0
雷鋒網 AI 科技評論按：昨天谷歌大腦（Google Brain）負責人 Jeff Dean 在 Google Research Blog 上發(fā)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、新的機器學習算法和應用、隱私與安全、理解機器學習系統(tǒng)、開放數(shù)據(jù)集、TensorFlow、TPU 等一系列方面的研究工作。
雷鋒網 AI 科技評論昨天推送了回顧總結上篇的內容。
今天Jeff Dean發(fā)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(yī)療、機器人、創(chuàng)新、公平和包容等）的工作。下面雷鋒網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(tǒng)工程不斷推進頂級 AI 系統(tǒng)的發(fā)展，這也是整個谷歌的 AI 戰(zhàn)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算法和技術到理解它們，以及與社區(qū)共享數(shù)據(jù)，軟件和硬件。
在這篇文章中，我們將深入介紹我們在醫(yī)療、機器人、創(chuàng)新、公平和包容等垂直領域所做的研究工作，最后會簡單介紹一下我們這個團隊。
我們認為將機器學習技術應用于醫(yī)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(xié)助病理學家來檢測癌癥、理解醫(yī)療對話以協(xié)助醫(yī)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于深度學習的高精度變型呼叫系統(tǒng)的源代碼。
推薦閱讀：醫(yī)學領域的AI除了看醫(yī)療影像還能做什么？谷歌帶來一個新答案：幫醫(yī)生寫醫(yī)療檔案
（淋巴結活檢，我們的算法正確識別出腫瘤而不是良性巨噬細胞）
2016 年 12 月，我們在美國醫(yī)學協(xié)會雜志（JAMA）上發(fā)表了一篇研究糖尿病性視網膜病變（DR）和黃斑水腫早期發(fā)現(xiàn)的研究論文。
相關論文：https://jamanetwork.com/journals/jama/article-abstract/2588763
在 2017 年，我們將這項研究由研究項目轉移到了實際的臨床試驗。我們與 Verily（Alphabet 公司旗下的一家生命科學公司）合作，通過監(jiān)管過程來引導這項工作，并將這項技術整合到尼康的 Optos 眼科相機產品線中。
另外，我們目前正在印度部署這個系統(tǒng)。據(jù)了解，在印度的眼科醫(yī)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(yī)院推出了這個系統(tǒng)，用來幫助醫(yī)院的工作人員更好地診斷糖尿病性眼部疾病。此外，我們還與合作伙伴合作，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(yī)療保健者的民族志研究）以及眼科護理臨床醫(yī)師如何與 AI 支持系統(tǒng)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(tǒng)的輸出（下）
谷歌大腦還與包括斯坦福大學、加州大學舊金山分校和芝加哥大學在內的一些先進的醫(yī)療機構和中心的研究人員合作，來證明使用機器學習預測未識別醫(yī)療記錄的醫(yī)療結果的有效性（即根據(jù)患者的當前狀況，我們相信可以通過從數(shù)百萬其他患者的案例中學習并預測該患者的未來狀況，從而幫助醫(yī)療保健人員做出更好的決策）。我們對這個方法感到很興奮，同時也期待在 2018 年能有更多的內容來講。
谷歌大腦在機器人學上的長期目標是設計學習算法，使機器人能夠在復雜的現(xiàn)實環(huán)境中進行運作，并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。
我們研究的一個重點就是開發(fā)實體機器人，使它們能夠利用自己以及其他機器人的經驗來建立新的技能和能力，也即匯集共同的經驗，以便集體學習。我們還在探索如何將基于計算機的機器人任務模擬與實體機器人經驗結合起來，從而加快學習新的任務。雖然在模擬器中的物理規(guī)律與現(xiàn)實世界并不完全匹配，但是我們發(fā)現(xiàn)，對于機器人來說，模擬經驗加上少量的現(xiàn)實世界的經驗會給出比大量現(xiàn)實世界經驗更好的結果。
除了現(xiàn)實世界機器人經驗和模擬機器人環(huán)境外，我們還開發(fā)了機器人學習算法，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(guī)劃，甚至沒有明確規(guī)定活動的目標。
推薦閱讀：看一遍人類動作就能模仿，能理解語義的谷歌機器人登上無監(jiān)督學習的新高度
例如下面這個視頻中機器人通過從不同的角度觀察人類執(zhí)行任務，然后試圖模仿人類行為，在僅僅 15 分鐘的時間里就學到了如何向杯子里倒東西。如何你和你三歲的孩子在一起，就會覺得這項工作多么令人鼓舞，因為它只灑出了一點點，而你的孩子可能會弄得一團糟。
我們還在 11 月份聯(lián)合組織和主辦了首次全新的機器人學習大會（CoRL），這次會議也將大量機器學習和機器人交叉領域的研究人員聚集在了一起。活動總結中包含更多信息，這里就不再詳述，讓我們共同期待明年在蘇黎世舉行的下一屆會議吧。
推薦閱讀：
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絡在量子化學中預測了的分子性質，在天文數(shù)據(jù)中尋找到了新的系外行星，從地震數(shù)據(jù)中預測了地震的余震，并利用深度學習指導了自動化的證明系統(tǒng)。
相關論文（量子化學）：
Machine learning prediction errors better than DFT accuracy
