DeepMind 巨亏 42 亿，AI 公司为什么赚不了钱|AI|深度学习|人工智能技术_新浪科技

来源：极客公园

来源：硅星人（ID：guixingren123）

作者：Juny，编辑：Vicky Xiao

文章原标题：DeepMind 巨亏 42 亿、独角兽惨遭 3 折贱卖，AI 公司为何难有「好下场」？

正当人们在为 DeepMind 接踵而来的技术突破惊叹连连的时候，DeepMind 交出了一份高达 6.49 亿美元（约 42 亿人民币）的亏损账单。而比 DeepMind 巨额亏损更惨的是 Element AI，这个背靠着全球最大深度学习社区的加拿大明星独角兽，在入不敷出的艰难处境下近期被低价甩卖。而同样的商业化挑战其实也存在于身在硅谷的人工智能研究机构 Open AI 身上。

一眼望去，AlphaFold、MuZero、GPT 这些前沿人工智能技术闪闪发光地站在由钞票堆积的山峰上，但却彷佛很少有人能真的攀上去跟它们握手。

那么，为何人工智能技术一路过关斩将已经发展到了第四代，但商业化的道路却仍旧困境重重？

亏钱的不仅只有 DeepMind

实际上，DeepMind 作为世界上规模最大的人工智能研究机构之一，自从 2010 年正式成立以来，就从没实现过盈利，反而「烧钱」指数还在逐年攀升，若不是 2013 年谷歌花了 6 亿美元收购了 DeepMind，该实验室或许早已破产解散。

幸运的是，DeepMind 的确是遇到了一个足够宠它的「金主爸爸」，虽然被收购后连年巨额亏损，但最近谷歌表示仍旧乐意继续为 DeepMind 提供昂贵的 AI 研究资金，称公司对近期的研究进展很满意，还大臂一挥免除了其 11 亿英镑的债务。

图 2014-2019 年 DeepMind 的亏损额及其增长情况，硅星人制图

而跟 DeepMind 一样被大公司「宠」着的人工智能研究机构还有 Open AI。Open AI 是由马斯克、YC 前总裁奥特曼以及诸多硅谷企业家联合于 2015 年 12 月创立的人工智能非营利组织，旨在预防人工智能可能带来的灾难性影响，并向公众开放专利和研究成果，到 2017 年时就募集了约 10 亿美元的融资。

在 2018 年与马斯克因特斯拉发展和理念冲突分道扬镳之后，Open AI 宣布从非营利实验室转变为「上限盈利」公司，并在 2019 年 7 月接受了来自微软高达 10 亿美元的投资。而 Open AI 之所以做出商业转型，其直接原因是其现有的资金及收入情况并无法满足对计算和人才的持续投入需求。

相比 DeepMind 和 Open AI 还能在大公司的扶持下专注于技术研究，曾被加拿大视为「明日之星」的人工智能独角兽 Element AI 似乎就没有那么幸运了。

关于 Element AI 的发展硅星人此前加拿大的系列文章还曾介绍过：一股「AIaaS」风正刮起：独角兽 Element AI 已变身人工智能「巨无霸」，它由图灵奖得主、「深度学习三巨头」之一的 Yoshua Bengio 于 2016 年 10 月创立。Bengio 所领导的蒙特利尔 MILA 实验室是目前世界上最大的深度学习学术社区，Element AI 所开发的产品都是基于 MILA 中大量学者几十年来的人工智能技术相关研究，Element AI 也是近年来世界上发展最快的人工智能初创公司之一，曾被认为是加拿大日后人工智能产业的领导者。

然而，这家曾经意气风发、旨在要做全球人工智能咨询业开创者的明星公司，就在上个月被曝出将被美国云计算平台服务商 ServiceNow 收购，而且收购价仅为 2.3 亿美元。不仅远远低于其上一轮融资中超过 10 亿加币的估值，甚至还不足 4 年来 2.57 亿美元的融资总额。

据《环球邮报》此前披露的一份文件显示，收购前夕，Element AI 的资金链几乎已经枯竭、大量员工被解雇，年收入仅仅只有 1000 万加币左右。而在扣除成本费用后，Element AI 最终收购价格可能只有不到 1.95 亿美元。

「烧钱」机器和应用困境

虽然这几个人工智能实验室的命运各不相同，但它们有一个共同点，即是都是围绕着深度学习、强化学习等前沿领域开展人工智能技术研究，DeepMind、Open AI 都旨在最终实现通用人工智能（AGI）。所谓的通用人工智能，就是让机器具有一般人类智慧，可以执行人类能够执行的任何智力任务。

近年来，这些人工智能研究机构也确实在朝着通用人工智能方向行进，并取得了不俗的成绩，但技术的突破并没有带来商业回报，投入和产出相距甚远。而横梗在 AI 商业化道路上的两块巨石，一个是资金，另一个是应用。

