0
雷鋒網(wǎng) AI 科技評論按：12 月 13 日，谷歌開發(fā)者大會 2017 在上海召開，多名谷歌工程師和重量級嘉賓登臺演講，宣布了許多振奮人心的消息，美國工程師的中文演講也讓現(xiàn)場聽眾覺得親切有趣。
最令廣大 AI 研究和從業(yè)者感興趣的，是谷歌云首席科學家李飛飛宣布谷歌 AI 中國中心在北京成立，并且也正是由李飛飛和她曾經(jīng)的博士生、現(xiàn)在的谷歌云研發(fā)負責人李佳共同領導谷歌 AI 中國中心的工作。谷歌云 AI、谷歌大腦以及谷歌的中國本土團隊的工作也將由李飛飛統(tǒng)籌。
在李飛飛的主會場演講結(jié)束后，李飛飛和李佳來到分會場，和受邀請參與面對面溝通活動的學生、教授、AI 從業(yè)人員以及媒體進行了更多溝通和交流。
李佳也在現(xiàn)場進行了一個小演講，介紹了她帶領的谷歌云研發(fā)團隊近期的一些研發(fā)思路和技術產(chǎn)品。雷鋒網(wǎng) AI 科技評論也有記者在現(xiàn)場參與活動，我們把演講的主要內(nèi)容整理如下。
李佳：很高興在這里見到大家，我叫李佳。我是谷歌云 AI 的研發(fā)主管，自己也是一個開發(fā)者，今天想在這里分享一下 AI 研究的一些心得和谷歌云團隊研發(fā)的 AI 的一些應用。
在過去的幾天里我花了很多的時間練習用中文說話。這是我第一次用中文演講，如果有很多的英文或者是說英文的單詞，請大家諒解。我一度曾經(jīng)想放棄，想用英文來講，但是今天看到有這么多的我們外國的友人，在很拼命的用中文來講，我感到非常的慚愧。練習到昨天我還發(fā)覺，大概我的演講里面大概 70% 的部分還是英文的單詞，但是我希望今天能做的更好一點。
今天我想講這個的原因是，作為一個開發(fā)者，我自己覺得很幸運，可以參與一個想法到成為一個完成產(chǎn)品的過程，所以我今天在這里想給大家分享這樣的一個歷程。希望有更多的人投身到這樣過程當中，能夠促成 AI 產(chǎn)品的產(chǎn)生。我把這個過程叫做 AI Journey（AI 歷程）。
它有幾個主要的組成部分。
首先，不管我們想要做任何的 AI 也好，它總是從問題本身開始，我們想要發(fā)覺、發(fā)現(xiàn)哪一個問題值得去解決，這就是第一步。
有了這個問題以后，我們就會去升級，去考慮用什么樣的方式來表現(xiàn)這個問題，這就是第二步。
一旦有了我們的數(shù)據(jù)過后，我們可以在數(shù)據(jù)上面有很多很多的應用，有很多的算法的創(chuàng)新。
最后一步就是一旦我們有了很好的算法過后，我們怎樣把它變得更好，更準確。經(jīng)過了這些過程，它就會成為一個很成熟的產(chǎn)品技術。
這個 AI 的歷程通常是從最初的問題定義開始，比如圖像分類識別。如果想從這個圖里面識別出有個毛線團，這個問題的表達形式有很多種，它的解決方案也有各種各樣的。
從 ImageNet 數(shù)據(jù)集發(fā)布以后，很多的研究者在它上面去運行他們的算法，很大推動了這個領域的發(fā)展。最近我們自己在上面也有一些小的嘗試。
可能在座的同學們、老師們，你們有一些人可能聽說過 Neural Architecture Search（神經(jīng)網(wǎng)絡結(jié)構(gòu)搜索），這個就是我們最早的一些嘗試。開始是由我們研究的一個算法，最近我們谷歌云和谷歌的其他的一些團隊，也在這上面做了一些新的嘗試。這個是什么樣的算法呢？它會嘗試搜索、組合不同的基礎網(wǎng)絡結(jié)構(gòu)，形成一個完整的網(wǎng)絡。它的最終目的，是想讓機器自動生成神經(jīng)網(wǎng)絡。圖中是一個例子，我們怎么樣生成在 ImageNet 和 CIFAR 上有良好表現(xiàn)的神經(jīng)網(wǎng)絡。
