本文来自微信公众号：Founder Park （ID：Founder-Park），作者：Founder Park，头图来自：视觉中国
AI Labs 正在卷土重来，产业界比以往几十年都更加重视 AI 研究。
短短半年前，AI Labs 还是一个几乎被互联网大厂和科技公司们放弃的组织。
除了发论文，给公关部提供 PR 业绩，个别顶级学者加入带动技术人才招聘等抽象务虚的收益以外，AI Lab 较少给企业带来实际的利益，但是它的成本又高，高得离谱，企业给研究人员开的薪酬，往往会比学界高一个数量级。
在从激进狼性的卡兰尼克手里接过 Uber 之后，新任 CEO Dara Khosrowshahi 立刻取消了 Uber AI Lab。类似的事件在过去几年屡屡发生。
如果要列出一个 AI Lab 最成功的公司，那一定是 Google。
你没有任何理由否认，AlphaGo、AlphaFold、TensorFlow、Transformer 等等这些 Google Brain 和 DeepMind 为科学和技术世界带来的价值。并且，Google 自身的业务又比其他任何大公司都更能够尽快与研究成果相结合。
但现在是 2023 年，spark of AGI 初现。曾经领先的 Google Brain 成为背景板之一。
OpenAI 最终带来了引发世纪革命的大模型产品。一些笃信 AI 的人不求回报资助创立的研究机构（谢谢难得当韭菜的马斯克的 1 亿美元）——它最初就是为了对抗 Google 的 AI 霸权。
放在五年前都难以置信，它居然真的做到了。现在微软只花了动视暴雪 1/6 的成本，收割了这些想象空间无穷的技术成果。
回过头看，曾经在 AI 和深度学习领域风光无限的 Google Brain 团队，全世界 AI Lab 的榜样，为什么会沦落到失去领先优势还被外部团队兼并的境况呢？
合并：好事还是坏事？
当地时间 4 月 20 日，Google 宣布将 Google Brain 和 DeepMind 团队合并，成为新的 Google DeepMind 部门，新部门将由 DeepMind 的联合创始人& CEO Demis Hassabis 领导，Jeff Dean 担任 Google Research 和 Google DeepMind 的首席科学家。
2011 年，Google Brain 因为一项斯坦福大学与 Google 的联合研究项目而诞生；2014 年，Google 以大约 5 亿美元的价格收购 DeepMind。
前 Google Brain 高级研究员李基薰对于这次架构调整的看法：
Google 高层认为 DeepMind 的名声超过 Google Brain 团队，同时 Demis Hassabis 也完全不同意 Google 在合并后放弃 DeepMind 的名字。
这样的合并可能只是开始，未来我们或许能看到 Google 内部研究团队更大规模的架构调整。
这样的合并也许并不是双赢的，很多项目会取消、合并，人员会重新分配，自然也会带来大量研究员和管理人员的离职。
两支团队的组织文化也有区别，这会导致很多内耗和动荡，最终可能会影响整个 Google 研究团队的效率。
前 Google 科学家、出门问问创始人李志飞是这么看这次架构调整的：
合并后的部分既做研究，也有产品部分，解决了以往各自为政、算力和人力浪费的问题，也会缓解研发和产品部门脱钩的问题。
Jeff Dean 成为首席科学家，可以充分发挥工程余热；Demis 还是创业者，更有 AGI 使命感，更有战斗力。
组织方式上，新的 DeepMind 更独立，可以尽量远离 Google 因自身的极度政治正确和机构膨大带来的效率低下。
大公司的钱，科学家怎么赚？
企业会给从学校里走出来的研究者提供数倍于学校和机构的收入。
Google Brain、OpenAI、Facebook 的 FAIR...... 他们会资助数以百计的机器学习研究人员，从事纯粹的研究，至少在挖人时承诺只做纯粹的研究。
但现在的情况是，研究人员最终还是要为了业务服务，Google Brain 的团队就要考虑推荐系统、广告优化和搜索排名等业务。
机器学习不一定会带来直接的收益，但有时候它可能会大大缩减企业的成本，比如算力等，这反过来可以总结为研究团队的 KPI。
最大的价值是品牌影响力
对于 Google Brain 里从事研究的学者来说，Google 会支付高额的报酬。不过前提是你需要从事推荐系统、广告优化、搜索排名等工作，而不是纯粹的研究。Brain 拥有众多的研究人员和项目，其中许多是直接或间接盈利的。例如，许多研究人员专注于优化器、架构搜索和超参数搜索的改进。这些研究降低了一定的计算成本。
但与此同时，Google Brain（以及 DeepMind、OpenAI 等其他机构）会资助数百名机器学习研究人员从事纯粹的研究，看似只是为了研究而研究，而仍然支付比学术界高一个数量级的报酬，Google 为什么会资助这些项目？
Brain 项目为 Google 带来的首先是公司在学术界的品牌影响力，“Brain 与其他工业研究实验室竞标，聘请最优秀的研究人员，以便成为最具声望的研究团队，这反过来又将帮助他们聘请最优秀的研究人员”。毕竟，这就是美国学术界的运作方式：以资金、学生/博士后和首席研究员（PI）的三位一体为基础。
原则上，资金应该流向最有才华的 PI 和学生/博士后；学生/博士后会去有最有才华的 PI 和资金的地方；PI 会去他们能找到才华横溢的学生/博士后和资金的地方。大学对于这类的合作研究最有热情，因为他们可以从所有研究资金中抽成，而一般公司的研究实验室并不是这样的机制，这些研究实验室只会给研究院高薪用来留住他们。
