量子位 宣布 | "大众年夜众号 QbitAI

刚刚，Jeff Dean代表Google AI，完全总结了2018。

这也是***作为环球AI第一大厂总卖力人的第一次年度申报请示。

他说，2018真是令AI事情者愉快的一年。

学术和运用两着花，开源和新技能同步推进。

从主要AI技能运用打破讲起，到展望2019结束。
Jeff Dean总结了14个大方面的AI成果，并透露整年AI论文揭橥数达608篇。

涵盖量子打算、感知技能、打算拍照、算法框架、AutoML、机器人、医疗AI，打算力和TPU……

桩桩件件，不仅在当前推动了AI浸染社会方方面面，而且也是对未来趋势的小小展示。

绝不夸年夜地说，欲知2018 AI技能进展，看Jeff这篇总结再得当不过；欲知2019 AI会走向何方，看Jeff这篇也能获益良多。

为了方便阅读，我们先整理了一个小目录给你：

智能助手：打电话回邮件，都靠AI量子打算：72量子比特设备、开源框架、可行的量子神经网络……自然措辞理解：从Transformer到BERT，碾压各项NLP任务感知：图像识别和场景理解，语音增强与合成拍照：照片动起来，夜景亮起来算法和理论：谷歌帝国基石，从优化、算法选择到运用软件系统：Mesh TensorFlow、TF-Ranking、JAX、隐私与安全AutoML：自动找出最高效的网络构造TPU：给全天下供应大量算力开源软件和数据集：远不止多巴胺，大量资源预警机器人学：从多个角度入手，让机器人更独立，更强大人工智能在其他领域的运用：物理学、生命科学、天文学医疗：从视网膜诊断病症到癌症预测，从赞助诊断到拓展到临床预测互助研究：投入大量资源帮助西席、学生和各方面研究职员进行研究新地方、新面孔：持续在世界各地扩展，并广纳人才展望2019：对谷歌以及更广泛的研究和工程领域产生更大影响AI原则：Google AI历史性辅导准则，争议性军事变目之后制订了7大原则AI社会***：展示Google利用AI技能推动社会***的案例

完全报告如下：

智能工具们

Google AI也在不断打造新技能运用帮助用户提升效率，创造更大的社会代价。

简而言之：努力打造Google AI小助手工具产品。

2018最范例的莫过于Google Duplex，这是一个搜集语音识别、语义理解和对话的AI系统，可以作为你的虚拟电话助手，订餐厅、预约会议韶光都不在话下。

还有Smart Compose——智能回答。
能够基于语义剖析和文本预测，帮助用户提升邮件回答的效率。

同样的还有Sound Search和Smart Linkify，都是AI提升用户效率的考试测验。

Google目前也在环绕上述AI产品，展开多措辞支持的努力，希望类似的产品通过小数据演习学习，就能对环球更多地区和用户产生更好的影响。

干系宣布：

Google AI打电话以假乱真

量子打算

量子打算是一种新兴的打算范式，有望办理经典打算机无法办理的问题。

在过去的几年里，我们一贯积极进行干系的研究，我们相信该领域正处在实现量子霸权能力的迁移转变阶段，这将是量子打算领域的一个分水岭。

2018年，我们取得了许多令人愉快的成果，开拓了一种新的72量子比特的量子打算设备Bristlecone。
在迈向量子霸权的过程中，这台设备扩展了量子打算机可以办理问题的规模。

△科学家Marissa Giustina在圣巴巴拉的量子AI实验室安装了Bristlecone芯片

干系宣布：

首个72量子比特的量子打算机问世，谷歌出品

我们还发布了量子打算机的开源编程框架Cirq，并磋商了量子打算机如何用于神经网络。

此外，我们还分享了理解量子处理器性能颠簸的履历与技能，以及量子打算机如何作为神经网络打算底层的一些想法。

干系宣布：

谷歌证明量子神经网络可演习图像分类

2019年，我们期待在量子打算领域取得激动民气的成果！

自然措辞理解

谷歌的自然措辞研究在2018年取得了令人愉快的成果，既有根本研究，也有以产品为中央的研究。

从2017年起，我们开始对Transformer进行改进，去年开拓了一个名为“通用Transformer”模型的新的并行韶光版本，该版本显示了包括翻译和措辞推理在内的许多自然措辞任务上的巨大进步。

干系论文：

Universal Transformers

https://arxiv.org/pdf/1807.03819.pdf

我们还开拓了BERT，这是第一个深度双向、无监督的措辞表示，仅利用纯文本语料库进行预演习，然后可以利用迁移学习对各种自然措辞任务进行微调。

干系宣布：

全面超越人类！
Google称霸SQuAD，BERT横扫11大NLP测试

在11项自然措辞任务上，BERT比以往最前辈成果有显著的改进。

△BERT在极具寻衅性的GLUE基准测试中提高了7.6％的成绩

除了与各种研究团队互助以实现AI帮助写邮件（Smart Compose）和虚拟电话助手（Duplex）外，我们还努力使谷歌智能助手能够更好地处理多措辞利用案例，目标是使助手能与所有用户进行自然的对话。

