Google DeepMind 如何使用 AI 解決現實世界問題

Alphabet Inc. 收購了總部位於英國的通用 AI （AGI）公司 Google DeepMind AI，而該公司即將對現實世界產生巨大影響。DeepMind 是一個用於解決廣泛問題的 AI 系統。到目前為止，AI 系統已經解決了複雜的圍棋遊戲、甚至解釋了蛋白質的三維折疊。Google DeepMind AI 也提高了節能效率並識別某些疾病。在預計將有更多產品在該 AI 系統下面世之際，讓我們來看看它是如何運作的，以及其相關應用。

AI Wondershare Filmora

一個跨平台的具有 AI 功能的影片製作工具，適用於所有創作者！

免費下載 免費下載 了解更多

第一部分：介紹Google DeepMind：定義和歷史

引入 DeepMind 的主要目標是「解決智慧」和「推進科學」。與為特定任務編碼的其他 AI 系統不同，DeepMind 是從自己的經驗中學習，而這些創新引起了 Google 的關注。自被收購以來，DeepMind 已取得了一些顯著的成果。

有一段時間，Google DeepMind AI 一直被用於研究和開發目的。然而，隨著 AI 變得更加強大，這個實驗室的產品變得更加顯著。最近，DeepMind 成立了一個名為 DeepMind Ethics and Society（倫理社會）的單位，旨在解決有關 AI 引起的倫理問題。Google DeepMind 在最近的一段時間內的其他貢獻還包括：

• Deep Mind Sparrow: 一個設計來正確回答問題，降低不當和不安全答案風險的聊天機器人。
• Deep Mind Gato: 用於複雜任務的深度神經網路。它在對話中展示多模式性，控制機器手臂、玩影片遊戲、堆疊積木等等。
• AlphaGo：第一個擊敗專業人類圍棋選手的電腦程式
• AlphaStar:一款 AI 掌握的即時戰略遊戲《星際爭霸II》
• AlphaFold:一個從氨基酸序列預測蛋白質的3D結構的系統
• AlphaCode：一款可以像有競爭力的程式設計師一樣編寫電腦程式的 AI 系統
• AlphaZero:一個在國際象棋、圍棋和將棋中以超人水準下棋的系統
• WaveNet:一種先進的文字轉語音技術，可以從原始音訊訊號創造出聽起來自然的語音

DeepMind 的工作有潛力將社會的許多方面革命化。AlphaFold可以用來開發新的藥物和療法。另一方面，AlphaZero則有潛力提高物流系統的性能。隨著深度思維研究的不斷增加，該公司將進入更多領域。這將使 AI 實驗室成為一個革命性的強大力量，重新定義 AI 的極限。

DeepMind AI 的背景和歷史

Google DeepMind 是一家位於英國的 AI 研究實驗室。該公司最初是由三位科學家於 2010 年創立的 DeepMind Technologies。後來在 2014 年以4億英鎊被谷歌收購。這筆收購使該公司獲得了頂尖的 AI 專家，而 Alpahet Inc. 成為了這一革命性產品的所有者。該公司現在已經擴大到擁有700多名員工和多個全球辦事處。

DeepMind 由一群在各個領域享譽盛名的 AI 專家組成。他們專注於計算機科學、神經科學、數學和物理。此外，能存取 Google 廣泛的資料中心使得 DeepMind 能夠挑戰更多領域。其中一種方式是與 Google Health 和 Google Cloud 合作部署由 AI 生成的解決方案。

DeepMind AI 的運作方式: 結構和技術

DeepMind 的 AI 使用深度學習語言在卷積神經網路上。該網路包括一種稱為 Q-learning 的無模型增強技術。它使得 DeepMind 在預測結果方面更加精確。這種方法讓 DeepMind 技術能夠自主學習遊戲。

該技術模擬了人類視覺皮層的組織。它讓 DeepMind 能夠分析大量的資料，並識別不實用的模式。人工神經網路由一個互相連接的節點網路組成。這些模式工作方式類似於人腦解決問題的方式。它們可以透過調整連接的權重來學習複雜的模式。當 Google DeepMind AI 被要求擊敗 Atari 遊戲庫時，它使用了這種方法來理解遊戲，過了一段時間，AI 便能夠比人類更好、更高效地玩遊戲。