学术行业的品牌影响力有两个作用：消费领域好的品牌形象、以及更容易招聘到优秀的学术人才。对于机器学习的技术人才来说，Google 显然是比 Apple 更适合的公司，虽然 Apple 本身肯定也有类似的岗位。对于想要雇佣几千名机器学习工程师的公司来说，资助一些顶级的机器学习研究人员显然是一件性价比很高的投资，这也是一种被证实的招聘策略。
当然，在当下整个行业都在削减招聘预算，那么这一项的支出也会被减少了。
催化剂：无往不胜
Google Brain 有一项政策格外引人注意，他们对于顶级学术会议、学术论文以及学术出版的不求回报的支持。
这种资源支持力度是其他公司很少见的，主要有以下原因：
1. 品牌影响力；
2. 本身学术人员就可以随时离职带走这些学术成果；
3. 这些学术成果可以成为公司科技实力进步的催化剂。
这里的催化剂理论是指：通过在与 Google 核心业务相关的关键研究领域发表学术文章，该研究方向将朝着有益于 Google 的方向发展。例如，Google 一直对更好的 NLP 技术感兴趣，而关键研究的发表，如 2014 年的 seq2seq 和 2017 年的 Transformers，催化了整个 NLP 领域的增长。Google 是少数几家拥有消费者触达能力和计算能力的公司之一，可以将 ML 部署扩展到十亿用户，因此 Google 受益于该领域的整体进步。
是科学家，还是打工人？
TensorFlow、TPU、Google 翻译、Transformer 等等，这些 Google Brain 研究成果给 Google 带来了难以衡量的商业价值，更不要说这些研究和产品本身对行业和学术界的贡献——Transformer 最终导致了 LLM 的实现。
从这个角度看，Google Brain 是极具创新能力的，团队自由开放，形成了自上而下以研究员为中心的组织文化，每个研究员都可以自由对外表达他们的想法，接受采访，谈论成果，没有任何管理压力，这是 Jeff Dean 作为领袖和负责人带来的宽松环境。
可以想象，如果是一个商学院毕业的职业经理人，一个 MBA 出身的高管接管了 Google Brain，团队一定是另一番境况。
但是最近几年，Google 内部的经管团队越来越多地插手 Google Brain。
一方面，互联网的大环境和 AI 研究的竞争压力，逼迫 Google 意识到必须为 Google Brain 制定更加细节和具体的方向和目标。
另一方面，行业内逐渐认可了机器学习的价值，区别于数年前没人知道机器学习能带来怎样的价值，越来越多的机器学习研究成果给产业带来了实实在在的产品进步，管理产品的人们自然希望得到更多。相对的，这意味着研究团队自由探索的空间收窄了。
曾经 Google 研究员的考核和晋升标准与研究的商业价值无关，但现在，Google 会更加重视研究能够带来的商业化价值，对于曾经被承诺自由探索的研究员们来说，自由正在离他们远去，很快他们的学术价值，会慢慢变成为我们更加熟悉的“大厂打工人”的价值。
曾经最强，可现在呢？
GPT-4 发布时，很多人调侃到人类遇到了“存在危机”。
“我们的存在是虚无、荒谬的，还是真的有什么价值？”
事实上，这样的问题对于 Google Brain 团队内的研究员们来说，是一个更加现实的问题，LLM 的成功导致很多深度学习和 AI 的研究变得不再被重视。他们漫长无期的 AGI 理想，似乎在别人手里有了触手可及的明确路径。
不只是大语言模型。
Google 一度领先业界超过 10 年，TensorFlow 和 TPU 都是标杆级别的产品，一度被认为是行业最大的希望。
但现在，PyTorch 和黄仁勋的 GPU，显然拥有远超 Google 的行业价值。
耗费大量资金成本，积累多年的深度学习，它建立的领先优势正在迅速扁平化。
进击的Google，守不住家了
这几年，Google AI 研究的催化剂理论正在失效。
一方面，机器学习给产业带来经济效益，是一件行业已有共识的事情。Google 不再像以前一样，可以轻松进入一个新的领域，带来革命性的效率迭代。
另一方面，微软和 OpenAI 的联盟，其他巨头对 AI 和机器学习的重视，也意味着 Google 在横向拓展时面临着近乎红海的竞争压力。
在这样的背景下，Google 已经从过去的“进攻”转为了“防守”。进攻性质的原创研究被大量叫停，研究者被调派到防御性质的项目上，维持核心领域的研究领先。
很多研究者因为这样的调派，选择离开 Google。
此时此刻 Google 全面转向大模型研究，也许会导致同样的问题。
不只是业务层面，人才方面也存在问题。
Google Brain 过去的研究项目包括：医学影像、天气建模、神经成像、DNA 变异检测、音乐艺术、蛋白质等等，这些都是基于深度学习向其他领域探索的研究。
这些跨学科研究有一个前提，它们往往需要更懂专业领域的人，而不只是深度学习专家。其他领域卓越的研究者，掌握深度学习的成本相对较低，远远低于深度学习专家去学习生物/化学/医学/气象/艺术......
Google 的高管们很难理解这个问题，Google Brain 招聘了大量刚刚拿到博士学位的机器学习专家，但他们很难拓展 Google 的研究边界。这导致了现在 Google Brain 研究在跨学科领域越来越难以取得突破。
同样的道理，专业领域的公司寻找机器学习的高端人才，越来越不是一件难事，更何况 Google 早就教给他们机器学习的重要性。
本文来自微信公众号：Founder Park （ID：Founder-Park），作者：Founder Park