干系宣布：

谷歌助手超进化：可以同时识别两种措辞了

感知

我们的感知研究办理了让打算机理解图像、声音、音乐和***的难题，并为图像捕捉、压缩、处理、创造性表达和增强现实供应了更强大的工具。

2018年，我们的技能提高了Google Photos组织照片的能力，这项功能也是用户最关心的内容，比如给人和宠物照片分组。

△Google Lens能识别狗的种类

Google Lens和Google Assistant利用户能够理解周围天下，实时获取问题的答案，还能在让你在谷歌图像搜索中做更多的事情。

△Google Lens让你从照片中直接拷贝笔墨

谷歌AI义务的一个关键方面是让其他人从我们的技能中受益，我们在改进Google API一部分的功能和构建模块方面取得了很大进展。

例如Cloud ML API中视觉和***方面的改进和新功能，以及通过ML工具包在面部识别干系的设备上构建模块。

干系工具：

https://cloud.google.com/blog/products/ai-machine-learning/closer-look-our-newest-google-cloud-ai-capabilities-developers

2018年，我们对学术研究的贡献包括在3D场景理解的深度学习方面的进步，例如立体放大（Stereo Magnification），这使我们得能够用多张图像合成场景的逼真视图。

干系论文：

Stereo Magnification: Learning View Synthesis using Multiplane Images

https://arxiv.org/abs/1805.09817

我们正在进行关于更好地理解图像和***的研究，利用户能够在谷歌产品中找到、组织、增强和改进图像和***，比如Google Photos、YouTube、搜索等等。

2018年，我们取得了多项显著的进步，包括：

快速自下而上的联合姿态估计和人物实例的分割模型

PersonLab: Person Pose Estimation and Instance Segmentation with a Bottom-Up, Part-Based, Geometric Embedding Model

https://arxiv.org/abs/1803.08225

将繁芜运动可视化的系统

MoSculp: Interactive Visualization of Shape and Time

http://mosculp.csail.mit.edu

对人和物体之间时空关系建模的系统

Actor-Centric Relation Network

https://arxiv.org/abs/1807.10982

基于distillation和3D卷积的***动作识别的改进

D3D: Distilled 3D Networks for Video Action Recognition

https://arxiv.org/abs/1812.08249

Rethinking Spatiotemporal Feature Learning: Speed-Accuracy Trade-offs in Video Classification

https://arxiv.org/abs/1712.04851

在音频领域，我们提出了一种无监督学习语义音频表示的方法，并且显著改进了语音合成，让它更生动、更像人类。

干系论文：

Unsupervised Learning of Semantic Audio Representations

https://ieeexplore.ieee.org/abstract/document/8461684

Towards End-to-End Prosody Transfer for Expressive Speech Synthesis with Tacotron

https://arxiv.org/abs/1803.09047

多模态感知是一个越来越主要的研究课题。
Looking to Listen将输入***中的视觉和听觉提示结合起来，分离并增强***中说话者的声音。

干系论文：

Looking to Listen at the Cocktail Party: A Speaker-Independent Audio-Visual Model for Speech Separation

https://arxiv.org/abs/1804.03619

这项技能可以支持一系列运用：从***中的语音增强和识别，到***会议，再到改进的助听器，尤其是在有多人说话的情形下。

在资源受限的平台上实现感知变得越来越主要。
MobileNetV2是谷歌的下一代移动打算机视觉模型，广泛运用于学术界和工业界。

干系论文：

MobileNetV2: Inverted Residuals and Linear Bottlenecks

http://openaccess.thecvf.com/content_cvpr_2018/papers/Sandler_MobileNetV2_Inverted_Residuals_CVPR_2018_paper.pdf

MorphNet提出了一种学习深层网络构造的有效方法，这种方法可以在打算资源受到限定时，全面提高图像和音频模型的性能，最近在自动天生移动网络架构方面的事情表明，实现更高的性能也是可能的。

干系论文：

MorphNet: Fast & Simple Resource-Constrained Structure Learning of Deep Networks

http://openaccess.thecvf.com/content_cvpr_2018/html/Gordon_MorphNet_Fast__CVPR_2018_paper.html

拍照算法

过去几年中，手机相机的拍照质量和功能提升十分显著，虽然手机实际物理传感器的进步是一方面，不过更大的进步则是拍照算法方面的。

我们的研究团队发布了新技能，与Google的安卓和消费者硬件团队密切互助，让这项新技能在最新的Pixel等安卓手机和其他设备上落地。

2014年，我们发布了HDR+，一种依赖打算机软件将单帧对齐领悟的技能。
HDR+最初运用的紧张目的是为了让图片比单次曝光有更大的动态范围，但随后，拍摄动态帧并打算剖析成为了2018年相机进步的一种通用办法。
例如Pixel 2中的动态照片（Motion Photos）功能和动态剧照（Motion Stills）里的AR模式。

