看起來DeepMind用AlphaGo戰(zhàn)敗李世石后似乎就沒啥動(dòng)靜了，但其實(shí)不是的，這家公司正推動(dòng)著AI往縱深發(fā)展，而不是單純的停留在圍棋這樣的領(lǐng)域。只不過這些事情沒有那么抓眼球，所以很多人并沒注意到。很有意思的是從當(dāng)前DeepMind所做的事情里我們其實(shí)可以抽取出一些更有價(jià)值的模式，比如什么是人工智能+，到底應(yīng)該怎么加。
案例1：降低能源消耗
DeepMind第一件在做的事情是用機(jī)器學(xué)習(xí)來管理數(shù)據(jù)中心，期望達(dá)到比人管理更省電的效果。最終結(jié)果非常不錯(cuò)，實(shí)際成績(jī)是：比人管理的時(shí)候節(jié)電40%。
為把事情說清楚需要簡(jiǎn)單介紹一下背景：
Google這類大互聯(lián)網(wǎng)公司的應(yīng)用比如搜索、Gmail、公有云服務(wù)等是完全跑在自己的服務(wù)器集群上的，這些集群無比龐大通常有數(shù)百萬(wàn)臺(tái)服務(wù)器。
由于服務(wù)器太多因此并不會(huì)只放在一個(gè)地方，而是分布在多個(gè)數(shù)據(jù)中心里。管理各個(gè)數(shù)據(jù)中心時(shí)，一個(gè)核心問題就是冷卻。我們手機(jī)用時(shí)間長(zhǎng)了還發(fā)熱，那么多總是在跑的服務(wù)器如果沒有有效的冷卻措施，那數(shù)據(jù)中心會(huì)變的火爐一樣。
數(shù)據(jù)中心的冷卻系統(tǒng)和中央空調(diào)差不多，這樣一來就需要來根據(jù)環(huán)境來控制什么時(shí)候開冷卻系統(tǒng)，開多少度等。但每個(gè)數(shù)據(jù)中心所處的地點(diǎn)、架構(gòu)并不完全一致，這就給管理帶來了一些麻煩。
DeepMind把這種麻煩總結(jié)為三點(diǎn)：
1. 冷卻設(shè)備、操作設(shè)備的方法、環(huán)境之間不是簡(jiǎn)單的線性關(guān)系。也就是說不是環(huán)境溫度是30度時(shí)，那冷卻系統(tǒng)調(diào)成20度就完了。
2. 冷卻系統(tǒng)并不能迅速響應(yīng)內(nèi)部或外部的變化。也就是說外部氣溫上升，你據(jù)此進(jìn)行調(diào)整，但實(shí)際起效果的時(shí)候，外部氣溫可能又下降了。
3. 每個(gè)數(shù)據(jù)中心都有自己獨(dú)特的架構(gòu)和地理位置。
DeepMind解決這問題時(shí)顯然又會(huì)用神經(jīng)網(wǎng)絡(luò)，這次他們訓(xùn)練了三個(gè)神經(jīng)網(wǎng)絡(luò)：
一個(gè)神經(jīng)網(wǎng)絡(luò)用各種傳感器收集來的數(shù)據(jù)進(jìn)行訓(xùn)練，比如：溫度、功率、泵速等；
一個(gè)神經(jīng)網(wǎng)絡(luò)被訓(xùn)練用于預(yù)測(cè)下一小時(shí)的溫度；
一個(gè)神經(jīng)網(wǎng)絡(luò)被訓(xùn)練用于預(yù)測(cè)下一小時(shí)的工作負(fù)荷。
都訓(xùn)練完之后DeepMind把這三個(gè)神經(jīng)網(wǎng)絡(luò)在某一個(gè)數(shù)據(jù)中心進(jìn)行了應(yīng)用，評(píng)測(cè)的指標(biāo)是PUE(Power Usage Effectiveness)，這個(gè)值表示數(shù)據(jù)中心能源消耗在整個(gè)IT能源消耗中的占比（顯然越低越好）。為了說明結(jié)果，DeepMind貼了一張圖出來：
取得效果后DeepMind認(rèn)為，它的這個(gè)神經(jīng)網(wǎng)絡(luò)不只可以用于數(shù)據(jù)中心，而還有一定的通用性，所以準(zhǔn)備把它展開到發(fā)電廠、半導(dǎo)體制造等。
案例原文：https://deepmind.com/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-40/
案例2：看病去
DeepMind的另一個(gè)嘗試是用神經(jīng)網(wǎng)絡(luò)看病，并且專門給項(xiàng)目起了個(gè)名叫DeepMind Health。
醫(yī)療現(xiàn)實(shí)是這樣：每11個(gè)成年人里就有1個(gè)會(huì)得糖尿病，而糖尿病會(huì)讓患者失明的概率提高25倍，如果失明的癥狀能在早期發(fā)現(xiàn)，那么有98%的可能性來治愈這疾玻
但很可惜的是傳統(tǒng)的分析方法非常復(fù)雜，非常有經(jīng)驗(yàn)的眼科專家也要花很多時(shí)間才能做出診斷，所以很難及時(shí)的對(duì)所有病人進(jìn)行精確診斷。
DeepMind解決問題的思路還是通過導(dǎo)入神經(jīng)網(wǎng)絡(luò)。他們同一家叫Moorfields的機(jī)構(gòu)合作，拿到了近百萬(wàn)的原始數(shù)據(jù)。
我們可以想象這些數(shù)據(jù)有兩個(gè)顯然的好處：一個(gè)是這些數(shù)據(jù)是原始的醫(yī)療數(shù)據(jù)，清晰度足夠；一個(gè)是這些數(shù)據(jù)實(shí)際上是標(biāo)記過的。
DeepMind會(huì)用這些數(shù)據(jù)訓(xùn)練它們的神經(jīng)網(wǎng)絡(luò)，然后診斷的問題就變成了從圖片中提取特征的問題，而如我們所知深度學(xué)習(xí)在圖像識(shí)別上其錯(cuò)誤率是比人低的，并且會(huì)越來越準(zhǔn)。
這個(gè)項(xiàng)目還沒有取得實(shí)際效果，但從Imagenet上不斷提高識(shí)別率上來推斷，這會(huì)導(dǎo)致診斷的精度和速度有根本性提升。