首先，要想在机器学习领域做出突破，不「烧钱」是不可能的，不仅要「烧」还是一车车的「烧」。由于深度强化学习展是建立在海量的数据处理、复杂的知识推理上的，常规的单机计算模式难以支撑，因此对训练模型时计算机资源的需求极高。

比如 2020 年 5 月微软推出了为 Open AI 专门打造的超级计算机用于 AI 模型训练，花费上亿美元，谷歌的 TPU 一直处于打骨折给 DeepMind 租用的状态。除了硬件，在训练方面，以 Open AI 著名的文本生成算法 GPT 为例，一个拥有 15 亿参数的模型，每小时训练都要花费 2048 美元，而类似于 DeepMind 的 AlphaGo 算法，成功之前需要至少完成数百万次自我博弈，光训练费就要花 3500 万美元。

除了技术基础设施以外，研究人员工资又是另一大头。虽然学计算机的人越来越多，但能够从事深度强化学习研究的人却是凤毛菱角，美国顶级的研究人员年薪至少百万美元起。根据 DeepMind 上个月披露的财报数据显示，2019 年其人员开支就高达 4.6 亿英镑（约 40 亿人民币），较上年又增长了 17.6%。

图DeepMind 的 2019 年的费用构成，图片截自于 DeepMind 公开披露财务报告

因此，Element AI 不到 4 年 2.6 亿美元的融资或许对于其他初创公司来讲是一笔巨款，但对于拥有将近 500 名员工的 Element AI 仅仅只是杯水车薪，若没有像谷歌、马斯克、微软这种有财力的大金主的支持，也难怪其最终走到资金链枯竭、难以为继的困境中。

而另一方面，在「节流」不可能的情况下，「开源」也并不容易。

技术即使被神化或畅想得再厉害，不得不承认的是，深度强化学习的大规模商业应用场景目前还并没有出现。从 AlphaGo 在 2015 年首次战胜人类已经过去了 5、6 年，但在当时曾预想过给人类带来的颠覆性影响到如今还并未过多显现。

其主要原因在于，在真实的世界中，很多事情并非像棋局、游戏那样存在各种限制的环境，也没有足够的条件和数据能够让机器进行训练和学习。而在实验室的开发过程中，大多数的模型是为特定的任务而不是泛化进行训练，因此人工智能虽然能在玩各种电子游戏、棋类游戏中显现出卓越的能力，但在复杂的现实环境中可能就变得很脆弱。

简而言之，就是目前这些技术在现实中应用的可靠性还不够。

DeepMind 虽然近年来看起来营业收入在逐年上升，但从披露的财务数据来看，为其技术产品买单的其实还是谷歌。去年虽然推出了首款 30 秒内准确诊断眼疾的 AI 商业产品，也由于涉及高风险领域并没有激起多大水花。

图DeepMind 的眼疾诊断 AI，图片来源于网络

Open AI 虽然 2020 年发布了首款基于 GPT-3 推出的商业文本生成器，但在实际应用过程中，出现了带有歧视性、偏见或低级错误的语句，反而还需要采购者投入人力去检验校正，因此也只是被作为辅助性工具来使用。

而 Element AI 从 2019 年开始将几款 AI 产品推向市场，包括为金融机构提供网络安全服务、帮助港口营办商预测卡车司机的候车时间等，但都效果不佳，据披露消息称，公司与数家客户在合作过程中出现了困难，最后以年收入仅 1000 万加币暗淡收场。

一切或许都需要时间的沉淀

但对于前沿人工智能技术不尽人意的市场，我们或许可以说，只是时机尚未成熟。

目前在人工智能商业化应用场景中，被最广泛使用的，是计算机视觉、智能语音、自然语言处理等几个主要技术方向，但要知道，这些主流 AI 技术从上个世纪 7、80 年代开始就在被不停的修改、论证，经过了几十年的发展，直到如今才被大规模的商用。而 DeepMind、Open AI 所在追寻的通用人工智能技术，当前还仅仅处于开场阶段。

而对于 AI 商业化来讲，其实也并非是现有的技术不成熟，或是完全没有应用场景，而是技术和场景的磨合期还不够长，没有针对场景进行有目的的优化。

人工智能带来的变革能力难以预估，实际上，全球科技巨头都在纷纷重金押注。在国内，百度近几年来几乎是「All in AI」，从 2013 年建立了中国第一个深度学习研究院开始，百度每年把 15% 的营收约 100 亿人民币用于人工智能研发，研发投入累计已近千亿元。而李彦宏在百度世界 2020 大会上仍旧表示对人工智能要「长期坚持、坚定信仰」。