谷歌大腦2017總結下篇：從醫療、機器人等6個領域開始的改變世界之旅

作者：camel

概要：Jeff Dean發表了這篇博文的下篇，內容包括谷歌大腦在 AI 應用方面（諸如醫療、機器人、創新、公平和包容等）的工作。

昨天谷歌大腦（Google Brain）負責人 Jeff Dean 在 Google Research Blog 上發表了谷歌大腦團隊 2017 年的回顧總結上篇，詳述了谷歌大腦過去一年中在自動機器學習、語言理解和生成、新的機器學習演算法和應用、隱私與安全、理解機器學習系統、開放數據集、TensorFlow、TPU等一系列方面的研究工作。

今天Jeff Dean發表了這篇博文的下篇，內容包括谷歌大腦在 AI 應用方面（諸如醫療、機器人、創新、公平和包容等）的工作。下面我們把這篇總結文的下篇全文翻譯如下：

谷歌大腦團隊的工作目標是通過科學研究和系統工程不斷推進頂級 AI 系統的發展，這也是整個谷歌的 AI 戰略的一部分。在這篇博文的第一部分，我介紹了我們 2017 年在基礎研究方面的工作，內容包括從設計新的機器學習演算法和技術到理解它們，以及與社區共享數據，軟體和硬體。

我們認為將機器學習技術應用於醫療保健領域具有巨大的潛力。他們在這個方面也做出許多工作，包括協助病理學家來檢測癌症、理解醫療對話以協助醫生和病人互動，以及利用機器學習解決基因組學中的各種問題，此外還開放了一個基於深度學習的高精度變型呼叫系統的源代碼（https://github.com/google/deepvariant）。

淋巴結活檢，我們的演算法正確識別出腫瘤而不是良性巨噬細胞

據了解，在印度的眼科醫生有 12.7 萬名，但結果卻是幾乎有一半的上述疾病的患者都被診斷為晚期——疾病已經導致視力喪失。作為試點的一部分，我們在 Aravind 眼科醫院推出了這個系統，用來幫助醫院的工作人員更好地診斷糖尿病性眼部疾病。此外，我們還與合作夥伴合作，嘗試了解影響糖尿病性眼部疾病護理方面的人為因素（包括患者和醫療保健者的民族志研究）以及眼科護理臨床醫師如何與 AI 支持系統進行交互的調查。

第一名病人（上）；Iniya Paramasivam，一位訓練有素的分級師，正在查看系統的輸出（下）

谷歌大腦在機器人學上的長期目標是設計學習演算法，使機器人能夠在複雜的現實環境中進行運作，並能夠通過學習來快速獲得新的技能和能力，而不是像如今的機器人那樣需要精心控制的條件或針對特定任務編寫特定的程序。

除了現實世界機器人經驗和模擬機器人環境外，我們還開發了機器人學習演算法，可以通過觀察人類對所需行為的演示來學習。我們認為這種模仿學習方法是一種非常有前途的方式，它能夠非常快速地向機器人傳遞新的能力，這個過程沒有明確的規劃，甚至沒有明確規定活動的目標。

推薦閱讀：

基礎科學

谷歌大腦認為機器學習在幫助解決科學中的重要問題上具有長期的潛力。去年我們利用神經網路在量子化學中預測了的分子性質（http://t.cn/R6epE6Q），在天文數據中尋找到了新的系外行星（http://t.cn/R6epE6Q），從地震數據中預測了地震的餘震（https://arxiv.org/abs/1701.06972），並利用深度學習指導了自動化的證明系統。

信息通過神經網路預測有機分子的量子特性

尋找新的系外行星：當行星遮擋光線時，觀察的恆星亮度。

創造力

谷歌大腦也對如何將機器學習作為工具來幫助人們進行創造性創作非常感興趣。

今年，我們創作了一個AI 鋼琴二重奏工具（https://experiments.withgoogle.com/ai/ai-duet/view/），幫助了 YouTube 音樂人 Andrew Huang 創作新的音樂，並展示了如何教機器畫畫。

SketchRNN 模型繪製的花園;互動演示（http://autodraw.com/）

我們還演示了如何控制運行在瀏覽器中的深度生成模型來創建新的音樂，這個作品在NIPS 2017 上獲得了最佳Demo獎，這也是大腦團隊的 Magenta 項目成員連續第二年獲得該獎項（NIPS 2016 上與 Magenta 互動音樂即興演奏的 demo 獲得了該年度的最佳Demo獎）。

