新智元报导
来历：Google AI
修改：大明、SHAO
【新智元导读】谷歌AI年终大盘点总算来了。谷歌AI负责人Jeff Dean亲身执笔，回忆2019年谷歌AI的严重技能打破和运用。暖暖的人文关心与炫酷的新技能打破完美结合，这份总结尽管来得晚了点，但干货满满。戳右边链接上新智元小程序了解更多！
Google的方针是致力于处理长时刻问题，要点是那些在日常日子中能极大协助人们的问题。为了在2019年完结这一方针，Google Research根底研讨的多个范畴获得了发展，并将研讨效果运用于医疗保健和机器人等新式范畴，敞开了许多源代码，并持续与产品团队协作，构建对用户更有协助的东西和服务。
在2020年到来之际，本文回忆和评价在曩昔一年中所做的研讨作业，并展望在未来几年中要处理什么样的问题。这篇文章是对Google研讨人员和工程师在2019年期间所做的一些作业的总结，包含AI品德品德、AI社会效益、手机智能辅佐、健康、量子核算、机器学习算法、天然言语了解、机器人技能等许多方面的研讨效果。
下面一块儿来看看这一年Google都在做些什么吧！Google每时每刻都在发明新技能，书写新未来。
AI运用的品德准则
AI运用的品德问题一直是饱尝争议的论题，人类的轻视和成见会经过数据渗透到机器学习的模型，也是许多社会学家重视的焦点。2018年，Google发布了一套AI准则，经过这个准则供给的结构能够评价Google对自家产品中机器学习等技能的研讨和运用。
2019年6月，Google发布这个结构的更新版，介绍了这些准则在Google研讨和产品开发工艺中的实践进程。Google的方针是将这些范畴中现在已知的最佳技能运用到实践作业中，持续推动这些重要范畴的技能开发。
AI谋福社会：猜测灾祸，维护天然
机器学习在处理许多重要的社会问题方面具有巨大的潜力，2019年，Google一直在几个这样的范畴中开展作业，并致力于使其别人能够运用其发明力和技能来处理此类问题。这些作业掩盖广泛，包含：运用机器学习、核算和更好的数据源来做出更精确的洪水预告，然后向受灾地区的数百万部手机供给的警报；与野生动植物维护安排协作，运用机器学习来协助剖析野生生物相机数据等。
AI猜测洪水灾祸
核算机科学和机器学习在其他科学范畴的运用也是Google特别重视的范畴，在多安排协作研讨中宣布不少论文。本年的一些亮点包含：
运用能追寻每个神经元的机器学习模型，完结了制作整个飞翔大脑结构的里程碑。
为偏微分方程（PDE）学习更好的模仿办法，
运用深度学习来猜测分子的嗅觉特性。运用图神经网络（GNN）直接猜测单个分子的气味描述符。
嵌入空间的2D快照，杰出显现了一些示例气味。左：每种气味都集合在自己的空间中。右：气味描述符的层次性质。暗影和概括区域运用嵌入核密度估计核算
AI辅佐技能：为功用妨碍人士翻开新国际
看到五光十色的图画，倾听喜爱的歌曲，与亲人攀谈…… 这些看似天经地义的才能却成为功用妨碍人士感触这样一个国际的妨碍。机器学习技能能够终究靠将这些信号（视觉，听觉，语音）转换成其他信号，使这些信号能够由具有可拜访性的人们很好地办理，然后更好地拜访周围的环境。
在上个月Youtube上名为《AI年代》的纪录片中，介绍了Google的一项技能。关于患有ALS（渐冻症）和其他情况下会发生口齿不清或非标准语音的人，google技能完结了个性化语音到文本的转录，继而模仿患者健康时分的声响与家人沟通。
医疗健康范畴：辅佐确诊水平比美人类专家
2018年底，谷歌健康团队、Deepmind Health和谷歌硬件部分专心于健康相关运用的团队兼并成了谷歌健康。2019年，Google健康团队效果明显：
针对乳房X线照相术的深度学习模型能够在必定程度上协助医生发现乳腺癌；
用于皮肤疾病辨别确诊的深度学习模型能够供给比初级保健医生更精确的效果；
提早两天猜测急性肾损害（AKI）的发生
为病理学家构建了以人为中心的图画查找东西，经过查看类似病例协助他们做出更有用的确诊。
除了在人文关心范畴的研讨效果外，Google也总结了在硬科技和学术范畴的研讨效果。
量子核算：200秒超算1万年的问题
在2019年，Google的量子核算团队初次展现了一种核算使命，该使命国际上最快的经典核算机上需求10000年，但在量子处理器上仅需200秒。Google将要点放在完结量子差错校正上，以保证运转更长时刻的运转。一起让量子算法更易于表达，更易于操控硬件，并运用经典机器学习技能树立更牢靠的量子处理器，为使有用量子核算在更广泛的问题上成为实际，迈出了前期的一步。
一般范畴算法和理论
在一般范畴的算法和理论，咱们持续咱们的研讨，从算法的根底到运用，而且也做了作业图发掘和商场的算法。Google在上一年6月的一篇博客文章总结了在图学习算法方面的一些作业，供给了有关该作业的更多详细信息，一起介绍了在多个渠道宣布的多篇论文，展现了在这个范畴的研讨效果。
机器学习算法
