DeepMind的Alpha系列人工智能曾创造多项世界首创，例如AlphaGo击败围棋世界冠军。如今，这些最初为游戏训练的人工智能被应用于其他任务，并展现出令人惊讶的能力。
最初，AlphaGo使用人类对弈数据进行训练；随后AlphaGo Zero仅通过与自身对弈进行学习；接着AlphaZero也采用了相同方式，还掌握了国际象棋和将棋。MuZero不仅做到了这些，更进一步无需被告知游戏规则，这在某种意义上可能会限制它“思考”完成任务的方式。
在谷歌，一个名为Borg的系统负责管理数据中心的任务分配——基本上是以光速解析请求并分配资源，使这家庞大的科技公司能够大规模开展工作和研究。但Borg“使用手动编码的规则来调度任务以管理工作负载。在谷歌的规模下，这些手动编码的规则无法考虑不断变化的工作负载分布的多样性”，从而产生既合乎逻辑又难以追踪的低效率问题。
但AlphaZero在接触Borg数据后，开始识别数据中心使用和incoming任务的模式，并产生了预测和管理负载的新方法。在生产环境中应用时，它“将未充分利用的硬件数量减少了多达19%”，这听起来有些选择性呈现，但即使只有一半属实，在谷歌的规模下也是一项巨大的改进。
类似地，MuZero被用于分析YouTube视频流，看是否能帮助优化压缩——这是一个复杂的软件领域，微小的优化就能带来显著成果。据报道，它能够将视频的比特率降低4%，这在YouTube的规模下意义重大。MuZero甚至深入到了压缩的细节中，比如帧分组。
AlphaDev——AlphaZero的某个相关版本——同样改进了排序算法，优于谷歌库中使用的标准算法。它还为一个较小的字节范围（9-16位）创建了更好的哈希函数，将负载降低了30%。
谷歌将AI研究部门整合为Google DeepMind
这些改进本身不会改变世界；开发者系统的渐进式改进一直在进行。有趣的是，一个专注于赢得游戏的解题方法的人工智能，能够在完全无关的领域（如压缩）中学习并推广其方法。
在我们拥有真正的“通用人工智能”之前，还有很长很长的路要走，无论那究竟意味着什么。但现有的人工智能已展现出一定的灵活性，这令人鼓舞。这不仅因为我们能将它们应用于不同领域，还因为它们在其已有工作领域内也显示出灵活性和鲁棒性。
Google DeepMind推出Barkour，一种四足机器人基准测试