2019年谷歌AI的“结果单”咋样？

原标题：2019年谷歌AI的“结果单”咋样？    泉源：量子位


又一年，Jeff Dean代表Google AI，总结已往一年AI大趋势。
这是姐夫作为Google AI大总管的例行年度报告，也是环球AI——以致前沿技能第一大厂的肌肉展示。
他说，已往的2019年，黑白常冲动民气的一年。
仍旧是学术和应用两着花，开源和新技能同步推进。
从底子研究开始，到技能在新兴范畴的应用，再到预测2020。
固然报告格式没有变革，但人工智能技能，又往前迈出了一大步。

Jeff Dean总结了16个大方面的AI结果，并透露整年AI论文发表数达754篇，均匀天天都有2篇论文发表。
涵盖AutoML、呆板学习算法、量子盘算、感知技能、呆板人、医疗AI、AI向善……
桩桩件件，不但在当前推动了AI作用社会方方面面，而且也是对将来趋势的小小展示。
绝不浮夸地说，欲知2019 AI技能希望，看Jeff这篇总结再符合不外；欲知2020 AI会走向何方，看Jeff这篇也能获益很多。

为了方便阅读，我们先整理了一个小目次给你：
呆板学习算法：明白神经网络中动态练习性子
AutoML：连续关注，实现呆板学习主动化
天然语言明白：联合多种方式、使命，进步技能程度
呆板感知：对图像、视频、情况更深进明白和感知
呆板人技能：自监视方式练习，发布呆板人测试基准
量子盘算：初次实现量子良好性
AI在其他学科的应用：从苍蝇的脑筋到数学，另有化学分子研究和艺术创作
手机AI应用：当地摆设的语音、图像辨认模子，另有更强的翻译、导航和照相
康健和医疗：已用于乳腺癌、皮肤病的临床诊断
AI辅助残障人士：用图像辨认、语音转写技能造福弱势群体
AI促进社会公益：预报大水、掩护动植物、教小朋侪识字学数学，还砸了1个多亿做了20个公益项目
开辟者工具打造和造福研究者社区：TensorFlow迎来全面升级
开放11个数据集：从强化学习到天然语言处置惩罚，再到图像分割
顶会研究和Google研究的环球扩张：发表大量论文，投进大量资源资助西席、门生和各方面研究职员举行研究
人工智能伦理：推进人工智能在公平、隐私掩护、可表明性方面研究希望
预测2020年及以后：深度学习革命将继承重塑我们对盘算和盘算机的见解。
呆板学习算法
2019年，Google在呆板学习算法和方法的很多差别范畴举行了研究。
一个重要的核心是明白神经网络中动态练习的性子。
在下面这项研究中，研究职员的实行效果表明，缩放数据并行量可以让模子收敛更快有用。

论文地点：
http://arxiv.org/pdf/1811.03600.pdf
与数据并行性相比，模子并行性可以是扩展模子的有用方法。
GPipe是一个可以让模子并行化更加有用的库：
当整个模子的一部门在处置惩罚某些数据时，其他部门可以做别的工作，盘算差别的数据。
这种pipline方法可以组合在一起，来模仿更有用的batch巨细。
GPipe库地点：
http://ai.googleblog.com/2019/03/introducing-gpipe-open-source-library.html
当呆板学习模子可以或许获取原始输进数据，并学习“disentangled”高级表现情势时，它们黑白常有用的。
这些表现情势通过用户盼望模子可以或许区分的属性来区分差别种类的示例。
呆板学习算法的进步，重要是为了鼓励学习更好的表现法，以此来推广到新的示例、题目及范畴。
2019年，Google在差别的配景下研究了这方面的题目：
好比，他们查抄了哪些属性影响了从无监视数据中学习的表现，以便更好地明白什么因素可以或许有助于精良的表现和有用的学习。
博客地点：
http://ai.googleblog.com/2019/04/evaluating-unsupervised-learning-of.html
Google表明可以利用margin分布的统计量来猜测泛化差距，有助于相识哪种模子最有用地举行了泛化。
除此之外，还在强化学习的配景下研究了Off-Policy分类，以便更好地明白哪些模子大概泛化得最好。

博客地点：
http://ai.googleblog.com/2019/07/predicting-generalization-gap-in-deep.html
研究了为强化学习指定嘉奖功能的方法，使学习体系可以更直接地从真实目的中举行学习。

博客地点：
http://ai.googleblog.com/2019/02/learning-to-generalize-from-sparse-and.html
AutoML
Google在2019年依然连续关注着AutoML。
这种方法可以实现呆板学习很多方面的主动化，而且在某些范例的呆板学习元决议方面，通常可以取得更好的效果，好比：
Google展示了怎样利用神经布局搜刮技能，在盘算机视觉题目上得到更好的效果，其在ImageNet上的精确率为84.4%，而参数比从前的最佳模子少8倍。