Neural Message Passing for Quantum Chemistry
相關文章（系外行星）：谷歌人工智能助科學家發(fā)現(xiàn)“迷你太陽系”
相關論文（地震余震）：Deep Network Guided Proof Search
信息通過神經網絡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，觀察的恒星亮度。
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(chuàng)造性創(chuàng)作非常感興趣。
今年，我們創(chuàng)作了一個 AI 鋼琴二重奏工具，幫助了 YouTube 音樂人 Andrew Huang 創(chuàng)作新的音樂，并展示了如何教機器畫畫。
試試彈鋼琴：A. I. DUET
欣賞：Andrew Huang的音樂（需翻墻）
畫畫：
SketchRNN模型繪制的花園; 互動演示
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(chuàng)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(xù)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。
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(zhàn)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。
推薦閱讀：誓要讓 AI 造福于人，谷歌 “PAIR”項目究竟有多靠譜？
PAIR 的目標是研究和設計人與 AI 系統(tǒng)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 的工作范圍非常廣泛，其中一些如通過解釋性工作幫助研究人員了解 ML 系統(tǒng)，并用 deeplearn.js 擴展開發(fā)人員社區(qū)。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 的推出，這是一種可視化和可理解的訓練數(shù)據(jù)集工具。
推薦閱讀：谷歌也發(fā)布了Web前端機器學習庫，就叫deeplearn.js
Facets幫助你深入理解你的訓練數(shù)據(jù)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(fā)表了在 ML 系統(tǒng)中如何通過因果推理來避免歧視、地理多樣性在開放數(shù)據(jù)集中的重要性，并寫了一個博文分析了一個公開數(shù)據(jù)集以了解多樣性和文化差異。我們也一直與 AI 合作伙伴進行密切的合作，PAIR 是一個跨行業(yè)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(yè)者的共同目標。
正如在左邊的這些涂鴉圖案中所觀察到的那樣，文化差異可以在訓練數(shù)據(jù)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(fā)現(xiàn)標準開源數(shù)據(jù)集（如ImageNet）中的地理位置偏差。 未被發(fā)現(xiàn)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(chuàng)意實驗室的同事合作制作了下面這個視頻，作為這個領域的一些非技術性介紹。
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(fā)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(fā)表文章有實習合作者參與。
推薦閱讀：Jeff Dean撰文：谷歌大腦是如何完成科研使命的？（2017.09）
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，在半年的時間里共發(fā)表了 23 篇論文。這些培訓人員現(xiàn)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(xiàn)在已經做出了許多令人興奮的研究工作，并已經發(fā)表了很多一系列的論文。
我們現(xiàn)在已經擴大了該計劃的范圍，將谷歌許多其他研究組包括在內，并將計劃重新命名為 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）
我們在 2017 年的工作遠不止這篇博文（上、下）中所強調的這些。我們過去一年在各種頂級的研究機構發(fā)表了 140 篇論文，其中在 ICLR、ICML、NIPS 等會議發(fā)表了 60 多篇論文。想了解我們這方面的工作，可以仔細閱讀我們的研究論文。
你也可以在這個視頻中看到我們團隊的成員：
或者讀一讀我們第二次在「Ask Me Anything（AMA）」活動中的回答（2016 年也有一期）
Jeff Dean兩年AMA全盤點：26個關于谷歌大腦和機器學習未來的問題
谷歌團隊正在擴增，團隊成員遍布北美和歐洲。如果你覺得我們做的工作聽起來很有意思，而且想加入我們，你可以通過底部的鏈接（g.co/brain）看看我們有哪些空缺職位，并申請實習、AI 入駐計劃，訪問學者或全職研究或工程開發(fā)崗位。
你也可以通過 Google Research blog，或者 Twitter@GoogleResearch 來跟蹤我們在 2018 年的工作，你也可以關注我的個人 Twitter 賬號 @JeffDean。
via GoogleBlog.com，雷鋒網 AI 科技評論編譯。文章中所提的研究成果的具體細節(jié)歡迎閱讀我們的往期報道文章。
相關文章：
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