△ Pixel 2中的动态照片功能

△ 动态剧照里的AR鸡

干系博客：

动态照片

https://ai.googleblog.com/2018/03/behind-motion-photos-technology-in.html

动态剧照AR模式

https://ai.googleblog.com/2018/02/the-instant-motion-tracking-behind.html

2018年，我们在拍照算法方面的紧张事情之一便是创造了夜视（Night Sight）功能，让Pixel手机的相性能看到阴郁中的物体，这项功能赢得了媒体和用户的赞誉。

干系宣布：

宛如日间，谷歌发布最强夜景拍照AI算法，单摄秒杀一众苹果华为三星

当然，夜视只是我们团队开拓的多种帮助用户拍照的软件功能之一，其余还有用机器学习供应更好的人像模式、用Super Res Zoom看得更清晰更远、用Top Shot和Google Clips捕捉更好的瞬间。

△ 左为iPhone XS的效果，右为Pixel夜视

干系博客：

机器学习人像模式

https://ai.googleblog.com/2018/11/learning-to-predict-depth-on-pixel-3.html

Super Res Zoom

https://ai.googleblog.com/2018/10/see-better-and-further-with-super-res.html

Top Shot

https://ai.googleblog.com/2018/12/top-shot-on-pixel-3.html

Google Clips

https://ai.googleblog.com/2018/05/automatic-photography-with-google-clips.html

算法和理论

算法是Google系统的基干，关系到我们所有产品，从Google Trips旅行App背后的路径选择算法，到谷歌云的哈希同等性校验都是如此。

干系论文：

Consistent Hashing with Bounded Loads

https://arxiv.org/abs/1608.01350

过去一年，我们连续研究算法和理论，覆盖了从理论根本到运用算法，从图数据挖掘到隐私保护打算。

我们在优化方面的事情涉及到机器学习的持续优化、分布式组合优化等领域。

在持续优化上，我们研究随机优化算法演习神经网络的收敛性的事情，展示了ADAM变体等一些盛行的基于梯度优化方法存在的问题，但也为新的基于梯度的优化算法供应了监视的根本，得到了ICLR 2018最佳论文。

干系论文：

On the Convergence of Adam and Beyond

https://openreview.net/forum?id=ryQu7f-RZ

上图便是ADAM和AMSGRAD在一个大略一维凸问题仿照例子上的性能比拟，左中两幅是在线设置，最右一幅是随机设置。

在分布式优化上，我们努力提高一些经由充分研究的组合优化问题的循环和通信繁芜性，比如通过round compression、core-sets、以及子模块最大化、k核分解等进行图匹配。

干系论文：

Round Compression for Parallel Matching Algorithms

https://dl.acm.org/citation.cfm?id=3188764

Optimal Distributed Submodular Optimization via Sketching

https://dl.acm.org/citation.cfm?id=3220081

Parallel and Streaming Algorithms for K-Core Decomposition

http://proceedings.mlr.press/v80/esfandiari18a/esfandiari18a.pdf

在更多运用层面，我们开拓的算法技能，能通过sketching实现大规模凑集覆盖，能为数万亿边的图办理平衡分区和分层聚类问题。

我们关于online delivery services的事情，还得到了WWW’18会议的最佳论文呢提名。

干系论文：

Minimizing Latency in Online Ride and Delivery Services

https://dl.acm.org/citation.cfm?doid=3178876.3186104

末了，我们的开源优化平台OR-tools在Minizinc约束方案竞赛中得到了4枚金牌。

平台主页：

https://developers.google.com/optimization/

在算法选择理论中，我们提出了新的模型，研究了重修（reconstruction）问题、学习多项logit稠浊问题。
我们还研究了可通过神经网络学习的函数类，以及如何利用机器学习来改进经典在线算法。

干系论文：

A Discrete Choice Model for Subset Selection

https://dl.acm.org/citation.cfm?doid=3159652.3159702

Discrete Choice, Permutations, and Reconstruction

https://epubs.siam.org/doi/10.1137/1.9781611975031.38

Learning a Mixture of Two Multinomial Logits

http://proceedings.mlr.press/v80/chierichetti18a.html

Convergence Results for Neural Networks via Electrodynamics

http://drops.dagstuhl.de/opus/volltexte/2018/8352/

Improving Online Algorithms via ML Predictions

http://papers.nips.cc/paper/8174-improving-online-algorithms-via-ml-predictions

对Google来说还有一件事非常主要，那便是理解具有强隐私保障的学习技能。

在这一领域，我们开拓了两种新方法，剖析如何通过迭代和混排来强化差分隐私。

我们还利用差分隐私技能，设计了对博弈具有鲁棒性的勉励感知学习方法。
这样的学习技能可以用于高效在线市场设计。

干系论文：

Privacy Amplification by Iteration

https://ieeexplore.ieee.org/abstract/document/8555134

Amplification by Shuffling: From Local to Central Differential Privacy via Anonymity

