Подразделение Google DeepMind представило новую версию модели искусственного интеллекта AlphaFold, которая предсказывает форму и поведение белков. AlphaFold 3 отличается не только более высокой точностью — теперь система предсказывает взаимодействие белков с другими биологическими молекулами; кроме того, её ограниченная версия теперь бесплатно доступна в формате веб-приложения.

Источник изображения: blog.google

С выхода первой нейросети AlphaFold в 2018 году она стала ведущим методом прогнозирования структуры белков на основе последовательностей аминокислот, из которых они состоят. Понимание структуры и основ взаимодействия белков лежит в основе почти всей биологии. Классические методы моделирования белков имеют значительные ограничения: даже зная форму, которую примет последовательность аминокислот, нельзя сказать наперёд, с какими другими молекулами она будет связываться и как. И если необходимо достичь какой-то практической цели, требуется кропотливая работа по моделированию и тестированию — ранее на это уходили несколько дней, а иногда даже недель и месяцев.

AlphaFold решает эту задачу, предсказывая вероятную форму молекулы белка по заданной последовательности аминокислот, указывая, с какими другими белками она сможет взаимодействовать. Особенность новой AlphaFold 3 состоит в её способности предсказывать взаимодействие белков с другими биологическими молекулами, в том числе с цепочками ДНК и РНК, а также необходимыми для этого ионами.

Большой проблемой AlphaFold, как и других инструментов на основе ИИ, является сложность в их развёртывании. Поэтому в Google DeepMind запустили бесплатное веб-приложение AlphaFold Server — оно доступно для некоммерческого использования. Платформа достаточно проста в работе: осуществив вход с учётной записью Google, можно ввести несколько последовательностей и категорий, после чего она выдаст результат в виде трёхмерной молекулы, окрашенной в цвет, который отражает уверенность модели в своей правоте. На вопрос о том, есть ли существенная разница между общедоступной версией модели и той, что используется внутри компании, глава подразделения Google DeepMind Демис Хассабис (Demis Hassabis) заверил, что «мы сделали доступными большинство функций новой модели», но подробностей не привёл.

Инициативами Google в сфере искусственного интеллекта руководит генеральный директор DeepMind Демис Хассабис (Demis Hassabis), который является одним из основателей данного стартапа, купленного Alphabet в 2014 году. В ближайшие годы, по его словам, Google потратит на развитие систем искусственного интеллекта более $100 млрд.

Источник изображения: DeepMind

Этот комментарий Хассабис сделал на конференции TED в Ванкувере, как поясняет Bloomberg, когда его спросили о потенциальном создании суперкомпьютера Stargate стоимостью $100 млрд, который якобы готовятся совместно построить Microsoft и OpenAI. Не желая вдаваться в подробности, представитель Google заявил, что корпорация потратит с течением времени более $100 млрд на развитие своих систем искусственного интеллекта. По его словам, Google превосходит Microsoft по своим вычислительным мощностям.

«Это одна из причин, по которым мы скооперировались с Google в 2014 году, поскольку уже тогда знали, что для создания сильного искусственного интеллекта (AGI) нам потребуется много вычислительных мощностей, — подчеркнул сооснователь DeepMind, добавив, — уже тогда это стало очевидным, а Google продолжает обладать самыми производительными компьютерами». По словам Хассабиса, вызванный ChatGPT компании OpenAI интерес публики доказывает, что общественность уже готова принимать системы искусственного интеллекта, даже если они далеки от совершенства и изобилуют ошибками.

Компания Google разработала ИИ-систему «оценки фактов на основе поисковой выдачи» (Search-Augmented Factuality Evaluator, SAFE), задача которой находить ошибки в ответах сервисов на базе больших языковых моделей (LLM) вроде ChatGPT.

Источник изображения: pixabay.com

LLM используются в разных целях, вплоть до написания научных работ, однако они нередко ошибаются, приводя недостоверные сведения, и даже настаивая на их истинности («галлюцинируя»). Новая разработка команды Google DeepMind вычленяет из вывода нейросети отдельные факты, формирует запрос к поисковой системе и пытается найти подтверждения изложенных сведений.

