谷歌大脑2017总结下篇：从医疗、机器人等6个领域开始的改变世界之旅

雷锋网 AI 科技评论按：昨天谷歌大脑（Google Brain）负责人 Jeff Dean 在 Google Research Blog 上发表了谷歌大脑团队 2017 年的回顾总结上篇，详述了谷歌大脑过去一年中在 自动机器学习、语言理解和生成、新的机器学习算法和应用、隐私与安全、理解机器学习系统、开放数据集、TensorFlow、TPU 等一系列方面的研究工作。

雷锋网 AI 科技评论昨天推送了 回顾总结上篇的内容 。

今天Jeff Dean发表了这篇博文的下篇，内容包括谷歌大脑在 AI 应用方面（诸如医疗、机器人、创新、公平和包容等）的工作。下面雷锋网 (公众号：雷锋网) 把这篇总结文的下篇全文翻译如下：

谷歌大脑团队的工作目标是通过科学研究和系统工程不断推进顶级 AI 系统的发展，这也是整个谷歌的 AI 战略的一部分。在 这篇博文的第一部分 ，我介绍了我们 2017 年在基础研究方面的工作，内容包括从设计新的机器学习算法和技术到理解它们，以及与社区共享数据，软件和硬件。

在这篇文章中，我们将深入介绍我们在 医疗、机器人、创新、公平和包容 等垂直领域所做的研究工作，最后会简单介绍一下我们这个团队。

医疗

我们认为将机器学习技术应用于医疗保健领域具有巨大的潜力。他们在这个方面也做出许多工作，包括 协助病理学家来检测癌症、理解医疗对话以协助医生和病人互动 ，以及利用机器学习解决基因组学中的各种问题，此外还开放了一个 基于深度学习的高精度变型呼叫系统的源代码 。

推荐阅读： 医学领域的AI除了看医疗影像还能做什么？谷歌带来一个新答案：帮医生写医疗档案

（淋巴结活检，我们的算法正确识别出肿瘤而不是良性巨噬细胞）

2016 年 12 月，我们在美国医学协会杂志（JAMA）上发表了一篇研究糖尿病性视网膜病变（DR）和黄斑水肿早期发现的 研究论文 。

相关论文：https://jamanetwork.com/journals/jama/article-abstract/2588763

在 2017 年，我们将这项研究由研究项目转移到了实际的临床试验。我们与 Verily（Alphabet 公司旗下的一家生命科学公司）合作，通过监管过程来引导这项工作，并将这项技术整合到尼康的 Optos 眼科相机产品线中。

另外，我们目前正在印度部署这个系统。据了解，在印度的眼科医生有 12.7 万名，但结果却是几乎有一半的上述疾病的患者都被诊断为晚期——疾病已经导致视力丧失。作为试点的一部分，我们在 Aravind 眼科医院推出了这个系统，用来帮助医院的工作人员更好地诊断糖尿病性眼部疾病。此外，我们还与合作伙伴合作，尝试了解影响糖尿病性眼部疾病护理方面的人为因素（包括患者和医疗保健者的民族志研究）以及眼科护理临床医师如何与 AI 支持系统进行交互的调查。

第一名病人（上）；Iniya Paramasivam，一位训练有素的分级师，正在查看系统的输出（下）

谷歌大脑还与包括斯坦福大学、加州大学旧金山分校和芝加哥大学在内的一些先进的医疗机构和中心的研究人员合作， 来证明使用机器学习预测未识别医疗记录的医疗结果的有效性 （即根据患者的当前状况，我们相信可以通过从数百万其他患者的案例中学习并预测该患者的未来状况，从而帮助医疗保健人员做出更好的决策）。我们对这个方法感到很兴奋，同时也期待在 2018 年能有更多的内容来讲。

机器人

谷歌大脑在机器人学上的长期目标是设计学习算法，使机器人能够在复杂的现实环境中进行运作，并能够通过学习来快速获得新的技能和能力，而不是像如今的机器人那样需要精心控制的条件或针对特定任务编写特定的程序。

我们研究的一个重点就是开发实体机器人，使它们能够利用自己以及其他机器人的经验来建立新的技能和能力，也即汇集共同的经验，以便集体学习。 我们还在探索如何将基于计算机的机器人任务模拟与实体机器人经验结合起来，从而加快学习新的任务。 虽然在模拟器中的物理规律与现实世界并不完全匹配，但是我们发现，对于机器人来说，模拟经验加上少量的现实世界的经验会给出比大量现实世界经验更好的结果。

