Google Brain 团队 2017 年回顾（第 2 部分，共 2 部分）

正文

发布人：Google 高级研究员 Jeff Dean，代表整个 Google Brain 团队

作为整体 Google AI 工作的一部分， Google Brain 团队 希望通过研究和系统工程推动人工智能向前发展。在 这篇博文的第 1 部分 中，我们介绍了团队在 2017 年的相关研究工作，从设计新的机器学习算法和技术到理解机器学习系统，以及与社区分享数据、软件和硬件。在这一部分中，我们将深入讨论团队在医疗保健和机器人等具体领域进行的研究，还会介绍我们在创造性、公平性和包容性方面的工作，并详细介绍一下我们的文化。

医疗保健
我们认为，机器学习技术在医疗保健领域的应用潜力巨大。我们正在解决各种各样的问题，例如 协助病理学家检测癌症 、 理解医疗对话 来帮助医生和患者，以及使用机器学习处理基因组学中的各种问题，包括开源一个 基于深度学习的高度准确的变异识别系统 。

淋巴结活检，其中 我们的算法正确识别出肿瘤 而不是良性巨噬细胞。

基于我们 2016 年 12 月在《美国医学会杂志》( JAMA ) 上发表的 研究论文 ，我们继续致力于尽早发现糖尿病视网膜病变 (DR) 和黄斑水肿。2017 年，我们将这个项目从研究阶段推进到实际的临床影响阶段。我们与 Verily （Alphabet 旗下的一家生命科学公司）合作，引导这项工作通过监管流程，眼下，我们正一道将这项技术集成到 Nikon 的 Optos 系列眼科相机 中。此外，我们还在印度努力部署这套系统，印度的眼科医生缺口达到 127,000 人，因此，几乎一半的患者确诊时间过晚，发现时这种疾病已经导致他们视力下降。作为试点工作的一部分，我们在 Aravind 眼科医院 启动了这个系统，帮助分级师更好地诊断糖尿病眼病。我们还与合作伙伴展开合作，希望了解影响糖尿病眼睛护理的人为因素，从患者和医疗保健提供商的人种学研究到眼科医生与 AI 系统互动方式的调查。

筛选的首位患者（顶部）和经过培训的分级师 Iniya Paramasivam，后者正在查看系统的输出（底部）。

我们还与包括 斯坦福大学 、 加利福尼亚大学旧金山分校 和 芝加哥大学 在内的领先医疗保健组织和医疗中心合作，展示使用 机器学习根据匿名病历预测医疗结果 的效果（即，根据患者的当前状态，我们认为能够从数百万其他患者的病程预测相关患者的未来，并以此帮助医疗保健专业人员作出更好的决策）。我们对这项工作感到非常兴奋，期待在 2018 年与大家分享更多捷报。

机器人
我们在机器人领域的长期目标是设计学习算法，让机器人可以在混乱的现实环境中运行，并通过学习快速获得新技能和能力，而不是让它们身处精心控制的环境中，处理当今机器人所能从事的那些为数不多的手动编程任务。我们研究工作的一个重点是开发技术，让物理机器人利用它们自己的经验和其他机器人的经验来培养新的技能和能力，分享经验，共同学习。我们还在探索如何 将基于计算机的机器人任务仿真与物理机器人的经验相结合 ，从而更快地学习新任务。尽管仿真器的物理效果与现实世界并不完全相同，但是我们观察到，对于机器人来说，仿真经验加上少量的现实世界经验比大量的实际经验能带来明显更好的结果。

除了现实世界机器人经验和仿真机器人环境外，我们还 开发了能够通过观察所需行为的人类演示进行学习的机器人学习算法 。我们相信，这种模仿学习方式是一种非常有前途的方法，可以让机器人快速掌握新的能力，不需要明确编程或规定某个活动的具体目标。例如，在下面这个视频中，机器人从不同的角度观察人类执行任务的过程，然后努力模仿他们的行为，从而在 15 分钟的真实世界经验中学会从杯子倒出东西。就像教自己 3 岁的孩子一样，我们可以鼓励它只洒出一点！

11 月，我们还联合筹备并举办了首届 机器人学习大会 (CoRL)，机器学习和机器人交叉领域的众多研究员齐聚一堂。 活动总结 包含更多信息，我们期待今年在苏黎世举行的大会。

基础科学
我们还非常看好运用机器学习解决重大科学问题的长期潜力。去年，我们利用神经网络 预测量子化学中的分子性质 、 在天文数据集中发现新的系外行星 、预测余震，以及使用 深度学习指导自动化证明系统 。

消息传递神经网络可以预测有机分子的量子性质

发现新的系外行星 ：观察行星遮住恒星光线时恒星的亮度。

创造性
我们对如何利用机器学习作为工具来帮助人们进行创意活动拥有浓厚的兴趣。去年，我们创建了一个 AI 钢琴二重奏工具 ，帮助 YouTube 音乐人 Andrew Huang 创作新音乐 （另请观看 Nat & Friends 的幕后视频），并介绍了 如何教机器作画 。

SketchRNN 模型 画出的一个花园； 这里 提供了一个交互式演示。

我们还展示了 如何控制在浏览器中运行的深度生成式模型创作新音乐 。这项工作获得了 NIPS 2017 最佳演示奖 ，也是 Brain 团队的 Magenta 项目 成员连续第二年赢得这个奖项，我们在 2016 年凭借 Interactive musical improvisation with Magenta 获得 NIPS 2016 最佳演示奖 。在下面的 YouTube 视频中，您可以听一听演示的一部分， MusicVAE 变分自动编码器模型在两个旋律间无缝转变。

请到「今天看啥」查看全文