而谷歌对DeepMind的一系列支持则是因为，谷歌想要通过解决人工智能的问题，解决其他所有问题，DeepMind是谷歌发展人工智能最为得力的左膀右臂之一。实际上DeepMind除了自身的独立研究，同时也参与到谷歌内部很多产品开发中，Hassabis说，DeepMind与Google Brain（2011年Google X实验室里诞生的AI项目）每周都会互动。DeepMind侧重于增强学习，Google Brain则更侧重深度学习。
说收购DeepMind是一桩超值的生意，就不得不再提一提DeepMind其他的出色表现，这的确是一家技术上非常领先的人工智能公司：
今年7月，Hassabis称，DeepMind的AI系统正帮谷歌节约庞大的电费。该系统通过控制数据中心的部分设备——操纵服务器和制冷系统等相关设备来降低耗电量。谷歌也表示，该技术的确将电力使用效率(PUE)提升了15%。谷歌2014年耗电量是4,402,836兆瓦时，有很大一部分电量是由数据中心消耗的。根据美国能源信息管理局的数据，企业支付电价的范围约为每兆瓦时25~40美元，无论按哪个标准计算，如果数据中心的耗电量降低10%，就有可能在几年内为谷歌节约数亿美元电费（这样算来，谷歌收购DeepMind花的6亿美元很快就能“省”回来）。Hassabis说：“AI系统控制着数据中心的120个变量，包括风扇、制冷系统和窗户等。”DeepMind未来可能会要求谷歌在数据中心增加传感器，以便通过更加丰富的信息进一步节省用电量。
医疗领域，近期，DeepMind已与英国眼科医院Moorfields Eye Hospital 签署了协议，将使用人工智能对伦敦医院中的160万名病人的病例进行学习。其目标是教会计算机程序辨认2种比较普遍的眼部疾病——糖尿病视网膜病变和老年性黄斑变性。眼科医生通过分析医学图以及向病人询问病情相结合的方式诊断这两种疾病，出错率依然高达10%-20%。人工智能可以通过机器扫描数百万的文件和记录，对其进行学习，然后做出更快速、更精确的诊断。这是DeepMind与英国国家医疗体系的第二次合作，上一个项目是在伦敦皇家自由医院使用智能手机App监控病人的肾功能。
语音生成领域，今年9月，外媒报道DeepMind在该领域取得巨大飞跃，他们研发的WaveNet系统将机器生成的语音与人声品质的差距缩小了一半。这一进步将使机器像人一样“自然”发声的那天提前到来。
此外，DeepMind团队在今年10月在线出版的 Nature 杂志上发表论文，提出了一种结合神经网络和数字计算机最强优势的混合计算系统，称为“可微分神经计算机”（DNC），将神经网络与一个可读写的外部存储器结合起来，克服了神经网络无法长时间保存数据的缺点。德国不来梅雅各布大学教授Herbert Jaeger认为，DNC拓展的记忆可能将深度学习应用拓展到大数据领域。
谷歌强大的创造力，给AI不断注入生命力
实际上，除了DeepMind大踏步前进，富有创造力的谷歌总部对于AI的开发，也呈现遍地开花的场面。还是先看看谷歌目前的成果（笔者仅粗略梳理了一些主要方面，若要细数的话恐怕要好好单写一篇长文）：
开源深度学习系统：2011年谷歌成立AI部门，2015年11月谷歌开源第二代深度学习系统 Tensorflow。该系统基于谷歌2011年开发的深度学习基础架构DistBelief构建，与DistBelief相比，TensorFlow的运转速度更快、更智能、更灵活，可用于语音识别、照片识别等多个领域。此外，TensorFlow 编写的运算几乎不用更改就能在多种异质系统上运行。开放源代码后，所有工程师都可以帮助谷歌修改和完善这项技术。今天，Tensorflow开源一周年，谷歌博客发布了一年来取得的成果——超过480人直接为该系统做出贡献，目前该系统已成为GitHub上最受欢迎的机器学习项目。Tensorflow性能得到提高，被带到了IOS和树莓派，并与大数据架构集成起来，可接入Go,Rust,Haskell。该系统还使得谷歌翻译有了重大进步，等等。
向产品和服务中注入AI:目前，包括谷歌搜索、Google Now、GmailY以及开源的Android 手机系统中都注入了大量机器学习功能。例如用深度学习改善搜索引擎、识别 Android 手机指令、鉴别Google+社交网络图像，用卷积神经网络开发 Android 手机语音识别系统等。
自主研发AI芯片：为提升AI软件的性能，谷歌也在研发并使用新的微处理器芯片TPU，谷歌表示，与当前机器学习常用处理器相比，TPU具有领先7年的优势，计算速度快出10倍。谷歌也表示，很可能会为特定人工智能任务开发更多专用处理器。