Google在机器学习算法的不同范畴进行了研讨，首要的要点是了解神经网络中练习动力学的性质。Google研讨人员供给了一组细心的试验效果，这些效果表明缩放数据并行性的数量关于使模型收敛更快有用。
对咱们测验的一切作业负载，咱们观察到批次巨细与练习速度之间存在三种通用的联系：小批次巨细的完美扩展（沿虚线），跟着批次巨细的添加（与虚线不同）终究收益递减，以及在最大批量（趋势平稳）时的最大数据并行度。在不同作业负载之间，计划之间的过渡点差异很大。
推动机器学习算法的要点首要是推动学习更好的表明方式，这些表明方式能够更好地推行到新的实例、问题或范畴中。
AutoML：主动决议计划水平堪比人类专家
2019年，google持续AutoML的研讨，在某些类型的机器学习元决议计划上，获得了比最优异的人类机器学习专家更好的决议计划水平。
在探究权重不可知神经网络中，Google展现了怎么无需任何练习过程即可更新风趣的神经网络体系结构以更新评价模型的权重。这能够使体系结构查找的核算功率更高。权重无关神经网络能够在各种不同的权重参数下执行使命。
天然言语了解：BERT拓荒NLP新国际
在曩昔的几年中，天然言语了解、翻译、天然对话、语音辨认和相关使命的模型获得了明显前进。2019年，Google经过结合各种方式或使命来前进技能水平，以练习更强壮的模型，翻译质量明显前进。
左：具有许多练习数据的言语对一般具有较高的翻译质量。右图：多言语练习，其间咱们针对一切言语对练习一个模型，而不是针对每个言语对练习一个独自的模型，这导致没有太多数据的言语对的BLEU得分（翻译质量的衡量）得到了明显前进。
跟着言语了解才能的前进，根据 seq2seq ，Transformer ，BERT ，Transformer-XL 和ALBERT 模型等根底研讨的发展，Google现已在许多中心产品和功用（如 Google Translate ，Gmail的 Smart Compose 和Google查找）中运用了这些模型 。本年， Google在中心查找和排名算法中推出BERT，完结了曩昔五年来查找质量的最大提高。
机器人技能：学习更快，无惧环境改变
机器学习在机器人操控中的运用，是机器人在杂乱的实际环境中有用运转的重要东西。曩昔的一年中，Google在这一范畴完结了许多效果。运用强化学习，机器人能够更有用地在杂乱环境中进行导航。机器人能够仅从图画中高效学习，从环境中的试验中学习“直观”的实际国际，而非经过预编程的模型来学习。练习强化学习算法既能够最大化希望的奖赏，又能够最大化战略的熵，让机器人学得更快，对环境的改变也愈加稳健。
一起，经过学习从自监督的反汇编中进行拼装和泛化，机器人学会了对方针的拆解和拼装。孩子们能够从拆解中学到东西，机器人也能够！
开发者和研讨人员社区愈加敞开
开源不只仅指代码，还包含开发者社区。2019年，Google推出了TensorFlow 2.0，让构建机器学习体系和运用程序比以往愈加轻松。
全球1500多名研讨人员能够经过TensorFlow Research Cloud免费拜访CloudTPU。一起，Google在Coursera的发布的TensorFlow课程招引了 10万学生。在TensorFlow的协助下，一名大学生还发现了两个新行星，并树立了协助其别人发现更多行星的办法。
新的数据集有助于社区探究和开发新技能。为了协助研讨社区找到风趣的数据集，Google能够查找来自许多不同安排的各种敞开数据集。
2019年，谷歌研讨人员在机器学习尖端学术会议（如CVPR、ICML、ICLR、ACL、ICCV、NeurIPS等）上宣布了数百篇论文，参与讲演等活动，获得许多奖项。
展望2020：面对的应战
曩昔十年，机器学习和核算机科学范畴获得了明显前进，咱们现在现已让核算机会看、会听、会了解言语，一起也有了能够运用这些功用的杂乱核算设备，能够更好地协助咱们完结日常日子中的许多使命。经过开发专用硬件，咱们运用机器学习办法从头规划了核算渠道，处理渐渐的变大的问题。这场深度学习革新，将持续重塑咱们对核算和核算机的观念和概念。
不过，现在依然存在许多没有处理的问题，比方：、
怎么构建可处理数百万个使命，还能学习怎么主动成功完结新使命的机器学习体系？
怎么在人工智能研讨的重要范畴推动最新技能的运用，怎么防止算法成见，添加模型的可解释性和可了解性，改进隐私、保证安全？
怎么运用核算和机器学习在重要的新科学范畴获得前进？
怎么保证机器学习和核算机科学研讨范畴所寻求的思维和方向，是由一群构成多元化的研讨人员提出和探究的？
怎么更好地支撑来自不同布景的新研讨人员进入机器学习范畴？
整体而言，关于Google来说，2019年是令人振奋的一年。在2020年，Google要准备好迎候更多的应战！
参阅链接：
https://ai.googleblog.com/2020/01/google-research-looking-back-at-2019.html