現(xiàn)在在我們最新的嘗試里面，這種機器生成的算法已經(jīng)是頂級的了。但我想提醒大家的是，雖然這是一個很激動人心的技術發(fā)展成果，但是，目前這種機器生成的模型只局限于某一個特定的問題，是端到端的一種解決方案。但是在現(xiàn)實生活中，或者對于現(xiàn)實當中的問題，會涉及到許許多多不同技術的共同應用。在這個例子里面，數(shù)據(jù)都是收集好的，但是在很多的情況里面我們是沒有辦法收集數(shù)據(jù)的，比如說罕見的疾病，還有自然災害當中發(fā)生的問題，很多的數(shù)據(jù)是非常難以收集的，或者是收集起來非常危險的。
這里就有一個例子，在自動駕駛技術中我們根本沒有辦法去訓練算法如何應對交通事故，或者比較罕見遇到的交通情況，因為沒有這樣的數(shù)據(jù)。這種情況是否能有替代做法呢？我想提下這個模擬器的技術。這樣我們可以自由生成各種各樣的數(shù)據(jù)，來表現(xiàn)這些復雜的情況。
另外一個有名的例子就是 AlphaGo 和很多很多的棋牌游戲，當我們對游戲的規(guī)則非常明確了之后，就可以讓算法自己生成許多數(shù)據(jù)，然后從生成的數(shù)據(jù)中學習。
這個技術經(jīng)常被用在遷移學習里面，我們可能在原有領域有很多數(shù)據(jù)，但很難在新的領域收集同樣多的數(shù)據(jù)；這是其中一個問題。還有很多其它問題，比如說我們在谷歌云上面遇到的很多問題，它們通常是沒有已知的解決辦法的，它們也沒有辦法找到這樣大量的數(shù)據(jù)。
我們這里要解決的是一個小數(shù)據(jù)的問題，不是大數(shù)據(jù)的問題。在這個過程中，遷移學習、模擬器技術都是非常值得去研究去探索的，在能夠真正的解決實際問題之前，能夠達到我們希望的能夠處理任何情況之前，先用這樣的技術讓模型快速成長。
我們同時也能挖掘出一個很大的寶藏，機器人技術。比如說用模擬器的方法解決機器人技術的問題。
我當時和我的同事一起去把 Gazebo 平臺的代碼收集好，開放給大家來用。我們自己在上面做了一些探索，發(fā)現(xiàn)如果我們把大量的問題放在里面，就算不是從直覺上能完美解決好的問題，只要能夠把問題和大規(guī)模計算、大規(guī)模仿真模擬進行結(jié)合的話，實際上它還是能得到非常好的效果的。
我剛才談到一些有關模擬器生成數(shù)據(jù)的探索，實際上算法也對這個領域至關重要，其中包含了怎么樣有效讓我們?nèi)酥笇C器來進行學習。當然，讓機器學習也還有各種不同的辦法。
我剛才談到了幾個比較小的例子，都有什么樣的問題是值得我們?nèi)ソ鉀Q的。而數(shù)據(jù)中蘊含的價值很多、數(shù)據(jù)的來源和用途很廣，我們實際需要數(shù)據(jù)相關技術來解決的問題比剛才我談到的還要更廣泛。舉一些簡單的例子，我們在 flickr 數(shù)據(jù)的數(shù)據(jù)清洗上面還是取得了一些令人振奮的結(jié)果。但是在這樣的技術上面，我們有很多的問題需要去解決。我們最終需要考慮的是其中有什么樣的人、他們在做一些什么樣的事情、里面還有怎么樣的內(nèi)容、從一個時間段到下一個時間段有哪些變化、這個變化怎么產(chǎn)生的。實際上我們作為數(shù)據(jù)領域的研究者還沒有特別多關注和投入在這些方面。
我剛才談到了機器人方面的很多問題，另外一個大的方向是自然語言。大家看到有很多的好玩的聊天機器人，是一種為了好玩的、隨意的聊天。但是在我們?nèi)撕腿酥g，我們聊天的雙方或者是多方是有不同的背景的，整個聊天的過程是有一個希望達成的目的的。對話的目的的理解、利用和算法更新現(xiàn)在都做得不多。所以很多問題，很多聊天的問題是有一個目標需要完成的，這樣才能讓機器和人類的交流更有價值。我們非常感興趣將來繼續(xù)探索這方面的問題。
在谷歌云，我們有非常非常多的傳統(tǒng)的行業(yè)跟我們進行合作，我們在跟他們交流的過程或者溝通的過程，發(fā)覺有好多的問題，我們整個 AI 領域還沒有給予特別多的關注，比如說其中一個就是 AI 醫(yī)療。