Источник изображения: Google DeepMind

Во время тестирования SAFE проверила 16 тысяч ответов нескольких сервисов на базе больших языковых моделей, среди которых Gemini, ChatGPT, Claude и PaLM-2, после чего исследователи сравнили результаты с выводами людей, занимавшихся этим вручную. Выводы SAFE на 72 % совпали с мнениями людей, причём при анализе расхождений в 76 % истина оказывалась на стороне ИИ.

Код SAFE опубликован на GitHub и доступен всем желающим проверить надёжность ответов LLM.

Google DeepMind представила ИИ-агента SIMA, обучающегося играть в видеоигры как человек. Название SIMA (Scalable, Instructable, Multiworld Agent) расшифровывается как «масштабируемый, обучаемый, мультимировой агент». Пока SIMA находится только в стадии исследования, но со временем он сможет научиться играть в любую нелинейную видеоигру с открытым миром. Создатели описывают SIMA как «ещё одного игрока, который хорошо вписывается в вашу группу».

Источник изображений: Google DeepMind

При обучении и тестировании SIMA лаборатория DeepMind сотрудничала с восемью разработчиками игр, включая Hello Games, Embracer, Tuxedo Labs, Coffee Stain. Исследователи подключили SIMA к таким играм, как No Man’s Sky, Teardown, Valheim и Goat Simulator 3. Разработчики утверждают, что SIMA не нуждается в специальном API для запуска игр или доступе к исходному коду.

SIMA сочетает обучение естественному языку с пониманием трёхмерных миров и распознаванием изображений. «SIMA не обучен побеждать в игре, он обучен запускать игру и делать то, что ему говорят», — говорит исследователь Google DeepMind Тим Харли (Tim Harley). Команда выбирала игры, которые больше ориентированы на открытый мир, чем на повествование, чтобы помочь SIMA освоить общие игровые навыки. К примеру, суть игры Goat Simulator — в совершении случайных, спонтанных поступков, и именно такой спонтанности разработчики хотели добиться от своего ИИ-агента.

Команда сгенерировала новую игровую среду при помощи «движка» Unity, в которой агентам было поручено создавать скульптуры, чтобы проверить их понимание манипулирования объектами. Перед этим были записаны совместные действия в этой среде пар игроков-людей, один из которых давал инструкции, а другой выполнял их. Затем записывался процесс самостоятельной игры, чтобы люди могли продемонстрировать получающийся результат. На базе этой информации SIMA обучался предсказывать дальнейшие действия участников игры.

В настоящее время SIMA изучил порядка 600 базовых игровых навыков, таких как движение вперёд-назад, повороты, подъём по лестнице и открытие меню для использования карты. Со временем разработчики планируют поручать SIMA выполнение более сложных функций в игре. На данный момент задачи типа «найти ресурсы и построить лагерь» не под силу ИИ-агенту.

По замыслу создателей, SIMA должен стать ещё одним полноправным участником игры, влияющим на результат. Разработчики считают, что пока преждевременно говорить о том, какое применение подобные агенты ИИ могут принести в игры за пределами исследовательской сферы. Они полагают, что благодаря более совершенным моделям ИИ SIMA в конечном итоге сможет выполнять сложные задачи и стать идеальным членом игровой партии, который приведёт её к победе.

Группа, занимающаяся робототехникой в подразделении DeepMind компании Google представила три новых продукта, которые помогут роботам быстрее принимать решения, а также действовать эффективнее и безопаснее, выполняя задачи в окружении людей.

