軟件系統(tǒng)

我們對(duì)軟件系統(tǒng)的大部分研究仍然與構(gòu)建機(jī)器學(xué)習(xí)模型，尤其是TensorFlow有關(guān)。我們的一些新研究引入了Mesh TensorFlow，這使得用模型并行性指定大規(guī)模分布式計(jì)算變得容易。另外，我們還使用TensorFlow發(fā)布了一個(gè)可擴(kuò)展的深度神經(jīng)排序庫(kù)。

另一個(gè)重要的研究方向是將ML應(yīng)用于軟件系統(tǒng)的堆棧層面。在安全漏洞問(wèn)題方面，我們的編譯器研究團(tuán)隊(duì)將他們用于測(cè)量機(jī)器指令延遲和端口壓力的工具集成到LLVM中，從而可以做出更好的編譯決策。

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(xún)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(xún)（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(kāi)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(hù)。

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(jué)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(wèn)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(lái)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(guò)）。它還允許世界各地的研究人員通過(guò)開(kāi)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(guò)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(kāi)源軟件和數(shù)據(jù)集

我們的開(kāi)源工具TensorFlow已經(jīng)被下載超過(guò)3000萬(wàn)。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(kāi)發(fā)現(xiàn)有的開(kāi)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(wú)需編寫(xiě)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(lái)，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(wàn)張圖片，共計(jì)600個(gè)類(lèi)別，共標(biāo)記了1540萬(wàn)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(zhuān)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(guò)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(wèn)題（利用臨床專(zhuān)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(hù)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(zhuān)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(kāi)設(shè)了一個(gè)研究實(shí)驗(yàn)室。