在OpenAI推出ChatGPT之后，国内外科技圈也逐渐掀起了大语言模型的技术浪潮，那么同样瞄准人工智能AGI、却有着不同实现路径和发展路径的DeepMind，又有着哪些动作？不妨跟着本文的作者，来看看DeepMind目前在憋的“大招”有哪些吧。

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？”

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。

一、AI要取代科学家，够不够震惊？

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。

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。

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？

数学、物理，这些涉及抽象世界和人类深层直觉的领域，DeepMind也已经取得了突破。

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。

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”之类的标题给骗了。

AI参与核聚变的研究进程——核物理无论从学术还是社会政治经济的角度，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。

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。

二、现实版《西部世界》够不够炸裂？

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。

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。

三、像人脑一样思考的AI，够不够有趣？

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》……