Источник изображения: deepmind.google

Система сбора данных AutoRT работает на основе визуальной языковой модели (VLM) и большой языковой модели (LLM) — они помогают роботам оценивать окружающую среду, адаптироваться к незнакомой обстановке и принимать решение о выполнении поставленных задач. VLM применяется для анализа окружающей среды и распознавания объектов в пределах видимости; а LLM отвечает за творческое выполнение задач. Важнейшим нововведением AutoRT стало появление в блоке LLM «Конституции роботов» — направленных на безопасность команд, предписывающих машине избегать выбора задач, в которых участвуют люди, животные, острые предметы и даже электроприборы. В целях дополнительной безопасности роботы программируются на остановку, когда усилие на суставах превышает определённый порог; а в их конструкции теперь есть дополнительный физический выключатель, которым человек может воспользоваться в экстренном случае.

За последние семь месяцев Google развернула в четырёх своих офисных зданиях 53 робота с системой AutoRT и провела более 77 тыс. испытаний. Некоторые из машин управлялись удалённо операторами, другие же выполняли задачи автономно либо на основе заданного алгоритма, либо с использованием ИИ-модели Robotic Transformer (RT-2). Пока все эти роботы выглядят предельно просто: это конечности-манипуляторы на подвижной базе и камеры для оценки обстановки.

Вторым нововведением стала система SARA-RT (Self-Adaptive Robust Attention for Robotics Transformers), направленная на оптимизацию работы модели RT-2. Исследователи установили, что при удвоении входящих данных, например, повышении разрешения на камерах, потребность робота в вычислительных ресурсах возрастает вчетверо. Эту проблему удалось решить за счёт нового метода тонкой настройки ИИ, получившего название up-training — этот метод обращает квадратичный рост потребности в вычислительных ресурсах почти в линейный. За этот счёт модель работает быстрее, сохраняя прежнее качество.

Наконец, инженеры Google DeepMind разработали ИИ-модель RT-Trajectory, которая упрощает обучение роботов выполнению конкретных задач. Поставив задачу, оператор сам демонстрирует образец её выполнения; RT-Trajectory анализирует заданную человеком траекторию движения и адаптирует её к действиям робота.

Тим Заман (Tim Zaman) ушёл из автомобильной компании Tesla, где с 2019 года возглавлял отдел AI Infra и принимал активное участие в создании суперкомпьютеров Dojo на базе специальных чипов Tesla D1. Одновременно c этой деятельностью он почти год курировал отдел машинного обучения в X (ранее Twitter). После приобретения Илоном Маском (Elon Musk) компании Twitter, он привлёк многих сотрудников Tesla к работе «по совместительству» в этой социальной сети.

Источник изображения: Pixabay

Тим Заман объявил о переходе из Tesla в компанию Google через несколько дней после того, как Google DeepMind представила нейросеть Gemini, свой ответ на серию больших языковых моделей OpenAI GPT. «В этот понедельник я присоединяюсь к Google DeepMind. Рад быть ребёнком среди легенд! — заявил Заман. — С 2016 года работал в NVIDIA, с 2019 — в Tesla. Теперь моя интуиция подводит меня к следующему предприятию, в котором есть ингредиенты, чтобы снова изменить мир».

Тим Заман о себе на своём сайте www.timzaman.nl

Осведомлённые аналитики утверждают, что на решение Замана о переходе в Google DeepMind повлиял уход из Tesla руководителя проекта Dojo Ганеша Венкатараманана (Ganesh Venkataramanan). Под названием Dojo были представлены несколько суперкомпьютеров Tesla, в которых используются специальные чипы Tesla D1, разработанные командой Венкатараманана и изготовленные TSMC.

Dojo были анонсированы в 2021 году, а первый суперкомпьютер был запущен в эксплуатацию в 2022 году. Он содержит около 3000 чипов D1, что обеспечивает общую производительность 1,1 эксафлопс для вычислений смешанной точности (BF16/CFP8). В настоящее время Tesla развернула несколько своих суперкомпьютеров Dojo в различных центрах обработки данных и создаёт собственный вычислительный центр в штаб-квартире в Остине, штат Техас.