我們知道醫(yī)療技術里面，實際上有很多非常非常有意思的問題，比如說我們的醫(yī)生資源非常少，特別是中國，一個醫(yī)生一天看上百人的病人，我覺得這對醫(yī)生來說是非常繁重的勞動，而且病人也沒有得到足夠的關照。如果有更多的、足夠的時間去探討和理解他的疾病的話，應該會非常有幫助。在很多發(fā)展中國家，甚至都沒有很多的醫(yī)生來幫助這些病人解決問題。所以，我們想看看 AI 能怎么樣幫助解決這些問題。
這里我想給一個比較簡單的例子，我們自己在這上面做了一些小的、比較新的探索，實際上就是讓 AI 識別胸部 X 光片。
通常人類醫(yī)生做這個過程、判斷疾病的嚴重程度非?；〞r間，而且它對醫(yī)生的要求也非常高。假設我們?nèi)绻幸粋€基于 AI 的 X 光疾病識別算法，就可以極大地減少人類醫(yī)生的工作量。但這里也有一個悖論：一方面，我們想做這樣的 AI 去幫助醫(yī)生做一些判斷，幫助醫(yī)生對疾病形成更好、更深的理解；而通?，F(xiàn)在的技術就是深度學習，如果我們要做這個問題的話，深度學習會需要大量的標注數(shù)據(jù)才能做出一些成果。這樣就回到了我們開始想要解決的問題：我們本來是想幫我們的人員減少他們的工作量，減少他們對數(shù)據(jù)的處理，結(jié)果我們做這些事情，反而要讓他們處理更多的數(shù)據(jù)。
我們這里就開始在看怎么樣去解決這個具體問題。通常來說，如果我們要去獲取這種標注數(shù)據(jù)，對做標注的醫(yī)生要求是非常高的。不過其實我們有很多的 X 光圖像都是帶有醫(yī)學的報告的，這些醫(yī)學的報告來自于以往積累的真實診療記錄。我們合作研究的醫(yī)院有十多萬張 X 光圖像，然而在這么大量的圖像里面只有小于一千張有這種帶邊界框的數(shù)據(jù)標注。
我們最近一段時間對這個問題進行了一些探討，去考慮如何用深度學習的方法來解決這個問題。中間我們的 Wang Chong 博士也是對這個項目的學習算法貢獻非常大，我們想的是怎么用半監(jiān)督學習，和這些小量的數(shù)據(jù)，用一個算法來極大地提高了這些少量數(shù)據(jù)的有效性。這樣的結(jié)果我們就可以不但有對這個疾病的類別的判定，同時還能給我們的一些建議，怎么樣解決這個問題。
這是一個簡單的例子去怎么看從我們?nèi)绾稳ピO計算法。在我們這個里面，我們還有做很多的嘗試，中間包括數(shù)據(jù)收集和總體解決方案的建立。我剛才介紹到對 AI 醫(yī)療的領域，我們整個團隊也是非常感興趣。因為有很多的行業(yè)的這種合作，所以我們也會用開放的態(tài)度積極參與。用 AI 改善人們的生活是我們非常關注的問題，我們想用 AI 來對相關行業(yè)做出更多的貢獻。
在中國我們有很多有意思的事情在計劃中或者是說已經(jīng)在執(zhí)行了，今天給大家介紹了一些我們近期做的技術和產(chǎn)品，給大家分享了一下我們在做的事情。之后的時間里也希望谷歌 AI 中國中心的研究員們能和全中國的 AI 學生、專家、教授們都有更多的合作，合力解決更多尚未解決的問題。
謝謝大家！
（完）
在面對面交流活動結(jié)束后，許多專家、教授也紛紛在朋友圈發(fā)出活動照片，這是對谷歌想要在中國大力開展廣泛的 AI 合作研究的愿景的認可，也是更深入、更豐富的未來 AI 研究態(tài)勢的前站。雷鋒網(wǎng) AI 科技評論也會繼續(xù)關注谷歌 AI 中國中心，以及更多谷歌下屬機構(gòu)在中國展開的 AI 研究和開發(fā)合作狀況，共祝中國 AI 繼續(xù)大踏步前進、在基礎研究方面也做出更多更大的成果。
相關文章：
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