在下面的視頻中，您可以聽到演示的一部分，這是 MusicVAE 變奏自動編碼器模型從一個旋律到另一個旋律的平滑過渡。

People+AI Research（PAIR）倡議

機器學習的進步為人們如何與計算機進行交互提供了全新的可能性。同時，確保社會能夠從我們構建的技術中獲得廣泛的好處，是至關重要的。我們認為這些機遇和挑戰是一件緊迫的事情，因此通過與谷歌公司中的眾多人員進行合作，我們提出了一份People + AI Research（PAIR）倡議。

PAIR 的目標是研究和設計人與 AI 系統進行交互最有效的方法。為此，我們舉辦了一場公共研討會，將來自計算機科學、設計甚至藝術等學科領域中的學術研究者和實踐者聚集在一起共同討論。PAIR 的工作範圍非常廣泛，其中一些如通過解釋性工作幫助研究人員了解 ML 系統，並用deeplearn.js擴展開發人員社區。我們在以人為中心的 ML 工程方法方面的另外一個例子就是Facets（https://pair-code.github.io/facets/）的推出，這是一種可視化和可理解的訓練數據集工具。

Facets幫助你深入理解你的訓練數據集

隨著 ML 在技術上的作用越來越大，包容性和公平性的考慮也變得越來越重要。Brain 團隊和PAIR在這些領域取得了一些進展。我們已經發表了在 ML 系統中如何通過因果推理來避免歧視（https://arxiv.org/pdf/1706.02744.pdf）、地理多樣性在開放數據集中的重要性（https://arxiv.org/abs/1711.08536），並寫了一個博文分析了一個公開數據集以了解多樣性和文化差異（http://t.cn/RCRru3o）。我們也一直與AI 合作夥伴進行密切的合作，PAIR 是一個跨行業的倡議，它旨在幫助我們確保讓公平和包容成為所有 ML 從業者的共同目標。

正如在左邊的這些塗鴉圖案中所觀察到的那樣，文化差異可以在訓練數據時（甚至在對象中）是「通用」的椅子。 右側的圖表顯示了我們如何發現標準開源數據集（如ImageNet）中的地理位置偏差。 未被發現或未被糾正，這種偏見可能強烈影響模型行為。

我們與谷歌創意實驗室的同事合作製作了下面這個視頻，作為這個領域的一些非技術性介紹。

我們的文化

谷歌大腦的研究文化的一個方面是，讓研究人員和工程師們去解決他們自己認為最重要的基礎研究問題。

在 2017 年 9 月份，我們發布了開展研究的一般方法。教育和知道年輕的研究人員是我們研究的一部分。我們去年共接待了 100 多名實習生，在 2017 年中有約 25% 的發表文章有實習合作者參與。

在 2016 年，谷歌大腦開啟了 Google Brain Residency 計劃，該計劃旨在指導哪些想學習機器學習研究的人。在首年（2016 年 6 月-2017 年 6 月）共有 27 位培訓人員加入我們團隊，在半年的時間裡共發表了 23 篇論文（http://t.cn/RM48D31）。這些培訓人員現在大部分都作為專職研究人員和研究工程師留在我們團隊中。

2017 年 7 月，我們迎來了第二批 35 位培訓人員，他們將會待到 2018 年 7 月，不過現在已經做出了許多令人興奮的研究工作，並已經發表了很多一系列的論文（http://t.cn/RQGmmki）。

我們現在已經擴大了該計劃的範圍，將谷歌許多其他研究組包括在內，並將計劃重新命名為 Google AI Residency program。（本年度計劃的申請截止日期剛剛過去；請在g.co/airesidency/apply查看有關明年計劃的信息）

未來智能實驗室是人工智慧學家與科學院相關機構聯合成立的人工智慧，互聯網和腦科學交叉研究機構。由互聯網進化論作者，計算機博士劉鋒與中國科學院虛擬經濟與數據科學研究中心石勇、劉穎教授創建。

未來智能實驗室的主要工作包括：建立AI智能系統智商評測體系，開展世界人工智慧智商評測；開展互聯網（城市）雲腦研究計劃，構建互聯網（城市）雲腦技術和企業圖譜，為提升企業，行業與城市的智能水平服務。