除了现实世界机器人经验和模拟机器人环境外， 我们还开发了机器人学习算法，可以通过观察人类对所需行为的演示来学习。 我们认为这种模仿学习方法是一种非常有前途的方式，它能够非常快速地向机器人传递新的能力，这个过程没有明确的规划，甚至没有明确规定活动的目标。

推荐阅读： 看一遍人类动作就能模仿，能理解语义的谷歌机器人登上无监督学习的新高度

例如下面这个视频中机器人通过从不同的角度观察人类执行任务，然后试图模仿人类行为，在仅仅 15 分钟的时间里就学到了如何向杯子里倒东西。如何你和你三岁的孩子在一起，就会觉得这项工作多么令人鼓舞，因为它只洒出了一点点，而你的孩子可能会弄得一团糟。

我们还在 11 月份联合组织和主办了首次全新的 机器人学习大会（CoRL） ，这次会议也将大量机器学习和机器人交叉领域的研究人员聚集在了一起。 活动总结 中包含更多信息，这里就不再详述，让我们共同期待明年在苏黎世举行的下一届会议吧。

推荐阅读：

• Yann Lecun CoLR演讲：机器该如何像动物和人类一样有效学习

• Anca Dragan CoRL 演讲：机器人与人类如何相互影响及更好协作？

基础科学

谷歌大脑认为机器学习在帮助解决科学中的重要问题上具有长期的潜力。去年我们利用神经网络在 量子化学中预测了的分子性质 ， 在天文数据中寻找到了新的系外行星 ，从地震数据中预测了地震的余震，并利用深度学习指导了自动化的证明系统。

相关论文（量子化学）：

Machine learning prediction errors better than DFT accuracy

Neural Message Passing for Quantum Chemistry

相关文章（系外行星）： 谷歌人工智能助科学家发现“迷你太阳系”

相关论文（地震余震）： Deep Network Guided Proof Search

信息通过神经网络预测有机分子的量子特性

寻找新的系外行星：当行星遮挡光线时，观察的恒星亮度。

创造力

谷歌大脑也对如何将机器学习作为工具来帮助人们进行创造性创作非常感兴趣。

今年，我们创作了一个 AI 钢琴二重奏工具 ，帮助了 YouTube 音乐人 Andrew Huang 创作新的音乐，并展示了 如何教机器画画 。

试试弹钢琴： A. I. DUET 

欣赏： Andrew Huang的音乐 （需翻墙）

相关 文 章： 谷歌大脑教机器画简笔画，神经网络的大作都长啥样？

画画：

SketchRNN模型绘制的花园; 互动演示

我们还演示了如何控制运行在浏览器中的深度生成模型来创建新的音乐，这个作品在 NIPS 2017 上获得了最佳Demo奖 ，这也是大脑团队的 Magenta 项目成员连续第二年获得该奖项（NIPS 2016 上与 Magenta 互动音乐即兴演奏的 demo 获得了该年度的最佳Demo奖）。

在下面的视频中，您可以听到演示的一部分，这是 MusicVAE 变奏自动编码器模型从一个旋律到另一个旋律的平滑过渡。

People+AI Research（PAIR）倡议

机器学习的进步为人们如何与计算机进行交互提供了全新的可能性。同时，确保社会能够从我们构建的技术中获得广泛的好处，是至关重要的。我们认为这些机遇和挑战是一件紧迫的事情，因此通过与谷歌公司中的众多人员进行合作，我们提出了一份 People + AI Research（PAIR）倡议 。

推荐阅读： 誓要让 AI 造福于人，谷歌 “PAIR”项目究竟有多靠谱？

PAIR 的目标是研究和设计人与 AI 系统进行交互最有效的方法。为此，我们举办了一场 公共研讨会 ，将来自计算机科学、设计甚至艺术等学科领域中的学术研究者和实践者聚集在一起共同讨论。PAIR 的工作范围非常广泛，其中一些如通过解释性工作帮助研究人员了解 ML 系统，并用 deeplearn.js 扩展开发人员社区。我们在以人为中心的 ML 工程方法方面的另外一个例子就是 Facets 的推出，这是一种可视化和可理解的训练数据集工具。

推荐阅读： 谷歌也发布了Web前端机器学习库，就叫deeplearn.js

Facets帮助你深入理解你的训练数据集

机器学习中的公平和包容

随着 ML 在技术上的作用越来越大，包容性和公平性的考虑也变得越来越重要。Brain 团队和 PAIR 在这些领域取得了一些进展。我们已经发表了在 ML 系统中 如何通过因果推理来避免歧视 、 地理多样性在开放数据集中的重要性 ，并写了一个博文分析了一个公开数据集以 了解多样性和文化差异 。我们也一直与 AI 合作伙伴进行密切的合作 ，PAIR 是一个跨行业的倡议，它旨在帮助我们确保让公平和包容成为所有 ML 从业者的共同目标。