博客地点：
http://ai.googleblog.com/2019/05/efficientnet-improving-accuracy-and.html
Google展示了一种神经架构搜刮方法，展示了怎样找到得当特定硬件加快器的高效模子。从而为移动装备提供高精度、低盘算量的运行模子。
博客地点：
http://ai.googleblog.com/2019/08/efficientnet-edgetpu-creating.html
Google展示了怎样将AutoML工作扩展到视频模子范畴，怎样找到可以或许实现最先辈效果的架构，以及可以或许匹配手工模子性能的轻量级架构。
效果使盘算量淘汰了50倍。

博客地点：
http://ai.googleblog.com/2019/10/video-architecture-search.html
Google开辟了用于表格数据的AutoML技能，并互助发布了这项技能，作为Google Cloud AutoML Tables的新产物。
博客地点：
http://ai.googleblog.com/2019/05/an-end-to-end-automl-solution-for.html
展示了如安在不利用任何练习步调，来更新被评估模子的权重的环境下，找到风趣的神经网络架构，让布局搜刮的盘算服从更高。

博客地点：
http://ai.googleblog.com/2019/08/exploring-weight-agnostic-neural.html
探索了发现NLP使命的体系布局。这些使命的性能显着优于平凡的Transformer模子，而且大大低落了盘算本钱。

博客地点：
http://ai.googleblog.com/2019/06/applying-automl-to-transformer.html
研究证明白主动学习数据加强方法可以扩展到语音辨认模子中。
与现有的人类ML-expert驱动的数据加强方法相比，可以在较少数据环境下得到了明显更高的正确性。
博客地点：
http://ai.googleblog.com/2019/04/specaugment-new-data-augmentation.html
推出了第一款利用AutoML举行关键字辨认和口语辨认的语音应用步伐。
在实行中，发现了比人类计划更好的模子：服从更高，性能也更好。
博客地点：
http://www.isca-speech.org/archive/Interspeech_2019/abstracts/1916.html
天然语言明白
在已往几年里，天然语言明白、翻译、天然对话、语音辨认和相干使命的模子取得了明显希望。
Google在2019年工作的一个主题是：
通过联合各种方式或使命来进步技能程度，以此来练习更强盛的模子。
好比，只用1个模子，在100种语言之间举行翻译练习(而不是利用100个差别的模子)，从而明显进步了翻译质量。


博客地点：
http://ai.googleblog.com/2019/10/exploring-massively-multilingual.html
展示了怎样将语音辨认和语言模子联合起来，并在多种语言上练习体系，可以明显进步语音辨认的正确性。

博客地点：
http://ai.googleblog.com/2019/09/large-scale-multilingual-speech.html
研究证实，练习一个团结模子来完成语音辨认、翻译和文本到语音的天生使命是有大概的。
而且还具有肯定的上风，比方在天生的翻译音频中保存语言人的声音， 以及更简朴的团体学习体系。
博客地点：
http://ai.googleblog.com/2019/05/introducing-translatotron-end-to-end.html
研究展示了怎样联合很多差别的目的，来天生在语义检索方面显着更好的模子。
比方，在GoogleTalk to Books中提问，“什么香味能唤起回想?”
效果是，“对我来说，茉莉花的香味和烤盘的香味，让我想起了我无忧无虑的童年。”
博客地点：
http://ai.googleblog.com/2019/07/multilingual-universal-sentence-encoder.html
展示了怎样利用对抗性练习步伐来明显进步语言翻译的质量和鲁棒性。

博客地点：
http://ai.googleblog.com/2019/07/robust-neural-machine-translation.html
随着基于seq2seq、Transformer、BERT、Transformer-XL和ALBERT等模子的发展，Google的语言明白技能本领不停进步。并已经应用到了很多焦点产物和功能中。
2019年，BERT在焦点搜刮和排名算法中的应用，带来了已往五年里搜刮质量的最大提拔(也是有史以来最大的提拔之一)。
呆板感知
在已往十年中，用于更好地相识静态图像的模子取得了明显进步。
接下来是Google在已往一年中，在这个范畴中的重要研究。
包罗图像和视频的更深进的明白，以及对生存和情况的感知，详细有：
研究了镜头中更细粒度的视觉明白，支持更强盛的视觉搜刮。
博客地点：
http://www.blog.google/products/search/helpful-new-visual-features-search-lens-io/
展示了Nest Hub Max的智能相机功能，比方快速手势、面部匹配和智能视频通话取景。
博客地点：
http://blog.google/products/google-nest/hub-max-io/
研究了更好的视频深度猜测模子。
博客地点：
http://ai.googleblog.com/2019/05/moving-camera-moving-people-deep.html
研究利用时间周期同等性，学习对视频举行细粒度时间明白的更好表现。

