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.

Инженеры подразделения Alphabet DeepMind AI рассказали о создании системы искусственного интеллекта (ИИ) AlphaCode, которая способна генерировать код и решать задачи, предлагаемые на чемпионатах по программированию. Для этого нейросеть обучили двум языковым навыкам: пониманию постановки задачи и поиску её решения.

Источник изображения: Christopher Gower / unsplash.com

Сегодня существуют системы, способные решать отдельные задачи, генерируя программный код, однако эти решения не носят универсального характера: обученный одному классу задач ИИ с большой вероятностью терпит неудачу, когда условия задачи кардинально меняются. Поэтому инженеры Google применили несколько иной подход, положив, что описание задачи — это выражение того, что должен делать алгоритм, а её решение — то же самое, но изложенное на другом языке. Поэтому при обучении системы исследователи решили достичь двух целей: сначала ИИ должен усвоить описание задачи, а затем на основании своего внутреннего представления создать программный код.

В качестве источника данных выступил архив GitHub с более чем 700 Гбайт кода, которые перемежались с комментариями на естественном языке, поясняющими его работу. После первого этапа обучения система перешла к этапу настройки: в DeepMind организовали внутренний чемпионат по программированию, материалы которого также «скормили» ИИ. В этих материалах был полный цикл: постановка задачи, работающий и неработающий код, а также тестовые примеры для его проверки. Подобный подход применялся и раньше, но на сей раз инженеры выделили значительно больше ресурсов на обучение — «на порядки больше, чем в предыдущей работе».

Источник изображения: Procreator / unsplash.com

На начальном этапе результат был далёк от идеала: более 40 % предлагаемых нейросетью решений либо требовали слишком больших аппаратных ресурсов, либо решение задачи занимало слишком много времени. Проводя анализ кода, создатели системы обнаружили, что при решении различных задач, даже если программа выдавала правильный результат, система часто использовала схожие фрагменты кода, выдающие одинаковые ответы при одинаковых исходных данных. Отфильтровав некорректные варианты, AlphaCode смогла выступать на уровне программистов с опытом работы от нескольких месяцев до года, войдя в число справившихся с задачами 54 % конкурсантов на чемпионате.

Такого результата удалось достичь, введя автоматизированную проверку по 100 тыс. предлагаемых системой решений — увеличение этого числа приводило к пропорциональному росту доли правильных ответов. Но пропорционально же росла и ресурсоёмкость вычислительной системы: первоначально для её обучения потребовался объём энергии, в 16 раз превышающий годовую потребность средней американской семьи.

Учёные сделали вывод, что система действительно научилась работать, как и было задумано, предлагая корректные решения, а не случайные фрагменты кода «в надежде», что какой-то из них сработает. Однако при усложнении условий значительно растёт ресурсоёмкость, а значит, сегодня услуги настоящих программистов по-прежнему востребованы, хотя и открываемые ИИ перспективы тоже заслуживают внимания.

Разработанная компанией DeepMind система искусственного интеллекта AlphaZero, первоначально предназначенная для настольных игр, предложила более быстрый способ умножения матриц — фундаментальной математической задачи, для которой не находилось новых решений уже более 50 лет.

Источник изображения: technologyreview.com

Задача об умножении матриц лежит в основе самых разных приложений от вывода изображения на экран до моделирования сложной физики, а также обучения самого искусственного интеллекта. Оптимизация решения этой задачи помогла бы упростить выполнение множества компьютерных операций, сократив расходы и обеспечив экономию энергии. Несмотря на повсеместное распространение задачи, она до сих пор недостаточно изучена.

Матрица — это массив чисел, а умножение матриц — это обычно последовательное умножение чисел в строках одной на числа в столбцах другой. Задача кажется относительно простой, но она существенно усложняется при попытке найти ускоренный метод её решения, и это одна из открытых проблем в информатике. Предполагается, что число доступных способов умножения матриц превосходит количество атомов во вселенной — в некоторых случаях до 10³³ вариантов.

Чтобы «заинтересовать» нейросеть AlphaTensor, новую версию AlphaZero, задачу об умножении матриц превратили в своего рода настольную игру, каждое действие умножения сопоставили игровому ходу, а ИИ получал награду за победу с минимальным числом ходов. В результате AlphaTensor нашёл новый способ умножения матриц 4×4, более эффективный, чем в 1969 году предложил немецкий математик Фолькер Штрассен (Volker Strassen). Базовый способ предполагает решение задачи за 64 шага, у Штрассена это 49 шагов, а AlphaTensor справляется за 47. В целом ИИ усовершенствовал алгоритмы для матриц более 70 размеров: при размере 9×9 число шагов уменьшилось с 511 до 498, а при 11×11 — с 919 до 896. В ряде других случаев AlphaTensor повторил лучшие из известных алгоритмов.