Лондонская лаборатория искусственного интеллекта Google DeepMind разработала систему, которая, по словам авторов проекта, составляет самые точные в мире прогнозы погоды на десять дней. Модель получила название GraphCast — она работает быстрее и точнее погодного симулятора HRES (High-Resolution Forecast), который считается отраслевым стандартом.

Источник изображения: deepmind.google

Данные GraphCast были проанализированы экспертами Европейского центра среднесрочных прогнозов погоды (ЕЦСПП) — межправительственной организацией, которая составляет HRES. Действующая версия GraphCast размещена на сайте ЕЦСПП. В сентябре она за девять дней предсказала, что на побережье Новой Шотландии (Канада) обрушится ураган «Ли», а традиционные средства прогнозирования установили это лишь за шесть дней. Кроме того, они оказались менее точными в аспекте времени и места выхода стихии на берег.

GraphCast способна идентифицировать опасные погодные явления, даже не будучи обученной их находить. С интеграцией простого средства отслеживания циклонов модель прогнозирует их движение более точно, чем метод HRES. Учитывая, что климат становится всё более непредсказуемым, своевременность и точность прогнозов окажется критической при планировании мероприятий перед лицом угрозы стихийных бедствий.

Традиционные методы составления прогнозов погоды основаны на сложных физических уравнениях — они переводятся в алгоритмы, которые обрабатываются суперкомпьютерами. Это кропотливый процесс, который требует специальных знаний и огромных вычислительных ресурсов. Модель GraphCast сочетает алгоритмы машинного обучения и графовые нейросети — архитектуру для обработки пространственно структурированных данных. Для изучения причинно-следственных связей систему обучили на массиве метеорологической информации за 40 лет: ЕЦСПП предоставил данные мониторинга со спутников, радаров и метеостанций. Алгоритм, впрочем, не пренебрегает и традиционными подходами: когда в наблюдениях обнаруживаются пробелы, они восполняются за счёт физических методов прогнозирования.

Источник изображения: charts.ecmwf.int

GraphCast составляет прогнозы в разрешении 0,25° широты и долготы. Иными словами, Земля разбита на миллион участков, по каждому из которых готовится прогноз с пятью переменными на земной поверхности и шести атмосферными показателями, которые охватывают атмосферу планеты в трёх измерениях на 37 уровнях. Переменные включают в себя показатели температуры, ветра, влажности, осадков и давления на уровне моря. Учитывается также геопотенциал — гравитационная потенциальная энергия на единицу массы в указанной точке относительно уровня моря. В ходе испытаний модель GraphCast на 90 % превзошла самые точные детерминированные системы для 1380 тестовых объектов. В тропосфере — нижнем слое атмосферы — прогнозы GraphCast оказалась точнее HRES по 99,7 % тестовых переменных. При этом модель демонстрирует высокую эффективность: прогноз на десять дней выполняется менее чем за минуту на одной машине Google TPU v4, тогда как традиционный подход требует нескольких часов работы суперкомпьютера с сотнями машин.

Несмотря на внушительные результаты, разработка GraphCast ещё не завершена: модель достаточно точно оценивает движение циклонов, но пока уступает традиционным методам в составлении их характеристик. Не исключено, что модель будет совершенствоваться и по другим аспектам, что только повысит её точность. Google DeepMind предлагает всем желающим присоединяться к проекту — разработчик опубликовал исходный код модели.

Подразделение Google DeepMind предложило решение, которое позволяет наносить невидимую для человеческого глаза маркировку на изображения, созданные искусственным интеллектом.

Источник изображения: deepmind.com

Человеку становится всё труднее отличать сгенерированные ИИ изображения от картинок, созданных людьми, поэтому инженеры Google и других технологических гигантов всерьёз задумались о разработке технических средств для этого. Одним из решений может стать разработанная компанией технология SynthID, позволяющая помечать изображения ИИ-генераторов, не ухудшая их качества. Она работает путем внедрения тонких изменений в отдельные пиксели изображений, создавая водяной знак, невидимый для человеческого глаза, но распознаваемый компьютерами. Такая пометка обнаруживается даже после добавления различных фильтров, внесения цветокоррекции или регулировки яркости, утверждают в Google. Более того, SynthID нельзя удалить, даже если обрезать изображение.

