DeepMind 的科学任务就是推进人工智能边界，研发无师自通、解决任何复杂问题的系统。为此，我们从这样一个前提出发：人工智能应该是通用的。智能体应该可以用于广泛任务当中并能自动适应变化中的环境。也就是说，它们不应该是预编程的，毋宁能从初始输入以及环境奖励信号中自动学习。这一研究有两部分：（１）设计更加智能的智能体，具有越来越成熟的认知技能，以及（２）打造日趋复杂的环境，可在其中训练和评估智能体。
视频 Laser Tag Space Bounce Level
创新智能体的研发，与谨慎设计以及理性挑选、灵活以及维护良好的环境实现密不可分。为此，我们花费大量精力打造丰富模拟环境，作为人工智能研究实验室。现在，我们正在开源我们的旗舰平台——DeepMind Lab，因此，更为广大的社区就能用到它。
视频 Nav Maze
DeepMind Lab 是一个类全3D游戏平台，为基于智能体的人工智能研究量身打造。通过模拟智能体的眼睛，从第一人称视角进行观察。我们使用丰富的科幻式视觉效果进行诠释。智能体可以在3D环境中环顾四周并进行移动。智能体的身体是一个悬浮圆形物，并配有一个摄像头，它能围绕主球面移动，充当追踪旋转观察动作的球窝关节。样本游戏包括收集水果、在迷宫中移动、横穿危险通道同时避免掉下悬崖、使用发射台跃于两个平台之间、玩激光标签以及迅速学习并记忆随机生成的环境。智能体如何感知并与世界互动的图解如下：
智能体将世界视为一张图像，以像素的方式，从自己第一人称视角进行诠释。他们也会收到奖励或惩罚信号。智能体能够激活其推进器进而在3D环境中移动，也能沿着水平、垂直轴线转动视角。
DeepMind 的人工通用智能研究强调导航、记忆、第一任人称的3D视角、行动控制、计划、策略、时间以及全自动化智能体，必须能通过探索自己周边环境自学任务内容。所有这些因素让学习变得困难。每个内容都有资格被视为更加前沿的研究问题。像我们这样将它们放在一个平台上，是对这一领域的新的重要挑战。
视频Stairway to Melon
DeepMind Lab 高度可自定义、可延展。使用现成的编辑工具就能达到新级别（level）。此外，DeepMind Lab 包含一个进行 programmatic level-creation 的接口。使用 gameplay logic、item pickups、custom observations、level restarts、reward schemes、in-game messages 等更多工具可自定义出更高的级别。该接口可被用于创造这样的级别：在智能体训练时生成全新地图布局。这些特征在测试智能体是否适应不熟悉环境时非常有用。用户可以通过 Github 为该平台增加自定义级别。该资源以及所有的代码、地图和 level scripts 都被托管在了 Github 上。我们希望社区能帮助我们更进一步塑造以及开发该平台。
DeepMind Lab 已在 DeepMind 内部被使用了一段时间了（案例：突破 | DeepMind为强化学习引入无监督辅助任务，人工智能的Atari游戏水平达到人类的9倍）。我们相信它对我们从多个方面思考智能有着极大的影响。然而，目前我们的努力只触摸到 DeepMind Lab 的表面。通过 DeepMind Lab，在大量仍未触及的研究领域中，也有机会作出有极大意义的贡献，比如导航（navigation ）、记忆（memory）和探索（exploration）。
和促进智能体（facilitating agent）评估一样，也有强有力的理由让人相信在 3D 世界中以第一视角开发智能更为简单，例如 DeepMind Lab。毕竟，在自然世界我们所知的通用智能的唯一案例就来自于进化、发育和学习的结合，以动物的身体和感官器官为基础。人类与动物智能的一大部分有可能是环境引发的直接结果，没有环境不太可能产生这种智能。替代思考一下：如果你或我生长在 Space Invaders （游戏名） 或 Pac-Man 这样的环境中，可能我们就无法获得很多的通用智能！
