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。
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。
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。
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。
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。
互动一则
如果想获取此次DeepMind年报完整文件，量子位公众号对话框回复“DeepMind2018”即可。
本文来自微信公众号“量子位”（ID：QbitAI），作者 乾明 栗子 安妮
