谷歌I/O大會總結：人工智能沖破障礙 未來有更多潛力

　　如果要給谷歌今年的I/O開發(fā)者大會尋找一個主題，那么就是人工智能(AI)已經融入了公司所有要做的事情中。從讓人印象深刻的Duplex到全新的第三代Cloud TPU，包括在下一代Android P系統(tǒng)中整合的很多功能，機器學習技術將會繼續(xù)扮演非常重要的角色，而谷歌每年在這個領域都會保持對競爭對手的優(yōu)勢。

　　在這次I/O開發(fā)者大會上，許多谷歌公司知名的代表人物都紛紛分享了自己對人工智能領域的看法。包括Greg Corrado， Diane Greene和Fei-Fei Li談話，以及Alphabet董事長John Hennessy的演講，都展示了谷歌最近的突破以及思維變化對計算機領域如何產生影響，進而影響我們的生活。

　　谷歌在機器學習和人工智能方面的雄心壯志已經采用了“多管齊下”的方法。在云計算中，有專門適用于硬件的機器學習技術和第三代Cloud TPU這種面向開發(fā)者的應用工具。還包括TensorFlow以及大量科學界和開發(fā)者界的研究也在進行中。

　　熟悉的硬件軌道

　　約翰·亨尼斯是計算機科學行業(yè)的資深人士，他在最后一天的演講中表現非常出色，就像第一天桑達爾·皮查伊的表現一樣中肯。在過去的10年里，技術追隨者對很多關鍵的主題都很熟悉，包括摩爾定律的失效、性能效率和電池電源的限制等，現在已經有越來越多的計算方法來解決日益復雜的問題。

　　而解決方案就是需要一種新的計算方法，針對特定領域的體系結構。換句話說，為特定的應用程序定制硬件架構，可以最大限度地提高性能和提高能源效率。

　　當然，這并不是一個全新的概念，我們已經嘗試過在圖形任務中使用GPU，而高端智能手機也越來越多的使用包括專門的神經網絡處理器在內來處理機器學習任務。智能手機芯片多年來一直在朝著這個方向發(fā)展，并且也擴大到了服務器領域。對于機器學習任務來說，硬件正越來越多地圍繞低精度的8或16位數據大小進行優(yōu)化，而不是更大的32或64位的精確浮點數，以及少量專用的高度并行指令，如質量矩陣乘法。與通用的大型指令集CPU和甚至并行GPU計算相比，性能和能源效益是不言自明的。約翰o亨尼斯認為，谷歌的產品將繼續(xù)使用這些異構的集成芯片和非模離散的組件，這取決于不同的實際用例。

　　然而，這種向更廣泛的硬件類型的轉變帶來了新的問題，它增加了硬件的復雜性，破壞了數以百萬計的開發(fā)人員所依賴的高級編程語言，并進一步破壞了Android平臺。

　　專用的機器學習硬件如果它的程序非常困難，那么用處就不是很大，或者如果性能被低效的編碼語言浪費了。在C語言中，與更友好的Python相比，矩陣乘法的性能差異為47倍。這是一個例子，使用英特爾的特定領域AVX擴展，達到了62806倍的性能改進。但是，僅僅要求專業(yè)人士轉向低級編程并不是一個可行的選擇。相反，他認為編譯器需要被重新考慮，以確保程序盡可能高效地運行，而不考慮編程語言。這種差距可能永遠不會完全消除，但即使達到25%，也會極大地提高性能。

　　這也延伸到了亨尼斯設想未來芯片設計的方式。它的編譯器可能最終在調度機器學習任務中扮演更重要的角色，而不是依賴于硬件調度和高強度的、投機性的無序機器?？梢栽试S編譯器決定哪些操作是并行處理的，而不是在運行時，這是不太靈活的，但是可以帶來更好的性能。

　　在這里帶來另一個好處是，更聰明的編譯器還應該能夠有效地將代碼映射到各種不同的體系結構中，因此相同的軟件可以在不同的硬件上盡可能高效地運行，并具有不同的性能目標。

　　對軟件的潛在轉變的影響并不止于此。操作系統(tǒng)和內核可能也需要重新考慮，以便更好地滿足機器學習應用程序和各種可能最終在野外生存的硬件配置。即便如此，我們今天在市場上已經看到的硬件，如智能手機NPUs和谷歌的云計算，都是谷歌未來機器學習將如何發(fā)展的愿景的一部分。

