谷歌AI負(fù)責(zé)人Jeff Dean：一文回顧谷歌的2018技術(shù)進(jìn)展

　　我們研究了Google軟件定義網(wǎng)絡(luò)WAN，這是一個(gè)獨(dú)立的聯(lián)合查詢處理平臺(tái)，可以在許多存儲(chǔ)系統(tǒng)中對(duì)基于不同文件格式存儲(chǔ)的數(shù)據(jù)執(zhí)行SQL查詢(BigTable，Spanner， Google Spreadsheets等)

　　運(yùn)行內(nèi)容托管等大型Web服務(wù)需要在動(dòng)態(tài)環(huán)境中實(shí)現(xiàn)穩(wěn)定的負(fù)載平衡。我們開發(fā)了一致的哈希方案，對(duì)每臺(tái)服務(wù)器的最大負(fù)載提供了嚴(yán)格的可證明保證，并將其部署到Google Cloud Pub / Sub中的云客戶。

　　AutoML

　　去年，我們展示了如何使用進(jìn)化算法自動(dòng)發(fā)現(xiàn)最先進(jìn)的神經(jīng)網(wǎng)絡(luò)架構(gòu)，快速構(gòu)建計(jì)算機(jī)視覺模型的AutoML。還探討了強(qiáng)化學(xué)習(xí)如何應(yīng)用于除神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索之外的其他問題，表明它可以用于1)自動(dòng)生成圖像變換序列，以提高各種圖像模型的準(zhǔn)確性，以及2)找到新的符號(hào)優(yōu)化表達(dá)式，比常用的優(yōu)化更新規(guī)則更有效。

　　我們的另一個(gè)重點(diǎn)是自動(dòng)發(fā)現(xiàn)計(jì)算效率高的神經(jīng)網(wǎng)絡(luò)架構(gòu)，以便它們可以在自動(dòng)駕駛環(huán)境中運(yùn)行，這些環(huán)境對(duì)計(jì)算資源或推理時(shí)間有嚴(yán)格的限制。為此，我們認(rèn)為在強(qiáng)化學(xué)習(xí)架構(gòu)搜索的獎(jiǎng)勵(lì)函數(shù)中將模型的準(zhǔn)確性與其推理計(jì)算時(shí)間相結(jié)合，可以找到高度準(zhǔn)確的模型，同時(shí)滿足特定的性能約束。我們還探索了使用ML來學(xué)習(xí)自動(dòng)壓縮ML模型以獲得更少的參數(shù)并使用更少的計(jì)算資源。

　　TPU

　　TPU已經(jīng)實(shí)現(xiàn)了谷歌研究方面的突破，例如BERT(前面已討論過)。它還允許世界各地的研究人員通過開源建立谷歌研究，并尋求自己的新突破。例如，任何人都可以通過Colab免費(fèi)對(duì)TPU上的BERT進(jìn)行微調(diào)，而TensorFlow Research Cloud讓數(shù)千名研究人員有機(jī)會(huì)從更大量的免費(fèi)云TPU計(jì)算能力中受益。

　　在谷歌內(nèi)部，TPU還推動(dòng)了Google的核心產(chǎn)品的重大改進(jìn)，包括搜索，YouTube，Gmail，Google智能助理，谷歌翻譯等等。

　　開源軟件和數(shù)據(jù)集

　　我們的開源工具TensorFlow已經(jīng)被下載超過3000萬。2018年，TensorFlow有八個(gè)主要版本，并增加了快速執(zhí)行和分發(fā)策略等功能。隨著TensorFlow Lite、TensorFlow.js 和TensorFlow Probability等相關(guān)產(chǎn)品的推出，TensorFlow生態(tài)系統(tǒng)在2018年大幅增長(zhǎng)。

　　除了繼續(xù)開發(fā)現(xiàn)有的開源生態(tài)系統(tǒng)之外，我們?cè)?018年引入了一個(gè)新的框架，用于靈活和可重復(fù)強(qiáng)化學(xué)習(xí)的可視化工具，可以快速了解數(shù)據(jù)集的特征(無需編寫任何代碼)。

　　今年，我們很高興發(fā)布Google數(shù)據(jù)集搜索，這是一種從所有網(wǎng)絡(luò)中查找公共數(shù)據(jù)集的新工具。多年來，我們還策劃并發(fā)布了許多新穎的數(shù)據(jù)集。

　　我們發(fā)布了Open Images V4數(shù)據(jù)集，包含190萬張圖片，共計(jì)600個(gè)類別，共標(biāo)記了1540萬個(gè)邊界框，這是迄今的有對(duì)象位置注釋的最大數(shù)據(jù)集。這些邊界框大部分都是由專業(yè)注釋人員手動(dòng)繪制的，確保了它們的準(zhǔn)確性和一致性。

　　健康

　　在過去幾年中，我們一直將ML應(yīng)用于健康，我們?cè)谶@個(gè)領(lǐng)域的一般方法是與醫(yī)療保健組織合作解決基礎(chǔ)研究問題(利用臨床專家的反饋優(yōu)化技術(shù))，然后將結(jié)果發(fā)表在同行評(píng)審的科學(xué)和臨床期刊上。一旦研究得到臨床和科學(xué)驗(yàn)證，我們就會(huì)進(jìn)行用戶和HCI研究，以了解我們?nèi)绾卧诂F(xiàn)實(shí)臨床環(huán)境中進(jìn)行部署。2018年，我們?cè)谟?jì)算機(jī)輔助診斷上取得新的突破。

　　2018年，我們研發(fā)了一個(gè)可以與視網(wǎng)膜專家相媲美的深度學(xué)習(xí)模型。我們與Verily的Alphabet同事合作，在印度的Aravind Eye Hospitals和泰國(guó)衛(wèi)生部附屬的Rajavithi醫(yī)院等 10多個(gè)地點(diǎn)部署了這種糖尿病視網(wǎng)膜病變檢測(cè)系統(tǒng)。

　　我們還發(fā)表了一種機(jī)器學(xué)習(xí)模型的研究，該模型可以評(píng)估視網(wǎng)膜圖像的心血管風(fēng)險(xiǎn)，可以幫助臨床醫(yī)生更好地了解患者的健康狀況。

　　研究推廣

　　2018年，我們?cè)诩蛹{阿克拉建立了我們?cè)诜侵薜牡谝粋€(gè)人工智能研究辦公室，同時(shí)擴(kuò)大了在巴黎，東京和阿姆斯特丹的人工智能研究，并在普林斯頓開設(shè)了一個(gè)研究實(shí)驗(yàn)室。