https://epubs.siam.org/doi/abs/10.1137/1.9781611975482.151

Incentive-Aware Learning for Large Markets

https://dl.acm.org/citation.cfm?id=3186042

我们在市场算法领域的新研究，还包括帮助广告主测试广告竞价勉励兼容性的技能，优化App内广告刷新的技能等。

干系论文：

Testing Incentive Compatibility in Display Ad Auctions

https://pdfs.semanticscholar.org/30a7/773faea229efa6a47178c396ef7b9617fcef.pdf

Optimizing Ad Refresh In Mobile App Advertising

https://dl.acm.org/citation.cfm?id=3186045

我们也推动了重复拍卖动态机制的发展，展示了对缺少未来预测、对喧华预测、对异质买方行为具有鲁棒性的动态拍卖机制，还把研究结果扩展到动态双重拍卖上。

末了，关于在线优化、在线学习的鲁棒性，我们开拓了新的在线分配算法，用于流量峰值的随即输入，以及对破坏的数据具有鲁棒性的新型bandit算法。

软件系统

我们在软件系统方面的一大部分研究依然是在培植机器学习模型和TensorFlow上。

例如，我们发布了TensorFlow 1.0动态流程掌握的动态设计与实践，我们的一些新研究引入了一个我们称之为Mesh TensorFlow的系统，这使得用模型并行指定大规模分布式打算变得随意马虎，有时会有数十亿个参数。

干系论文：

The Case for Learned Index Structures

https://arxiv.org/abs/1712.01208

Dynamic Control Flow in Large-Scale Machine Learning

http://delivery.acm.org/10.1145/3200000/3190551/a18-yu.pdf

Mesh-TensorFlow: Deep Learning for Supercomputers

https://papers.nips.cc/paper/8242-mesh-tensorflow-deep-learning-for-supercomputers

另一个例子是，我们发布了一个利用TensorFlow的可扩展深度神经排序库。

△ TF-Ranking支持多项目评分体系构造，这是传统单项评分的扩展。

干系论文：

TF-Ranking: Scalable TensorFlow Library for Learning-to-Rank

https://arxiv.org/abs/1812.00073

我们还发布了JAX，这是一个加速器支持的NumPy变体，支持自动将Python函数区分为任意顺序。
虽然JAX不是TensorFlow的一部分，但它利用了一些相同的底层软件根本架构（例如XLA），并且它的一些想法和算法对我们的TensorFlow项目有所帮助。

干系开源项目：

JAX

https://github.com/google/jax

末了，我们连续研究机器学习的安全性和隐私性，以及在人工智能系统中老发安全和隐私的开源框架，如CleverHans和TensorFlow Privacy。

干系开源项目：

CleverHans

https://github.com/tensorflow/cleverhans

TensorFlow Privacy

https://github.com/tensorflow/privacy

我们的另一个主要的研究方向是将机器学习在软件系统中在堆栈的许多层面上运用。

例如，我们连续努力利用分层模型将打算支配到设备上，并且我们有助于学习内存访问模式。
我们还连续探索如何利用学习指数来取代数据库系统和存储系统中的传统索引构造。
正如我去年写下的，我们在打算机系统中利用机器学习仅仅勾留在表面。

干系论文：

A HIERARCHICAL MODEL FOR DEVICE PLACEMENT

https://openreview.net/pdf?id=Hkc-TeZ0W

Learning Memory Access Patterns

http://proceedings.mlr.press/v80/hashemi18a/hashemi18a.pdf

2018年，得益于Google的Project Zero团队与其他人的互助，我们创造了Spectre和Meltdown，当代打算机处理器中新的严重安全漏洞，这两者以及其他干系的漏洞让打算机架构研究者们相称劳碌。

在我们连续努力仿照CPU行为时，我们的编译器研究团队将他们用于丈量机器指令延迟和端口压力的工具集成到LLVM中，从而可以做出更好的编译决策。

干系文档：

llvm-exegesis - LLVM Machine Instruction Benchmark

https://llvm.org/docs/CommandGuide/llvm-exegesis.html

Google产品，我们的云产品和机器学习模型推理决定了打算、存储和网络供应大规模、可靠、高效的技能根本架构的能力。

过去一年的一些研究亮点包括Google软件定义网络WAN的发展，一个独立的联合查询处理平台，可以在许多存储系统中对基于不同文件格式存储的数据实行SQL查询（BigTable、Spanner、Google Spreadsheets等）以及我们广泛利用的代码审查报告，调查Google代码审查背后的动机，当前的实践以及开拓职员的满意度和寻衅。