　　人工智能是互聯(lián)網的一部分

　　機器學習已經存在了很長一段時間，但直到最近才有了突破，這才使得今天的“人工智能”趨勢成為了一個熱門話題。更強大的計算硬件的融合，大數據驅動統(tǒng)計學習算法，以及深度學習算法的進步一直是驅動因素。然而，至少從消費者的角度來看，大型機器學習問題似乎是，硬件已經在這里了，但殺手級應用仍然并不明朗。

　　不過，谷歌似乎并不認為機器學習的成功取決于某一個單一的殺手級應用。相反，谷歌人工智能專家Greg Corrado， Diane Greene和Fei-Fei Li的小組討論表明，人工智能將成為新老產業(yè)的一個組成部分，增強人類的能力，并最終在可及性和重要性方面變得和互聯(lián)網一樣普遍。

　　如今，人工智能為智能手機等產品添加了新動力，但下一步是將人工智能的好處整合到產品工作的核心。谷歌員工似乎特別熱衷于將人工智能交付給不同行業(yè)，這將使人類受益最大，并解決我們這個時代最具挑戰(zhàn)性的問題。有很多關于醫(yī)學和研究在輸入輸出方面的好處的討論，但是機器學習很可能出現在包括農業(yè)、銀行和金融在內的各種行業(yè)中。正如谷歌一直在關注助理的智能功能一樣，這是一種更微妙、更隱蔽的用例，它可能最終會對人們的生活產生很大的影響。

　　最終，人工智能可以幫助人類走出危險的工作環(huán)境，提高生產力。但正如谷歌在Duplex演示所展示的那樣，這最終可能會在許多角色中取代人類。隨著這些潛在的用例變得更加先進和有爭議，機器學習行業(yè)將與立法者、倫理學家和歷史學家合作，以確保人工智能最終能產生預期的影響。

　　盡管許多以工業(yè)為基礎的機器學習將在幕后進行，但面向消費者的人工智能也將繼續(xù)前進，并將重點放在更人性化的方法上。換句話說，人工智能將逐漸學習并被用來更好地理解人類的需求，并最終能夠理解人類的特征和情感，以便更好地交流和幫助解決問題。

　　降低開發(fā)門檻

　　谷歌2018年I/O大會展示了該公司在機器學習方面的領先優(yōu)勢，而不是競爭對手。對一些人來說，谷歌在人工智能領域的壟斷前景令人擔憂，但幸運的是，該公司正在努力確保其技術得到廣泛應用，并越來越簡化第三方開發(fā)者的應用。如果谷歌的情緒是可信的，那么人工智能將是所有人的。

　　TensorFlow和TensorFlow Lite的改進已經讓程序員更容易編寫他們的機器學習算法，這樣就可以花更多的時間來優(yōu)化任務，減少代碼中錯誤的時間。TensorFlow Lite已經針對智能手機進行了優(yōu)化，并對未來進行了培訓。

　　在發(fā)布新的ML套件開發(fā)平臺時，也可以看到谷歌對開發(fā)者友好的態(tài)度。不需要設計定制模型與ML工具包，程序員只需要提要中的數據和谷歌的平臺將自動使用應用程序的最佳算法。目前基本api支持圖像標簽，文本識別、人臉檢測、條碼掃描、里程碑式的檢測，最后聰明的回答。ML工具包將來也可能會擴展到包含更多的API。

　　機器學習和基本的人工智能已經在這里了，盡管我們可能還沒有看到一個殺手級應用，但它已經成為了一種越來越基本的技術，跨越了谷歌的大量軟件產品。在谷歌的TensorFlow和ML Kit軟件、Android神經網絡支持以及改進的云計算平臺之間，該公司將為即將到來的第三方機器學習應用提供巨大的增長。

　　毫無疑問，谷歌是人工智能領域的頭號公司。