正如在左边的这些涂鸦图案中所观察到的那样，文化差异可以在训练数据时（甚至在对象中）是“通用”的椅子。 右侧的图表显示了我们如何发现标准开源数据集（如ImageNet）中的地理位置偏差。 未被发现或未被纠正，这种偏见可能强烈影响模型行为。

我们与谷歌创意实验室的同事合作制作了下面这个视频，作为这个领域的一些非技术性介绍。

我们的文化

谷歌大脑的研究文化的一个方面是，让研究人员和工程师们去解决他们自己认为最重要的基础研究问题。
在 2017 年 9 月份， 我们发布了开展研究的一般方法 。教育和知道年轻的研究人员是我们研究的一部分。我们去年共接待了 100 多名实习生，在 2017 年中有约 25% 的发表文章有实习合作者参与。

推荐阅读： Jeff Dean撰文：谷歌大脑是如何完成科研使命的？（2017.09）

在 2016 年，谷歌大脑开启了 Google Brain Residency 计划，该计划旨在指导哪些想学习机器学习研究的人。在首年（2016 年 6 月-2017 年 6 月）共有 27 位培训人员加入我们团队， 在半年的时间里共发表了 23 篇论文 。这些培训人员现在大部分都作为专职研究人员和研究工程师留在我们团队中。

2017 年 7 月，我们迎来了第二批 35 位培训人员，他们将会待到 2018 年 7 月，不过现在已经做出了许多令人兴奋的研究工作， 并已经发表了很多一系列的论文 。

我们现在已经扩大了该计划的范围，将谷歌许多其他研究组包括在内，并将计划重新命名为 Google AI Residency program。（本年度计划的申请截止日期刚刚过去；请在 g.co/airesidency/apply 查看有关明年计划的信息）

我们在 2017 年的工作远不止这篇博文（上、下）中所强调的这些。我们过去一年在各种顶级的研究机构发表了 140 篇论文，其中在 ICLR、ICML、NIPS 等会议发表了 60 多篇论文。想了解我们这方面的工作，可以仔细阅读我们的研究论文。

你也可以在这个视频中看到我们团队的成员：

或者读一读我们第二次在「 Ask Me Anything（AMA） 」活动中的回答（2016 年也有一期）

Jeff Dean两年AMA全盘点：26个关于谷歌大脑和机器学习未来的问题

谷歌团队正在扩增，团队成员遍布北美和欧洲。如果你觉得我们做的工作听起来很有意思，而且想加入我们，你可以通过底部的链接（ g.co/brain ）看看我们有哪些空缺职位，并申请实习、AI 入驻计划，访问学者或全职研究或工程开发岗位。

你也可以通过 Google Research blog，或者 Twitter@GoogleResearch 来跟踪我们在 2018 年的工作，你也可以关注我的个人 Twitter 账号 @JeffDean。

via GoogleBlog.com ，雷锋网 AI 科技评论编译。文章中所提的研究成果的具体细节欢迎阅读我们的往期报道文章。

相关文章：

• 谷歌大脑 2017 总结上篇：基础研究进展迅速，开放资源遍地开花
  

• 医学领域的AI除了看医疗影像还能做什么？谷歌带来一个新答案：帮医生写医疗档案
  

• 看一遍人类动作就能模仿，能理解语义的谷歌机器人登上无监督学习的新高度
  

• Yann Lecun CoLR演讲：机器该如何像动物和人类一样有效学习？
  

• Anca Dragan CoRL 演讲：机器人与人类如何相互影响及更好协作？
  

• 谷歌人工智能助科学家发现“迷你太阳系”
  

• 谷歌大脑教机器画简笔画，神经网络的大作都长啥样？
  

• 誓要让 AI 造福于人，谷歌 “PAIR”项目究竟有多靠谱？
  

• 谷歌也发布了Web前端机器学习库，就叫deeplearn.js
  

• Jeff Dean撰文：谷歌大脑是如何完成科研使命的？
  

• Jeff Dean两年AMA全盘点：26个关于谷歌大脑和机器学习未来的问题（上）
  

• Jeff Dean两年AMA全盘点：26个关于谷歌大脑和机器学习未来的问题（下）
  

。