Получив результаты, инженеры DeepMind решили адаптировать их для ускорителей NVIDIA V100 и Google TPU, которые чаще всего используются в машинном обучении. Выяснилось, что предложенные AlphaTensor методы работают на 10–20 % быстрее традиционных.

Принадлежащая Google лаборатория DeepMind уже обучила искусственный интеллект управлять термоядерными реакторами и программировать не хуже среднестатистических людей-специалистов, а теперь разработчики решили освоить новую сферу — использовать ИИ в прикладной археологии. Компания сможет реставрировать древние тексты с высокой степенью точности.

Источник изображения: ithaca.deepmind.com

Новый инструмент DeepMind позволит не только восстанавливать утраченные части древних текстов, но и определять их происхождение, а также датировку. Для этого компания объединила усилия с историками и учёными из Италии, Франции, Греции и натренировала ИИ на крупнейшей базе древнегреческих текстов.

В результате был создан ИИ Ithaca. Инструмент способен восстанавливать повреждённые тексты с точностью порядка 62 %, идентифицировать их место происхождения с точностью до 71 % и датировать тексты с точностью до 30 лет.

Источник изображения: ithaca.deepmind.com

Известно, что эксперты достигли 25 % точности при восстановлении документов «вручную», а с помощью Ithaca комбинированные усилия позволяют повысить точность до почти 72 % — искусственный интеллект на каждый отсутствующий фрагмент предлагает несколько вариантов на выбор экспертов — сотрудничество человека и машины обещает более достоверные результаты.

По данным DeepMind, лаборатория уже работает над тренировкой ИИ для работы с другими древними языками вроде иврита, демотического письма или языка майя. Ithaca доступна как формате ПО с открытым исходным кодом, так и виде бесплатного веб-сервиса. С фрагментами древнегреческого текста специалисты могут поэкспериментировать непосредственно на сайте.

Компания DeepMind создала платформу искусственного интеллекта AlphaCode, не только отчасти способную программировать вместо человека, но и готовую делать это на «конкурентоспособном» уровне. Дочернее предприятие Alphabet протестировало систему на задачах, используемых в состязаниях программистов-людей.

Источник: Innovalabs/pixabay.com

Выяснилось, что по результатам испытаний ИИ входит в число 54 %, справившихся с задачами лучше всех. Результат стал большим шагом вперёд на пути к созданию автономных систем программирования, хотя навыки AlphaCode не обязательно соответствуют задачам, стоящим перед среднестатистическим кодером.

По данным DeepMind, исследования пока находятся на ранней стадии, но уже сейчас понятно, что программа может автономно решать задачи по программированию, до недавних пор доступные только людям. В компании рассчитывают, что в долгосрочной перспективе ИИ будет помогать разработчикам писать код, улучшая производительность сотрудников и предлагая новые способы разработки программного обеспечения.

AlphaCode протестировали на платформе Codeforces, на которой еженедельно публикуются задачи по программированию и рейтинг программистов. Задачи отличаются от тех, с которыми может столкнуться программист, создавая, например, коммерческое приложение. Они более «самодостаточны» и требуют широких знаний как алгоритмов, так и теоретических концепций информатики. Для их решения требуется комбинированный подход, поскольку программисту необходимо разбираться в логике, математике и собственно программировании.

Одним из примеров является задание, в котором необходимо найти способ преобразовать одну строку произвольно повторяющихся букв s и t в другую строку тех же символов, используя ограниченное число нажатий клавиш. При этом конкурсанты не могут, например, просто печатать новые буквы вместо старых — вместо этого нужно воспользоваться клавишей Backspace и удалить несколько букв исходной строки. Задание относится к примерам средней сложности, слева на изображении содержится её описание, справа — образцы.

Источник: DeepMind/Codeforces

Десять подобных задач поручили выполнить AlphaCode точно так же, как их поручают выполнить людям. ИИ сгенерировал некоторое количество возможных решений и отсеял непригодные, запуская код и проверяя результат — так же, как это сделал бы программист.

10 задач, предложенных AplphaCode, выполнялись 5 тысячами программистами на сайте Codeforces. Работа ИИ попала в лучшие 54,3 % ответов, а по данным DeepMind это обеспечивает AlphaCode рейтинг Codeforces Elo на уровне 1238. Таким образом, ИИ вошёл в число лучших 28 % программистов, соревновавшихся на площадке за последние полгода.

В DeepMind отмечают, что текущие навыки AlphaCode применимы только на площадках для соревнований программистов, но в теории новая система позволяет создавать инструменты, способные сделать программирование более доступным и, когда-нибудь, полностью автоматизированным.