干系论文：

Modern Code Review: A Case Study at Google

https://storage.googleapis.com/pub-tools-public-publication-data/pdf/80735342aebcbfc8af4878373f842c25323cb985.pdf

F1 Query: Declarative Querying at Scalehttps://storage.googleapis.com/pub-tools-public-publication-data/pdf/fa380016eccb33ac5e92c84f7b5eec136e73d3f1.pdf

运行内容托管等大型Web做事须要在动态环境中实现稳定的负载平衡。
我们开拓了同等的哈希方案，对每台做事器的最大负载供应了严格的可证明担保，并将其支配到Google Cloud Pub/Sub中的云客户。

在供应了我们论文的早期版本后，Vimeo的工程师找到了论文，在haproxy中实现并开源，并将其用于Vimeo的负载平衡项目。
结局是戏剧性的：运用这些算法思想帮助他们将缓存带宽减少了近8倍，肃清了缩放瓶颈。

AutoML

AutoML，是用机器学习来加速机器学习的一种方法。

在这个领域，我们已经做了很多年的研究，长期目标是开拓出那种拿到一个新问题，也能自动办理的学习系统：

从之前办理的问题里面得到的启示、习得的能力，便是处理新问题的依据。

这一领域的早期研究，大多是用强化学习做的，不过我们也对进化算法感兴趣。

去年我们就展示过，若何用进化算法自动找到各种不同的视觉任务里，最前辈 (State-of-the-Art) 的神经网络构造是什么。

我们还探索过，若何把强化学习用到神经网络构造搜索以外的其他地方。
创造有这些用场：

1) 自动天生图像变换序列 (Image Transformation Sequence) ，来提高各种图像模型的准确性。

2）找到新的符号优化表达办法 (Symbolic Optimization Expressions)，比常用的优化更新规则更有效。

我们在AdaNet上的成果，展示了如何造出一个快速灵巧的AutoML算法：

其余一个关注点，是自动创造打算效率高的神经网络构造，让网络在手机、自动驾驶汽车这样的环境下也能跑起来：不论是打算资源有限，还是韶光有限。

在这个问题上，我们证明了：把模型准确度和推理打算韶光结合到一起，来设置强化学习的褒奖函数，就可以找到高准确度的那些模型，应对不同的环境限定。

除此之外，我们也探索了用机器学习自动压缩机器学习模型，减少参数，就会减少打算资源的占用。

TPU

TPU是谷歌内部用的机器学习硬件加速器，从一开始便是设计用来支持大规模演习和大规模推理的。

谷歌的许多重大打破都是在TPU的加速下实现的，比如刚才谈论过的BERT自然措辞处理模型。
TPU也能让天下各地的研究职员在谷歌开源研究的根本之上，寻求自己的研究打破。

还是以BERT为例，任何人都可以在TPU上，用Colab来给BERT做微调。
TensorFlow Research Cloud已经为数千研究职员，供应了大量的云TPU算力。

我们还把多代TPU硬件，用云TPU的形式做了商用：比如名叫Cloud TPU Pods的机器学习超级打算机，支持大规模演习。

而在谷歌内部，除了让机器学习研究进步更快之外，TPU也驱动了谷歌核心产品的重大改进：搜索、YouTube、Gmail、谷歌助手、谷歌翻译，等等。

希望不论是谷歌还是谷歌以外的机器学习团队，都能在TPU供应的、前所未有的打算规模之下，达成更多的造诣。

开源软件和数据集

发布开源软件、创建新的公共数据集，是我们为学界和业界做出贡献的两种紧张办法。

TensorFlow

在这一方面，我们做过最大的努力之一便是TensorFlow。
2015年11月发布的机器学习系统，不久前才庆祝了三岁生日。

三年间，TensorFlow已被***了超过3000万次，贡献者超过1700个，添加过45000多次代码 (Commits) 。

2018年，TensorFlow经历了8次紧张版本更新，增加了主要功能：比如Eager Execution，以及分布策略 (Distribution Strategies) 。

我们还在开拓过程中启用了大众评审，让广大贡献者都参与进来。

随着TensorFlow Lite、TensorFlow.js和TensorFlow Probability这些干系产品的推出，TensorFlow生态系统在2018年茁壮发展。

我们很高兴地创造，TensorFlow的GitHub的用户留存率 (User Retention) ，在主流机器学习/深度学习框架里面是最高的。

除此之外，TensorFlow团队也在加快处理GitHub上面谈论的问题 (Issue) ，给外部贡献者供应一个更好的体验。

研究方面，TensorFlow还在连续为这个天下大量的机器学习和深度学习研究供应支持，从Google Scholar论文揭橥的数据上就能看出。

其余，TensorFlow Lite仅仅上线一年，就有15亿台设备搭载了这套系统。

还有，TensorFlow.js是JavaScript机器学习框架里面的第一名：推出9个月，CDN (内容分发网络) 点击量已经超过200万，***25万次，GitHub标星10000多。

