谷歌大腦 2016 年機器學習的 9 大進展

多年來，Google Brain 團隊致力於智慧的機器學習來改善人們的生活。為此，無論是在純理論研究的領域，還是將研究成果投入實際應用，探索從未停止。近期，Google Brain 團隊負責人 Jeff Dean 對2016年在各領域取得的重大進展進行了總結。

理論研究成果：發表 27 篇論文

2016 年，Google Brain 團隊參與了 ICML、NIPS 和 ICLR 等國際頂級機器學習會議，並在這些會議上發表了 27 篇論文。除機器學習領域的專業會議以外，還有很多論文被其他領域的會議所接受，例如自然語言處理領域的 ACL 和 CoNNL 大會、語音領域的 ICASSP 大會等。

Google Brain 還向深度學習研究會議 ICLR 2017 提交了 34 篇論文，以在即將到來的大會中進行研究討論。

自然語言理解：翻譯精準度提升 85%

讓計算機更好地理解人類語言，一直是 Google Brain 團隊的一個研究重點。早在 2014 年，Google Brain 的三位研究員通過相關論文展示了神經網路技術被運用在機器翻譯中的可能性，2015 年的研究還表明這種技術也能被運用到影像翻譯、句子成分分析和解決集合運算問題等方面。

在 2016 年，通過與 Google 翻譯團隊的緊密合作，一種端對端的學習系統被運用到了 Google 翻譯中，大幅提高了翻譯準確率，其中一些語言對的準確率甚至提高了 85%。隨之釋出的多語言互譯系統，則使能夠實現互譯的語言對越來越多，向消除語言隔閡的目標又進了一步。

3 種方法提高機器人自主學習效率

將新功能、新能力嵌入到原有機器人中，對於用演算法精心設計並由人工進行程式設計的傳統機器技術來說，是一個難點，而機器學習技術為這一難點提供了突破口。2016 年，Google Brain 與 Google X 團隊合作，通過大量的實驗、探索讓機械臂在更短的時間裡自主學習和訓練“手眼協調”的方法。

Google Brain 團隊最終得出了讓機器人獲得新能力的 3 種方法：強化學習、互動學習和演示學習。團隊仍將繼續研究讓機器人在更加複雜的現實環境中習得新技能的方法。

協助疾病診斷

機器學習技術的應用在醫療領域展現的巨大潛力十分令人興奮。Google Brain 團隊在美國醫療學會學報（JAMA）上發表的論文證明了機器學習技術被運用在糖尿病視網膜病變診斷中的潛力，這將為缺少診斷和治療條件地區的患者帶來福音。

Google Brain 相信，機器學習無論是從質量還是從效率的層面上，都能大幅提升患者的診療體驗。2017 年，在這個領域的研究將會進一步加強。

機器學習與藝術的激烈碰撞

2016 年啟動的 Magenta 專案，探索瞭如何用機器學習系統來學習人類的創造力，尋求藝術與機器智慧碰撞的火花。

從音樂和影像的生成開始，到文字和 VR 的生成，Magenta 正在成為最先進的內容創造生成模型。

確保人工智慧安全性和公平性

複雜而強大的人工智慧系統將越來越多地參與到人們的生活中，其安全性和公平性必須得到嚴格保證。Google Brain 與史丹佛大學、伯克利和 OpenAI 等大學和機構合作，共同發表論文，論述了人工智慧安全領域研究中應被重視的著力點。目前，確保機器訓練資料的私密安全是研究重點。

Google Brain 也在著手讓人工智慧系統進行復雜決策。在這一過程中，保證決策的公平性也是非常重要的。在一篇監督機器學習過程的公平性機制的論文中，Google Brain 論述瞭如何通過技術手段避免偏見和歧視的出現。

開源專案 TensorFlow 廣受歡迎

GitHub 上最受歡迎的機器學習專案 TensorFlow 吸引了超過 570 為貢獻者的 10000 以上的提議。同時，TensorFlow 也被許多知名研究團隊和企業所採納，並被投入到了實際應用中：從尋找珍稀海牛，到幫助農夫揀選黃瓜，各種專案中都有它的身影。

2016 年 11 月，TensorFlow 開源一週年，一篇關於 TensorFlow 計算機系統的論文在計算機系統研究會議 OSDI 上被提交，闡述了其大規模機器學習的原理。

建立機器學習社群 推動教育和技術發展

為加速機器學習領域的發展，培養更多專業人才，Google Brain 也一直都在積極建立機器學習社群，以開展機器學習研究。

Google Brain 通過開設免費的深度學習網路課程、建立視覺化學習系統、線上問答、接待實習生等形式，來推動機器學習領域的教育和技術的發展。

讓機器學習遍佈 Google

在 Google 內部，機器學習的浪潮也在席捲著每一個角落。機器學習的專業知識和意識已經被有意識地滲透到了許多團隊中，並被應用到了產品開發中。例如，Google Brain 團隊為 Google 定製的加速器 ASIC 大幅提高了機器學習的效率和效能，並被應用到了神經網路機器翻譯系統和 AlphaGo 與李世石的圍棋對戰當中。

總而言之，2016 年對 Google Brain 團隊、同事和合作夥伴來說，是相當令人興奮的一年。期待 2017 年機器學習的研究會對世界產生更加深遠的影響！