Источник: DeepMind

Известно, что над аналогичными решениями работают многие другие компании. Большой прогресс был достигнут в последние годы, но все эти системы пока далеки от того, чтобы занять место программистов-людей. Выпускаемый ИИ код часто полон багов, а поскольку такие системы обычно обучаются на библиотеках общедоступного кода, иногда они воспроизводят фрагменты, защищённые авторским и смежными правами.

Более того, в одном из исследований выяснилось, что программа Copilot, разработанная репозиторием кода GitHub, создавала код, 40 % которого содержало уязвимости. Специалисты по информационной безопасности даже предположили, что злоумышленники могут намеренно писать и выкладывать в общий доступ код с бэкдорами, который позже будет использоваться для тренировки ИИ-систем, в результате обречённых допускать ошибки в своих будущих решениях.

Перечисленные проблемы означают, что системы ИИ-программирования, скорее всего, будут медленно интегрироваться в работу обычных программистов до тех пор, пока не «заслужат» доверие. Другими словами, им ещё предстоит учиться и учиться. Но делают это они очень быстро.

Холдинг Alphabet объявил в четверг об основании новой компании, которая будет использовать технологии искусственного интеллекта для открытия новых лекарств. Она будет использовать наработки DeepMind, ещё одной дочерней компании Alphabet, которая проделала революционную работу с использованием ИИ для предсказания структуры белков.

Источник изображения: The Verge

Новая компания, получившая название Isomorphic Laboratories, будет использовать эти достижения для создания инструментов, которые помогут открыть новые фармацевтические препараты. Генеральный директор DeepMind Демис Хассабис (Demis Hassabis) будет выполнять функции гендиректора Isomorphic Laboratories, но обе компании будут оставаться независимыми друг от друга, время от времени сотрудничая.

В течение многих лет эксперты указывали на ИИ как способ ускорить и удешевить поиск новых лекарственных препаратов. ИИ может помочь сканировать базы данных молекул, чтобы найти те, которые лучше всего подходят для конкретной цели. Isomorphic попытается построить модели, которые могут предсказать, как лекарства будут взаимодействовать с организмом. Она будет использовать работу DeepMind в области структуры белков, чтобы выяснить, как несколько белков могут взаимодействовать друг с другом. Компания будет сосредоточена на развитии партнёрских отношений с фармацевтическими компаниями.

Однако разработка и тестирование лекарств могут оказаться более сложной задачей, чем определение структуры белка. Кандидат на роль лекарства, который выглядит многообещающим, исходя из того, как он действует на химическом уровне, может не всегда работать на практике. Отмечается, что более 90 % лекарств, прошедших клинические испытания, в конечном итоге не работают. Работа DeepMind и Isomorphic Laboratories может помочь преодолеть некоторые узкие места в исследованиях, но она не является быстрым решением всех проблем, связанных с разработкой лекарств.

Исследовательская лаборатория искусственного интеллекта DeepMind, входящая в состав холдинга Alphabet, впервые принесла прибыль. Об этом стало известно из отчёта компании, опубликованного во вторник в реестре компаний Великобритании.

DeepMind

Базирующаяся в Лондоне исследовательская фирма сообщила о прибыли в размере £43,8 млн ($59,6 млн), полученной в 2020 году, после того, как последние несколько лет она отчитывалась об убытках в сотни миллионов долларов. Оборот DeepMind вырос за год более чем в три раза — с £265,5 млн в 2019 году до £826,2 млн в 2020 году, согласно отчётам, поданным в Регистрационную палату Великобритании. Впрочем, DeepMind не раскрыла конкретную причину столько резкого роста доходов.

DeepMind не реализует свои продукты напрямую потребителям, и не объявляла о каких-либо сделках с частными компаниями вне Alphabet. Вместе с тем она поставляет программное обеспечение и оказывает услуги компаниям холдинга, включая Google, YouTube и X (moonshot factory).

Представитель DeepMind сообщил ресурсу CNBC, что компания «поддерживает продукты и инфраструктуру, которые обогащают жизнь миллиардов людей благодаря многочисленным совместным проектам, над которыми она работала в рамках Alphabet на протяжении многих лет».

«Я не думаю, что DeepMind имеет много или какие-либо потоки доходов, — сообщил источник CNBC, попросив сохранить анонимность. — Таким образом, весь этот доход зависит от того, сколько Alphabet платит за внутренние услуги, и это может производиться совершенно произвольно».

DeepMind не уточнила, сколько человек добавила в свою команду в 2020 году, но сообщила, что теперь в ней работает более 1000 сотрудников. В прошлом году её персонал насчитывал около 1000 человек, то есть он вырос незначительно. Также незначительно выросли затраты на персонал и другие связанные с этой статьёй расходы — с £467 млн до £473 млн. В DeepMind работают ведущие мировые учёные-исследователи искусственного интеллекта, годовая зарплата которых превышает $1 млн.