人才依然很貴，營收賺錢有起色，但巨額虧損仍在擴大。
這不是隨便哪家AI公司，這是打造了AlphaGo的DeepMind，也可能是整個AI行業的真實寫照。
我們從剛剛曝光的DeepMind最新一年財務數據說起。
報告中顯示，DeepMind在2018年虧損繼續擴大，達到4.7億英鎊，約合人民幣40億，平均下來每天燒掉1000多萬。
DeepMind如此燒錢的核心原因是什么？
人太貴了。從DeepMind的財務報告來看，其絕大部分支出都集中在人員上，相關開支在2018年增長到3.98億英鎊，與2017年相比，幾乎翻了一番。
按領英數據，DeepMind的員工數量已經達到了839名員工。平均下來每名員工的成本接近47萬英鎊，相當于人民幣400萬——真正的數·百萬年薪。
大幅支出之下，DeepMind還欠了一屁股債。截止到今年底，它將有超過10億英鎊的債務到期，其中8.8億來自谷歌。
不過好消息是，雖然燒錢速度快得驚人，但谷歌依然撐得起、撐到底。
DeepMind在報告最后展望，在至少未來12個月時間里，谷歌會繼續向他們提供充足的財務支持，還寫下了書面保證。
不過不擔心DeepMind，不意味著每家AI公司都能有谷歌這樣的金主好爸爸。
而且谷歌提供的支持，還體現在營收來源方面。
財報顯示，2018年DeepMind營收1.028億，比起上年的5440萬，漲幅達到88.9%，幾乎翻番。
或許你會問，DeepMind營收模式是什么？
DeepMind披露：目前主要營收業務是前沿機器學習研究和應用，包括向其他公司提供技術服務。
而且這個“其他公司”，不是別人，正是好爸爸谷歌。
DeepMind向谷歌出售了一些軟件。谷歌已經用它提供的AI系統，讓數據中心里的冷卻單元 (Cooling units) 變得更加節能，并且增加了安卓設備的電池壽命。
但是，即便營收翻番，2018年DeepMind虧損依然達到4.7億英鎊，比去年的3.02億英鎊，增長了55.6%。其中，經營虧損 (Operating Loss) 為4.65億英鎊，2017年為279億英鎊。
上文也說了，虧損核心原因是員工成本太高、工資不低，共3.98億英鎊，占經營虧損的84.6%。
近年來，DeepMind一直在大力招募機器學習研究人員和數據科學家。
2016年底，DeepMind員工人數超過350。2017年底，人數達到700。如今，LinkedIn顯示DeepMind員工至少有839人。
財報還表示，技術方面的基礎設施增加，也是一項重要的支出。
另外，DeepMind還披露，去年向學界的捐贈和贊助，達到了1350萬英鎊，約合1.16億元——可能也是出于人才搶奪。
最后，還有一筆施工建樓、裝修和買家具方面的開銷，總共約1300萬英鎊，約合人民幣1.1億。
按照計劃，2020年DeepMind就要搬進倫敦的新總部了。
所以英國人確實優雅天成，即便巨額虧損、賺錢和投入都得靠谷歌爸爸，但都不是事兒，再苦不能苦辦公，再窮不能窮薪水。
虧損，不斷擴大的虧損，是DeepMind的常態。自從2010年成立以來，這家AI公司就沒有盈利過。
虧損額從2011年度的29.3萬英鎊，一路猛增到去年的4.7億英鎊，七年時間增長了1600多倍。
從2014年開始，也就是被谷歌收購之后，DeepMind開始在財報中披露員工成本，這個數字從2604萬英鎊，增長到去年的3.98億英鎊，四年增長15倍。
但谷歌有錢。
2014年1月，谷歌以4億英鎊（時值約5.19億美元）的價格將其收購，為其提供了堅實的資金支持。
于是，就算有巨額虧損， DeepMind還是能夠繼續捐贈，興建新總部。
相比之下，對標它的另一家AI研究機構OpenAI，日子就沒有那么滋潤了。
巨大的研發成本，讓這家非營利機構逼成了營利機構，研究成果方面也云山霧罩，一度被人指責成CloseAI。
甚至最新的一筆來自微軟的10億美元融資，也被《紐約時報》質疑，認為是用云計算資源兌換的，而它的代價則是簽了微軟獨家云計算資源供應商，還要讓微軟代理技術商業化。
所以如今搞AI，也都得拼爹。
對于目前的財務狀況，DeepMind也給出了回應。
在給福布斯的一份聲明中，DeepMind表示，自己的長期使命，是推進AI研究、實現積極社會效益。
他們表示，相信AI有很大潛力促進科學發現，并對蛋白質折疊等領域的工作產生的影響感到自豪。
DeepMind解釋說，DeepMind for Google團隊還將取得大進展，也會進一步將自己的經驗和知識在谷歌研究中體現，應用于現實世界的挑戰。正因如此，過去一年的收入幾乎翻了一番。未來會繼續投資基礎研究和世界一流的跨學科團隊，期待未來的突破。
在這份財報發布前，外媒Wired發表了一篇關于DeepMind CEO的專訪，涉及到不少對DeepMind未來發展方向的思考。
哈薩比斯表示，科學中最有趣的領域競在學科之間的差異之處。當這種情況發生時，奇跡就發生了。
所以，DeepMind當前的研究重點，就是讓AI與生物學中的蛋白質折疊研究聯系起來。
如果了解大自然制造蛋白質的過程，人類豈不是可以自己制造蛋白質了？這樣一來，由于蛋白質折疊錯誤引發的帕金森綜合征、阿茨海默癥和糖尿病等不都有了解決方法。
深度學習恰好是這項研究中的關鍵一步。雖然基因組數據量大繁雜，但機器學習恰好在從氨基酸序列中預測蛋白質結構等研究中幫上一把。
哈薩比斯還透露，在過去幾個月中，他們完成了對90種蛋白質結構的預測，平均而言，內部AlphaFold系統團隊的結果優于其他研究：
對于從頭開始建模蛋白質序列這件事，AlphaFold團隊對25種蛋白質的預測是最準確的。
在這樣一場學術競賽中，DeepMind還要面臨來自頂級高校的團隊的挑戰。
哈薩比斯覺得，DeepMind在工程工程方面的實例不容小覷，執行力會超過研究部門，因為學術團體在搞研究這件事上一向顯得太隱秘了。
還有一點，DeepMind在計算資源方面能夠自給自足。哈薩比斯沒有說謊，此前在訓練“史上最強GAN”BigGAN時，DeepMind就用了512塊TPU。
可參考此前文章：
訓練史上最佳GAN用了512塊TPU，一作自述：這不是算法進步，是算力進步
哈薩比斯還談到了項目管理秘籍：最重要的就是加快更新頻次。
他表示每六個月，高級管理人員會審查優先事項，重新組織一些項目，并鼓勵團隊尤其是工程師加一把勁，或者調整任務。
因為學科的交叉會加大一些研究難度，因此許多項目研究需要超過六個月，通常在2到4年為一個大周期。
哈薩比斯認為，雖然是CEO，但他希望將50％的時間直接花在研究上。他多次提到，盡管取得了小進展，但仍有很長的路要走。
DeepMind的最終目的，過去、現在和未來，依然是實現通用人工智能——AGI。