其他框架

除了连续发展开源生态系统，2018年还发布了一个新框架“多巴胺 (Dopamine) ”，用来做灵巧、可重复的强化学习。
量子位宣布在此：

令人激动！
谷歌推强化学习新框架「多巴胺」，基于TensorFlow，已开源丨附github

发布了What-If可视化工具，可以快速理解数据集的特色（无需编写任何代码）：

pair-code.github.io/what-if-tool/

发布了TF-Ranking高等库，用来表达涉及排名的机器学习问题 (宣布如下) ：

谷歌开源TF-Ranking可扩展库，支持多种排序学习

发布了AdaNet，一个快速灵巧的AutoML框架 (宣布如下) ：

谷歌开源集成学习工具AdaNet：2017年提出的算法终于实现了

还发布了能在浏览器里实时做tSNE可视化的框架，基于TensorFlow.js：

https://github.com/tensorflow/tfjs-tsne

数据集

公开数据集是很好的灵感来源，可以让全体学界看到有趣的数据和有趣的问题，在许多不同的任务上得到更好的结果。

这一年，我们很高兴地发布了谷歌数据集搜索引擎，可以在全网搜索数据集：

Google数据集搜索神器上线，和搜索论文一样大略 | 还不去演习网络？

发布了Open Images V4，一个包含190万张图1540万个边界框、600个类别的图像数据集：

https://storage.googleapis.com/openimages/web/index.html

发布了动作识别AVA数据集，供应视听双重标注：

https://research.google.com/ava/download.html

还发布了新版本的Youtube-8M数据集，包含610万个调***，3862个种别，26亿次视听特色标注：

https://research.google.com/youtube8m/download.html

HDR+连拍数据集 (HDR+ Burst Photography Dataset)，是打算拍照领域的数据集：

https://hdrplusdata.org/

Google-Landmarks，地标识别数据集：

https://www.kaggle.com/google/google-landmarks-dataset

个中，许多数据集都是伴随着寻衅赛一同发布的，HDR+连拍数据集也是，地标数据集也是，Youtube-8M也是。
还有一场Kaggle比赛，内容是识别“Quick, Draw!” (猜画小歌) 数据集里的涂鸦：

https://quickdraw.withgoogle.com/data

机器人

2018年，我们朝着理解机器学习如何教机器人在世界上行动的目标，取得了重大进展，教机器人抓取新物体的能力也达到了一个新的里程碑，并通过这种办法帮助机器人在没有人类监督的情形下理解物体。

将机器学习、基于抽样的方法和机器人几何学结合，我们在机器人运动学习方面也取得了进展。
机器人在通过自主不雅观察来更好地理解天下构造的能力上，取得了巨大的进步。

我们首次成功地在真实的机器人上在线演习了深度强化学习模型，并且正在探求新的理论根本方法来让机器人掌握更稳定。

干系宣布：

受婴儿抓阄启示，谷歌让机器臂自学抓取物体，不用标注数据

人工智能在其他领域的运用

2018年，我们将机器学习运用到了物理和生物科学中的各种问题上。
利用机器学习，我们可以向科学家供应“成百上千的研究助理”，来帮他们助挖掘数据，从而使他们变得更有创造力和生产力。

我们揭橥在《Nature Methods》上关于神经元高精度自动重修的论文提出了一种新的模型，与以前的深度学习技能比较，这个模型将自动阐明连接组学数据的精度提高了一个层次。

△我们的算法正在运行，它在鸣禽大脑中以3D的办法追踪单个神经突。

干系论文：

High-precision automated reconstruction of neurons with flood-filling networks

https://www.nature.com/articles/s41592-018-0049-4

其他一些将机器学习运用到科学问题中的例子包括：

通过数据挖掘恒星的光变曲线探求太阳系外的新行星

http://iopscience.iop.org/article/10.3847/1538-3881/aa9e09/meta

识别短DNA序列的起源或功能

https://www.biorxiv.org/content/early/2018/06/22/353474

自动检测离焦显微镜图像

https://link.springer.com/epdf/10.1186/s12859-018-2087-4

用数字技能制作同一细胞的多重染色图像

http://www.cell.com/cell/fulltext/S0092-8674(18)30364-7

自动将质谱输出映射到肽链上

https://arxiv.org/pdf/1808.06576.pdf

△一个预演习的TensorFlow模型评估Fiji (ImageJ)细胞的显微镜图像的聚焦质量。
边界的色调和亮度分别表示预测的聚焦质量和预能测的不愿定性。

医疗

在过去的几年里，我们一贯在将机器学习运用到医疗领域。
我们相信，机器学习可以通过增强医疗专业职员的直觉和履历而产生巨大影响。

在这个领域，我们常日与医疗保健组织互助，办理根本研究问题(利用临床专家的反馈使我们的结果更加可靠) ，然后在备受尊敬的、有同行评审的科学和临床期刊上揭橥研究结果。