Google была одной из технологических компаний, пообещавших администрации президента США внедрить некое подобие «водяных знаков» для ИИ-контента. Параллельно аналогичной работой занимается Adobe – компания создаёт методы кодирования данных, позволяющие отслеживать способы создания изображения и документировать последующие изменения. Не исключено, что располагающие мощными ИИ-платформами злоумышленники преднамеренно откажутся от маркировки ИИ-изображений, но если крупные игроки будут помечать их в обязательном порядке, люди станут относиться к изображениям без «водяных знаков» настороженно.

В этом году Google оказалась втянута в бескомпромиссную конкурентную борьбу в области генеративного ИИ и на протяжении последних месяцев искала способы повысить эффективность своих исследований в этой области. В апреле Google объединила лондонскую исследовательскую лабораторию DeepMind с Brain, проектом по изучению ИИ из Кремниевой долины. И вот, четыре месяца спустя, объединённая команда Google DeepMind тестирует амбициозные новые инструменты, которые могут превратить генеративный ИИ в личного тренера по всем житейским вопросам.

Источник изображения: Pixabay

Google DeepMind тестирует генеративный ИИ для выполнения более 21 типа разнообразных личных и профессиональных задач, включая инструменты для предоставления жизненных советов, идей, инструкций по планированию и концепций обучения. Scale AI, подрядчик, работающий с Google DeepMind, собрал тестовые фокус-группы, в которые вошли в том числе более 100 экспертов с докторскими степенями в различных областях.

Функция создания идей может давать пользователям предложения или рекомендации в зависимости от ситуации. ИИ может обучать новым навыкам или улучшать существующие, а возможность планирования может сверстать финансовый бюджет и предложить планы питания и тренировок.

Google DeepMind опробует и другие возможности для использования ИИ на рабочем месте, включая написание научных, творческих и профессиональных текстов, а также распознавание закономерностей и извлечение данных из текста. Разработанные инструменты также могут составлять критические анализы аргументов, оптимизировать алгоритмы, объяснять графики и генерировать викторины, головоломки со словами и числами и даже играть в футбол.

А ещё Google в настоящее время тестирует помощника для журналистов, который может создавать новостные статьи, переписывать их и предлагать заголовки. Компания представила программное обеспечение под названием Genesis руководителям The Times, The Washington Post и News Corp, материнской компании The Wall Street Journal.

Источник изображения: unsplash.com

Помимо прочего, участники тестирования проверяют способность помощника отвечать на интимные вопросы о проблемах в жизни людей. Например, тестируемого чат-бота просят дать совет в сложной ситуации, когда человек приглашён к другу на свадьбу в другой город, но сидит без работы, не имеет возможности приехать и не знает, как поступить.

Эти проекты свидетельствует о серьёзных усилиях Google по захвату лидерства в области ИИ и сигнализирует о растущей готовности компании доверять ИИ решение чувствительных задач и отказе от прежней осторожности в отношении генеративного ИИ, хотя имеются обоснованные опасения слишком сильной эмоциональной привязанности людей к чат-ботам.

Эксперты по безопасности утверждают, что пользователи могут столкнуться с «ухудшением здоровья и самочувствия» и «потерей свободы воли», если они примут жизненный совет от ИИ. Они опасаются, что некоторые пользователи, слишком зависимые от технологии, могут поверить в её реальную разумность. Эксперты также выразили обеспокоенность по поводу экономического вреда генеративного ИИ, утверждая, что это может привести к «дисквалификации творческих профессий».

Новые инструменты пока находятся на стадии тестирования, и компания может принять решение не использовать их или ограничить функциональность, как это было сделано при запуске чат-бота Bard в марте этого года, когда был установлен запрет на медицинские, финансовые или юридические консультации.