了解 DeepMind 模型的學習結構

DeepMind 的 AI 系統專注於使用強化學習來解決複雜問題。在 AlphaGo 中， AI 透過學習遊戲的模式來預測下一步最佳棋步。神經網路通過資料學習並進行預測。在 AlphaFold 中，AI 使用神經網路來學習蛋白質折疊的模式，並根據氨基酸序列預測蛋白質的三維結構。

DeepMind 不斷從自身的經驗中學習。它會觀察自己在特定環境中的行為。在訓練期間，AI 會因產生期望的結果而獲得獎勵，然後它會因不良結果而受到懲罰。例如，AlphaGo 是在數百萬局圍棋比賽的資料集上進行訓練的。它學會了透過數百萬次與自身對弈來下圍棋，並因贏棋而獲得獎勵，因輸掉而受到懲罰。這有助於 AI 學習最有可能導致勝利的招法。

類似地，AlphaFold 被訓練於數百萬個蛋白結構的資料集上。它通過自我對弈數百萬次來預測蛋白質的三維結構。它在做出準確預測時獲得獎勵，並因不準確預測而受到懲罰。隨著時間的推移，AlphaFold 在預測蛋白質的三維結構方面變得更加準確。

DeepMind AI 能做什麼: 主要貢獻和成功的部分

DeepMind 對整個社會做出了重大貢獻，包括了在複雜的棋盤遊戲中具有超人類表現的系統，以及能夠行走和奔跑以及3D結構預測的機器人。自 2020 年成立以來，該公司已開發出多項 AI 技術，幫助辨識眼部疾病並優化某些設備的性能。簡而言之，Google 的 DeepMind AI 旨在利用 AI 演算法的能力來解決對人類有益的問題。讓我們來看一下這些 AI 系統的一些主要成功。

棋局遊戲

AlphaGo 在圍棋遊戲中取得了超出人類的表現。2016年，AlphaGo 透過擊敗職業圍棋選手李世乭取得了驚人的成就。這是一個重要的里程碑，顯示了 AI 能夠掌握以前僅限於人類領域的複雜遊戲。這次 AI 擊敗了韓國冠軍，成為 DeepMind 唯一擊敗人類的機器，成就了定義性的時刻。

醫療保健

AlphaFold 從它們的氨基酸序列預測蛋白質的三維結構。研究人員現在正使用這個 AI 系統來研究蛋白質並開發新藥物。最顯著的是，AlphaFold 被用來開發 COVID-19 和阿茲海默症的藥物。蛋白質組學的突破有潛力將科學研究整個革命化，並開發出拯救生命的藥物。

快速進行現代化，並在各種領域中取得成功和成就的關鍵，是持續不斷地學習和進步。機器人學

Robocat 是一個自我改進的機械人代理，能操作不同的機械手臂。它亦可以在少量示範的情況下解決任務。機械人使用自行生成的資料去提高它的效率。這個方法預計有助於改善類似的建築過程。隨著 DeepMind 技術的不斷進步，它的能力亦不斷擴充。這是科技大門的開放，重新界定了人與機械的界限。

4. 能源效率

DeepMind 開發了 AI 系統，以提高 Google 資料中心的能源效率。AI 透過使用強化學習，優化了能源消耗率，並降低了40%的冷卻費用。DeepMind 也被用於提高 Google 地圖中交通減速預測的準確性。該技術對於 Android 的自適應亮度和電池功能至關重要。

結論

DeepMind 是一家領先的 AI 研究組織，為解決社會中的複雜問題發展了先進的 AI 系統。在 DeepMind AI 的範疇下，進展中的工作預計將對社會的更多方面產生影響。隨著 AI 系統的不斷演進和成長，預計其應用將變得更加多樣化。如果您對影片編輯感興趣，我們建議您試看看Wondershare Filmora這款多功能視訊編輯軟體，它提供了各種 AI 功能，包括圖像生成器和編輯器。