一旦这项研究得到临床和科学验证，我们将进行用户和人机交互研究，以理解我们如何在真正的临床环境中支配这项技能。

2018年，我们将研究范围从打算机赞助诊断扩展到了临床任务预测中。

在2016年年底，我们揭橥的一项回顾性研究显示，一个经由演习的、根视眼底图像来评估糖尿病病变的模型，能够与经由美国医学委员会认证的眼科年夜夫相媲美。

2018年，我们得到了一个与视网膜专家水平相称的模型。
我们揭橥了一篇评估报告，展示了眼科在年夜夫与机器学习模型结合，诊断上比单独利用任何一种方法都更准确。

我们与Alphabet的其他兄弟公司互助，在印度的Aravind眼科医院和泰国卫外行部属的 Rajavithi 医院等10多个地点支配了这套糖尿病视网膜病变检测系统。

△左边是视网膜眼底图像，由眼科年夜夫评定为中度DR (“Mo”)(ground truth)。
右上角是模型预测分数的图示(“n”=无 DR,”Mi”=轻度 DR,”Mo”=中度 DR)。
右下角是年夜夫未经帮忙(“Unassisted”)的情形下和看到模型预测后，年夜夫给出的分数(“Grades Only”)。

干系论文：

Improving the Effectiveness of Diabetic Retinopathy Models

http://www.aaojournal.org/article/S0161-6420(18)31575-6/fulltext

我们还推出了其他的机器学习模型，可以从视网膜图像中评估人们患有心血管疾病的风险。

干系论文：

Assessing Cardiovascular Risk Factors with Computer Vision

https://www.nature.com/articles/s41551-018-0195-0.epdf

这一年，我们还在连续关注病理学，展示了如何利用机器学习改进前列腺癌的分级状况，通过深度学习来检测转移性乳腺癌。

并开拓了一种增强现实显微镜的原型，将打算机视觉模型中的视觉信息实时叠加到显微镜操作员的视野中，来帮助病理学家和其他科学家进行剖析诊断。

前列腺癌论文：

Development and Validation of a Deep Learning Algorithm for Improving Gleason Scoring of Prostate Cancer

https://arxiv.org/abs/1811.06497

乳腺癌论文：

Artificial Intelligence–Based Breast Cancer Nodal Metastasis Detection

https://doi.org/10.5858/arpa.2018-0147-OA

Impact of Deep Learning Assistance on the Histopathologic Review of Lymph Nodes for Metastatic Breast Cancer

https://doi.org/10.1097/PAS.0000000000001151

在过去的四年里，在利用深度学习技能，基于电子康健记录做出临床干系的预测记录方面，我们进行了大量的研究事情。

2018年，我们与芝加哥大学医学院、加州大学旧金山分校和斯坦福大学医学院互助，在《Nature Digital Medicine》杂志上揭橥了我们的研究成果，展示了机器学习模型在识别电子医疗记录中的运用，能够比当前的临床最佳实践更准确地预测各种临床干系的任务。

干系论文：

Scalable and accurate deep learning with electronic health records

https://www.nature.com/articles/s41746-018-0029-1

在进行这些研究时，我们还开拓了一些工具，使得创建这些模型变得非常随意马虎。
这些工具也能够运用到完备不同的任务和数据集上。

我们还开拓了与快速医疗互操作性资源(FHIR)标准干系的开源软件，目的是帮助医疗数据处理变得更加随意马虎和标准化。

GitHub链接：

https://github.com/google/fhir

我们还提高了基于深度学习的变体调用程序 DeepVariant 的准确性、速率和实用性。
研究团队与互助伙伴一起努力，最近在《Nature Biotechnology》杂志上揭橥了经由同行评审的论文。

干系论文：

A universal SNP and small-indel variant caller using deep neural networks

https://www.nature.com/articles/nbt.4235

利用历史网络的数据演习机器学习模型时，主要的是理解哪些数据有偏差，以它们及是如何被编入数据中的。

机器学习供应了一个创造和解决偏见的机会，以及推进卫生公正的机会，我们正在设计这样的系统。

互助研究情形

我们以许多不同的办法与外部研究团体互动，包括西席参与和学生支持。

我们感到自满的是，在2018 学年期间，我们招收了数百名本科生、硕士生和博士生作为演习生，并为北美、欧洲和中东的学生供应多年期博士研究生奖学金。

除了财务支持，每个奖学金得到者都被指派一个或多个谷歌研究职员作为导师，我们把所有的研究职员聚拢在一起，参加一年一度的谷歌博士奖学金峰会。

在这里，他们可以打仗到谷歌最前辈的研究成果，并有机会与谷歌的研究职员以及来自天下各地的其他博士研究员互换。

作为对奖学金项目的补充，我们还有一个Google AI Residency项目，可以让那些想要学习进行深度学习研究的人花一年韶光在谷歌事情，并接管谷歌研究职员的辅导。

