1月15日，谷歌高級研究員、谷歌AI負責人Jeff Dean發(fā)表了博文，回顧總結(jié)了2018年谷歌的技術研究進展。

Jeff Dean從谷歌的人工智能、量子計算、感知技術、算法理論、AutoML、機器人以及TPU等多個技術層面，系統(tǒng)地還原了谷歌AI的2018。

眾所周知，在去年一整年，谷歌遭遇了諸多危機，尤其是不作惡的原則受到內(nèi)外的質(zhì)疑。Jeff Dean博客中首要提到的便是谷歌的道德原則和AI。

道德原則和人工智能

今年，我們發(fā)布了Google AI原則，但是，由于AI的發(fā)展非常迅速，AI原則中諸如“避免制造或加強不公平的偏見”、“對人民負責”等也在不斷變化和改進。

其中，機器學習公平性和模型可解釋性等領域的新研究，正反向推動我們的產(chǎn)品進步，使其更具包容性。例如我們在谷歌翻譯中減少“性別偏見”，并允許探索和發(fā)布更具包容性的圖像數(shù)據(jù)集和模型，使計算機視覺能夠適應全球文化的多樣性。

社會公益

Jeff Dean舉例了AI應用于解決現(xiàn)實公共問題的案例：

洪水預測工作。該研究與Google的許多團隊合作，旨在提供有關洪水發(fā)生可能和范圍的準確細粒度信息，使洪水易發(fā)地區(qū)的人們能夠更好地保護自己及其財產(chǎn)。

地震余震預測的工作。谷歌展示了機器學習（ML）模型可以比傳統(tǒng)的基于物理的模型更準確地預測余震位置。

除此之外，還有許多Google研究人員和工程師合作，使用TensorFlow等開源軟件解決各種科學和社會問題，例如使用卷積神經(jīng)網(wǎng)絡來識別座頭鯨的位置，檢測新的系外行星，識別患病的木薯植物等。

AI輔助技術

為了使ML和計算機科學幫助用戶更快更有效地完成任務，谷歌推出了智能語音技術Google Duplex。

這是一個囊括自然語言研究和對話理解以及文本、語言識別的技術。其核心是一個循環(huán)神經(jīng)網(wǎng)絡，使用的是TensorFlow Extend（TFX）的機器學習平臺構(gòu)建。

當Google Duplex撥打電話時，它的聲音近乎真實的普通人。你可以聽到Google Duplex幫你打電話預約理發(fā)。

其他應用案例還包括Smart Compose，它可以使用預測模型提供有關如何撰寫電子郵件的相關建議，使電子郵件撰寫過程更快更容易的工具。

我們研究的一個重點是讓Google智能助理這樣的產(chǎn)品支持更多語言，并且可以更好地理解語義相似性。

量子計算

在過去的一年里，我們制作了許多令人興奮的量子計算新成果，包括開發(fā)了一種新的72比特通用量子計算設備Bristlecone，該設備可以擴大量子計算機在量子領域可以解決的問題。

我們還發(fā)布了量子計算機的開源編程框架Cirq，并探討了量子計算機如何用于神經(jīng)網(wǎng)絡。最后，我們分享了量子處理器性能波動的經(jīng)驗和技術以及量子計算機如何作為神經(jīng)網(wǎng)絡計算基板的一些想法。

自然語言理解

2018年，Google的自然語言研究在基礎研究和以產(chǎn)品為中心的合作上都取得了非常棒的成果。我們在之前的機器學習模型基礎上開發(fā)了一個新的并行版本的模型 Universal Transformer，它在包括翻譯和語言推理在內(nèi)的許多自然語言任務中都顯示出強大的技術能力。

我們還開發(fā)了BERT，這是第一個深度雙向，無監(jiān)督的自然語言處理模型，僅使用純文本語料庫進行預訓練，就能使用遷移學習對各種自然語言任務進行微調(diào)。

感知

我們的感知研究解決了允許計算機理解圖像，聲音以及為圖像獲取、壓縮、處理，創(chuàng)造性表達和增強現(xiàn)實提供更強大工具的難題。

Google AI使命的一個關鍵是讓其他人能夠從我們的技術中受益，今年我們在改進作為Google API一部分的功能和構(gòu)建塊方面取得了很大進展。比如通過ML Kit 在Cloud ML API和面部相關設備構(gòu)建塊中實現(xiàn)視覺和視頻的改進和新功能。

MobileNetV2是谷歌的下一代移動計算機視覺模型，我們的MobileNets廣泛應用于學術界和工業(yè)界。MorphNet提出了一種有效的方法來學習深層網(wǎng)絡的結(jié)構(gòu)，從而在計算資源有限的同時，改進圖像和音頻模型上的性能。

計算攝影

手機拍照性能的提升不僅僅在于物理傳感器的改進，更大部分要歸咎于計算攝影技術的發(fā)展。

我們的計算攝影技術正在與Google的Android和消費者硬件團隊密切合作，將這項研究交付給最新的Pixel和Android手機及其他設備。2014年，我們推出了HDR ＋，可以在軟件中對齊幀，并將它們與計算軟件結(jié)合，使圖片具有比單次曝光更高的動態(tài)范圍。這是2018年我們能夠在Pixel 2中開發(fā)Motion Photos，以及Motion Stills中開發(fā)增強現(xiàn)實模式的基礎。

今年，我們在計算攝影研究方面的主要工作之一就是創(chuàng)造一種名為Night Sight的新功能，即便在沒有閃光燈的情況下，也能讓Pixel用戶在非�；璋档膱鼍爸信某銮逦�的照片。

算法和理論

在過去的一年中，我們的研究涵蓋從理論基礎到應用算法，從圖形挖掘到隱私保護計算等廣泛領域。我們在優(yōu)化方面的工作涉及從研究機器學習的持續(xù)優(yōu)化到分布式組合優(yōu)化的領域。在前一領域，我們研究用于訓練神經(jīng)網(wǎng)絡的隨機優(yōu)化算法的收斂性（其贏得了ICLR 2018最佳論文獎），展示了流行的基于梯度的優(yōu)化方法（例如ADAM的一些變體）的問題，為新的基于梯度的優(yōu)化方法提供了堅實的基礎。