谷歌旗下DeepMind團隊本周在官方網站上撰文，回顧了2016年所取得的進展。展望2017年，DeepMind提出了三大發展方向，包括算法突破、社會影響，以及道德倫理的最佳行為。以下為文章全文：

在當前世界中，無論是天氣還是征服疾病，我們都面臨著非常復雜、緊急、難于掌握的系統。我們認為，智能程序將有助于挖掘新的科學知識，給社會帶來幫助。為了實現這一目標，我們需要通用的學習系統，從頭開始建立起對問題的理解，并利用這些去識別模式，取得其他方式無法獲得的突破。在DeepMind，這是我們長期研究使命的焦點。

盡管距離我們設想的智能還有很遠的距離，但2016年是重要的一年。對于多項核心挑戰，我們取得了令人興奮的進展，而我們也首次看到了人工智能對現實世界可能的積極影響。

我們的程序AlphaGo挑戰并擊敗了世界圍棋冠軍李世石，而相關論文很幸運地讓我們第二次登上了《自然》雜志的封面。許多專家認為，這一成就比預期中提前了幾十年。對我們以及全球圍棋社區來說，最令人興奮的是，AlphaGo展示了贏得比賽的創造性，在某些情況下甚至找到了挑戰數千年圍棋智慧的下法。

對于史上最復雜的游戲之一，AlphaGo探索并分享了新思路，這表明了人工智能未來某天可能帶來的價值。我們期待2017年能去完成更多游戲。

我們在生成模型領域也取得了有意義的進展，這樣的軟件能自主想象新的結構和場景。在發表關于圖像生成的PixelCNN論文之后，我們發表至WaveNet的論文展示了生成音頻的有效性。我們通過原始的波形合成了全球最近似真人的語音，而不是將語音樣本簡單地拼接在一起。我們計劃與谷歌合作將這項技術產品化，并且很高興這項技術能給數千萬人使用的產品帶來優化。

另一個重要研究領域是記憶和存儲，尤其是如何將神經網絡的決策能力與復雜結構化數據的存儲和推理能力結合在一起。我們憑借“可微分神經計算機”在18個月內發表了第三篇《自然》論文。

這種模型能同時像神經網絡一樣學習，以及像計算機一樣記憶數據。這樣的模型能學習如何回答關于數據結構的問題，無論是族譜還是地鐵線路圖。這意味著我們更接近利用人工智能通過復雜數據集完成科學發現的目標。

除了推動這類系統用于更多場合，我們還投入了大量時間，優化系統的學習方式。一篇題為“無監督輔助任務的增強學習”論文描述了將某些任務學習速度提升多個數量級的方法。考慮到高質量訓練環境的重要性，我們向整個社區開源了旗艦的DeepMind Lab研究環境。我們也在與暴雪合作，開發用于《星際爭霸2》的人工智能訓練環境。

當然，這些只是冰山一角。通過我們今年在頂級刊物，例如《Neuron》和《PNAS》，以及主流機器學習會議，例如ICLR和NIPS上發表的論文，你可以了解到我們的更多工作。我們很高興看到，社區中的其他參與者正在這些論文成果的基礎上積極部署和開發，例如2016年晚些時候圍棋程序的再次興起，以及人工智能和機器學習在更廣泛的領域快速發展。

我們也很高興看到，這類工作對現實世界的初步影響。我們與谷歌數據中心團隊展開了合作，利用類似AlphaGo的技術發現創造性的新方法管理散熱，使樓宇能效大幅提升了15%。

如果這類技術可以被用于其他大規模工業系統，那么將很可能給全球環境和成本帶來幫助。這只是我們與谷歌多支團隊合作，將先進研究用于全球產品和基礎設施的一個案例。

與此同時，我們也在積極參與與英國兩家NHS（全國醫療系統）醫院的機器學習研究合作，探索我們的技術如何帶來更有效的診斷，以及對影響全球數百萬人的癥狀的治療。

我們還與另兩家醫院集團就移動應用，以及基礎性設施展開合作，給醫療帶來優化。

當然，這類技術對社會的積極影響不僅僅是我們正試圖解決的現實世界問題，也包括算法和模型的設計、訓練和部署方式。我們很自豪，能參與創立Partnership on AI項目。

這一項目將領先的研究實驗室、非營利的民間社會團體，以及學術機構聯合在一起，在算法透明度和安全性等方面制定最佳行為規范。

通過體驗和信息的多樣化，我們希望能協助解決這些挑戰，找到方法將社會目標置于全球人工智能社區的中心。

我們仍是一家年輕的公司，處于使命的早期。但如果2017年我們可以進一步在這三大領域，包括算法突破、社會影響，以及道德倫理的最佳行為，取得同時的進展，那么將可以更好地對科學社區和全世界做出貢獻。