Представитель Google DeepMind заявил: «Мы долгое время работали с различными партнёрами над оценкой наших исследований, что является важным шагом в создании безопасных и полезных технологий. В любое время существует множество таких оценок. Отдельные оценки не являются репрезентативными для нашей дорожной карты продукта».

Модели искусственного интеллекта серии DeepMind Alpha оказались первыми в мире по ряду категорий — например, AlphaGo впервые обыграла чемпиона мира по го. Теперь эти модели, первоначально обученные на играх, решили использовать для других задач, к которым они продемонстрировали неожиданные способности.

Источник изображений: deepmind.com

Первоначально AlphaGo обучали на играх, в которые играли люди. Её наследница AlphaGo Zero обучалась, играя сама с собой, а AlphaZero таким же способом освоила шахматы и японскую игру сёги. MuZero обучилась этим и другим играм, даже не зная их правил, которые, к слову, ограничивают игрока в способах решения задачи.

В принадлежащих Google центрах обработки данных (ЦОД) работает система Borg, ответственная за распределение задач — она анализирует запросы и мгновенно распределяет необходимые ресурсы. В своей работе система руководствуется установленными вручную правилами, которые в принципе не могут учитывать всех реальных схем распределения рабочей нагрузки, порождая тем самым неизбежную неэффективность, которую к тому же трудно отследить.

В какой-то момент данные Borg передали модели AlphaZero, которая начала выявлять закономерности в распределении ресурсов ЦОД в зависимости от поступающих задач, после чего разработала новые способы прогнозирования этой нагрузки и управления ею. В реальных производственных условиях это помогло сократить долю недостаточно используемого оборудования на 19 %, что в масштабах Google представляется значительной величиной.

Нейросети MuZero поручили работу с видео на YouTube на предмет повышения эффективности сжатия — эта область позволяет добиваться заметных результатов даже при небольшой оптимизации. Модели удалось снизить битрейт видео на 4 %, что в масштабах YouTube это немало, и предложить новые споособы группировки кадров. Наконец, родственная AlphaZero модель AlphaDev помогла улучшить алгоритмы сортировки по сравнению со стандартными в используемой Google библиотеке. Она также оптимизировала функцию хеширования для небольших диапазонов байтов (от 9 до 16), снизив нагрузку на 30 процентов.

Иными словами, первоначально предназначенные для побед в играх ИИ-модели сумели изучить, казалось бы, чуждые для себя области и предложить для них способы оптимизировать рабочие задачи, проявив при этом определённую гибкость. А в прошлом году AlphaZero разработала новые, более эффективные способы умножения некоторых математических матриц — впервые за полвека.

Объединённая команда Google DeepMind рассказала о своём новом проекте — визуальной языковой модели Flamingo, которая составляет описания для коротких видео раздела YouTube Shorts. Такие записи публикуются в считанные минуты и зачастую лишены описаний и содержательных заголовков, что усложняет их поиск. Flamingo призвана решить эту проблему.

Источник изображения: deepmind.com

Визуальная языковая модель составляет описания коротких видео, анализируя их начальные кадры и предлагая пояснения тому, что происходит, например: «собака удерживает на голове стопку крекеров». Созданные ИИ текстовые описания сохраняются в формате метаданных — это поможет «лучше классифицировать видео и сопоставлять результаты поиска с пользовательскими запросами». ИИ решает характерную для раздела YouTube Shorts проблему: авторы зачастую пренебрегают метаданными к видео, да и сами ролики в основном просматриваются в общей ленте, и в результате обнаружить их через поиск не получается.

Генерируемые Flamingo описания не показываются ни зрителям, ни даже самим авторам видео, рассказал директор по управлению продуктом YouTube Shorts Тод Шерман (Todd Sherman). Тем не менее, текст этих описаний соответствует этическим нормам продуктов Google, хотя и маловероятно, что ИИ незаслуженно попытается выставить видео в дурном свете. Flamingo уже запущен на YouTube и добавляет свои описания ко всем новым роликам раздела Shorts — процедуру также прошла значительная часть уже опубликованных материалов, и в первую очередь наиболее популярные.