2018年是这个项目的第三个年头，很多研究职员都加入了谷歌遍布环球的各种团队，从事诸如机器学习、感知、算法和优化、措辞理解、医疗保健等领域的研究。

每年，我们还通过Google Faculty Research Awards项目支持一些西席和学生的研究项目。

2018年，我们还在谷歌的办公地点为特定领域的西席和研究生举办研讨会。
如：

在印度班加罗尔办事处举办的AI/ML研究和实践研讨会；在苏黎世办事处举办的算法和优化研讨会；在桑尼维尔举办的ML医疗运用研讨会；在马在诸塞州剑桥办事处举办的ML公正和偏见研讨会。

我们认为，公开地为更广泛的研究群体做出贡献是支持康健和富有成效的研究生态系统的关键部分。

除了发布开源代码和数据集，我在们顶级会媾和期刊上公开拓表了大部分研究成果，并积极参与组织和资助各种不同学科的会议。

比如ICLR 2018、NAACL 2018、ICML 2018、CVPR 2018、NeurIPS 2018、ECCV 2018和EMNLP 2018。

2018年，谷歌还广泛参与了ASPLOS、HPCA、ICSE、IEEE Security & Privacy、OSDI、SIGCOMM以及许多其他会议。

新的地方，新的面孔

2018年，我们非常高兴地欢迎许多背景广泛的新人加入我们的研究组团队我们在非洲开设了第一个人工智能研究办公室。

我们扩大了在巴黎、东京和阿姆斯特丹的人工智能研究领域，并在普林斯顿开设了一个研究实验室。

我们连续在世界各地广纳人才，你可以在这里理解更多关于事情的信息。

干系链接：

https://ai.google/research/join-us/

展望2019年

这篇博客文章，只是总结了2018年所做研究的一小部分。

当我们回顾2018年时，我们很愉快，也很自满！

2019年，我们期待着能够对谷歌以及更广泛的研究和工程领域产生更大的影响！

One more great thing

AI原则

实际上，这篇宣布最开篇，首先谈到的是Google在2018年发布的AI原则。

在过去几年中，Google关注到AI的重大进步及其对产品和用户日常生活的积极影响。

但作为搞AI的人，担保AI向善，始终对社会有益，也是任务所在、题中之义。

2018年，Google发布了AI 七原则，并环绕这些原则展开运用实践。

AI原则为Google AI运用和发展供应了辅导，让我们知道在AI实践中该做什么、不该做什么，哪些值得做、哪些则要避免。

比如在实践过程中，Google AI原则就让我们对“AI公正”、“对所有人卖力”等有更强义务感。

在机器学习公正性、模型可阐明性方面，投入精力，展开新研究。

在Google翻译中，利用AI肃清性别偏见。

并发布更多更具原谅性的图像数据集和模型，让打算机视觉能够适宜环球多元文化。

值得一提的是，这也促进我们可以更广泛地与环球研究组织一起努力，进一步推动AI公正和机器学习遍及。

干系宣布：

Google AI 七原则

AI for Good

接着，AI原则之后，紧接着“申报请示”Google AI这一年在社会***方面的努力。

第一个例子，用AI来进行大水预测事情。
Google内部许多团队配合尽力， 希望对大水变革有更精准及时的信息监测，以便大水多发地区的人，可以更有效保护自己的生命及财产安全。

第二个例子是地震余震的预测事情。

Google展示的机器学习模型，可以比传统余震预测办法更精准，而且该机器学习模型可阐明，利于地震科学家环绕余震数据展开更多研究，不仅能进一步促进余震精准预测，还对地质等信息有更深理解。

而且“Google AI+外部跨领域科学家”这样的互助模式也越来越多，更多工程师、科学家开始利用TensorFlow来办理科学和社会问题。
比如识别并精准保护濒危鲸鱼、探索创造行星，以及识别虫患木薯植物等。

为了进一步推动AI for Good的创新。

Google还设立了2500万美元基金，专门用来支持AI为***的项目，而且参与者不必一定是AI方面的专家，只要你的点子好、对社会有益，谷歌乐意让AI专家供应技能支持，此外还为你供应谷歌云做事。

一句话：只要你的出发点有益社会***，Google就会给钱、给资源，做到AI技能最大化增援。

或许，通过AI原则和AI公才能益，真洁阐明Google何以为Google。

干系宣布：

Google AI for Good

报告传送门

https://ai.googleblog.com/2019/01/looking-back-at-googles-research.html

Google 2018论文传送门

https://ai.google/research/pubs/?year=2018

— 完 —

诚挚招聘

量子位正在招募编辑/，事情地点在北京中关村落。
期待有才华、有激情亲切的同学加入我们！
干系细节，请在量子位"大众号(QbitAI)对话界面，回答“招聘”两个字。

量子位 QbitAI · 号签约作者

վ'ᴗ' ի 追踪AI技能和产品新动态