是工程师加一把劲，或者调整任务。

　　因为学科的交叉会加大一些研究难度，因此许多项目研究需要超过六个月，通常在 2 到 4 年为一个大周期。

　　哈萨比斯认为，虽然是 CEO，但他希望将 50％ 的时间直接花在研究上。他多次提到，尽管取得了小进展，但仍有很长的路要走。

　　DeepMind 的最终目的，过去、现在和未来，依然是实现通用人工智能——AGI。

　　参考文章：

　　https://www.forbes.com/sites/samshead/2019/08/07/deepmind-losses-soared-to-570-million-in-2018/#7b98a36e3504

　　https://www.wired.co.uk/article/deepmind-protein-folding