Администрация платформы также не исключила, что ИИ-модель начнёт работать и с полноформатными длинными видео YouTube, хотя потребность в этом не столь высока: люди тратят часы, дни, недели и даже месяцы на съёмку и редактирование этих материалов, поэтому добавление метаданных к ним — лишь небольшая часть процесса создания видео. А поскольку зрители выбирают длинные видео с учётом миниатюры и заголовка, у создателей этих записей есть естественный стимул для правильного заполнения метаданных.

В среду исследователи из DeepMind опубликовали отчёт по исследованию «Глубокое обучение с подкреплением для обучения миниатюрных гуманоидных роботов сложным навыкам движения и стратегического понимания», к которому был приложен демонстрационный ролик. Пользователей Twitter возмутило слишком грубое обращение с роботами.

Источник изображений: DeepMind

Исследователи из DeepMind использовали глубокое обучение с подкреплением ИИ, чтобы научить роботов-гуманоидов играть в футбол один на один. Сначала они тренировали навыки в одиночестве, а затем комбинировали их с настройками матча. Вместе с отчётом авторы опубликовали 27-секундное видео, на котором один экспериментатор неоднократно толкал крошечного робота-гуманоида на землю. Несмотря на вмешательство крошечному роботу все равно удаётся забить мяч в ворота.

Однако пользователи Twitter не оценили стараний исследователей и очень живо отреагировали на ролик, приложенный к исследованию:

• «Жалко этих маленьких чуваков. Просто дайте ему спокойно играть в футбол».
• «Мой мозг говорит: хватит быть подлым!».
• «Это все веселье и игры, пока робот не начнёт сопротивляться».

Исследователи никак не отреагировали на критику общественности и на демонстрационном веб-сайте «Обучение гибким футбольным навыкам двуногого робота с помощью глубокого обучения с подкреплением» исследователи написали, что «хотя роботы по своей природе хрупкие, незначительные модификации оборудования вместе с базовой регуляризацией поведения во время тренировок приводят к безопасным и эффективным движениям, при этом сохраняя возможность выполнять их динамично и подвижно».

Два крупнейших исследовательских подразделения Google, специализирующихся на проектах в области искусственного интеллекта, будут объединены в новом крупном подразделении Google DeepMind под общим руководством. Об этом в письме работникам компании сообщил её глава Сундар Пичаи (Sundar Pichai).

Источник изображения: blog.google

Гендиректор Google напомнил, что с 2016 года приоритетным направлением деятельности Google является ИИ — оно помогло компании улучшить большинство её основных продуктов, включая поисковую службу, YouTube, Gmail и приложение камеры на телефонах Pixel. А предприятия и разработчики получили доступ к передовым решениям в сфере ИИ через инфраструктуру Google Cloud.

Темпы прогресса в области ИИ продолжают ускоряться, поэтому в компании решили создать подразделение, которое поможет упорядочить работу над проектами в этой области. Подразделение получило название Google DeepMind — оно формируется на базе команды Brain из Google Research и команды DeepMind, ставшей частью Google после покупки одноимённого стартапа. За последнее десятилетие специалисты этих подразделений разработали множество интересных проектов: нейросеть для игры в го AlphaGo, архитектуру глубоких нейросетей Transformer, программу анализа текста word2vec, генератор необработанного звука WaveNet, программу предсказания пространственной структуры белка AlphaFold и многое другое.

Главой Google DeepMind назначен Демис Хассабис (Demis Hassabis) — бывший глава DeepMind, а старший научный сотрудник команды Google Brain Джефф Дин (Jeff Dean) теперь назначается старшим научным сотрудником всей Google — эта должность распространяется на подразделения Google Research и Google DeepMind. При этом Google Research продолжит работу в таких областях как алгоритмы, конфиденциальность и безопасность, квантовые вычисления, изменения климата, а также этические аспекты ИИ.