博客地点：
http://ai.googleblog.com/2019/08/video-understanding-using-temporal.html
学习文本、语音和视频中与未标志视频在时间上同等的表现情势。

博客地点：
http://ai.googleblog.com/2019/09/learning-cross-modal-temporal.html
也可以或许通过对已往的观察，来猜测将来的视觉输进。
博客地点：
http://ai.googleblog.com/2019/03/simulated-policy-learning-in-video.html
并证明白模子可以更好地明白视频中的动作序列。

博客地点：
http://ai.googleblog.com/2019/04/capturing-special-video-moments-with.html
呆板人技能
呆板学习在呆板人控制中的应用是Google的紧张研究范畴。Google以为，这是使呆板人可以或许在复杂的实际天下情况（好比一样平常家庭、企业）中有用运行的紧张工具。
Google2019年在呆板人技能中所做的工作包罗：
1、在通过主动强化学习举行长途呆板人导航中，Google展示了怎样将强化学习与长途项目联合，使呆板人可以或许更有用地在复杂的情况（比方Google办公大楼）中导航。

相干链接：
http://ai.googleblog.com/2019/02/long-range-robotic-navigation-via.html
2、在PlaNet中，Google展示了只从图像中有用地学习天下模子，以及怎样使用这种模子以更少的学习次数完成使命。
相干链接：
http://ai.googleblog.com/2019/02/introducing-planet-deep-planning.html
3、在TossingBot上，Google将物理定律和深度学习同一起来，让呆板人通过实行来学习直观物理原理，然后将物体按照学习到的规律扔进盒子里。

相干链接：
http://ai.googleblog.com/2019/03/unifying-physics-and-deep-learning-with.html
4、在Soft Actor-Critic的研究中中，Google证明白，练习强化学习算法的方式，既可以通过最大化盼望的嘉奖，也可以通过最大化计谋的熵来实现。
这可以资助呆板人学习得更快，而且对情况的变革更加鲁棒。
相干链接：
http://ai.googleblog.com/2019/01/soft-actor-critic-deep-reinforcement.html
5、Google还发展了呆板人的自监视学习算法，让呆板人以自监视的方式，通太过解物体的方式物来学习组装物体。这表明呆板人可以和儿童一样，从拆解中学到知识。

相干链接：
http://ai.googleblog.com/2019/10/learning-to-assemble-and-to-generalize.html
6、末了，Google还推出了低本钱呆板人的基准测试ROBEL，这是一个针对低本钱呆板人的开源平台，资助其他开辟者更快更方便地研发呆板人硬件。
相干链接：
http://ai.googleblog.com/2019/10/robel-robotics-benchmarks-for-learning.html
量子盘算
在2019年，Google在量子盘算上取得了庞大图片，初次向众人展示了量力良好性：在一项盘算使命中，量子盘算机的速率远远凌驾经典盘算机。
本来经典盘算机必要盘算10000年的使命，量子盘算机仅需200秒即可完成。这项研究登上了本年10月24日Nature杂志的封面。

△ Google用于量子盘算的Sycamore处置惩罚器
GoogleCEO皮查伊说：“它的意义就像第一枚火箭乐成地离开地球引力，飞向太空边沿。”量子盘算时机在质料科学、量子化学和大规模优化等范畴中发挥紧张的作用。
Google还在积极使量子算法更易于表达、更易于控制硬件，而且Google已经找到了在量子盘算中利用经典呆板学习技能的方法。
AI在其他学科的应用
人工智能和呆板学习在其他科学范畴的应用方面，Google发了许多论文，重要是在多构造协作方面。
论文集：
http://research.google/pubs/?area=general-science
本年的重点有：
苍蝇大脑交互性主动3D重修，用呆板学习模子来经心绘制苍蝇大脑的每个神经元，Jeff Dean称这是映射苍蝇大脑布局的的里程碑。

相干博客：
http://ai.googleblog.com/2019/08/an-interactive-automated-3d.html
在为偏微分方程学习更好的仿真方法中，Google用呆板学习加快偏微分方程盘算，这也是研究天气变革、流体动力学、电磁学、热传导和广义相对论等底子盘算题目的焦点。

△ Burgers方程的两种解法仿真
Google还用呆板学习模子判定气味，用GNN判定分子布局，来猜测它闻起来是什么味儿。

相干报道：
Google造出AI调香师：看一眼分子布局，就知道它闻起来什么味儿
同样在化学方面，Google还做了一个强化学习框架来优化分子。
相干论文：
http://www.nature.com/articles/s41598-019-47148-x
艺术创作方面，GoogleAI的积极就更多了，好比AI+AR的艺术体现

http://www.blog.google/outreach-initiatives/arts-culture/how-artists-use-ai-and-ar-collaborations-google-arts-culture/
用呆板重新编排舞蹈：
http://www.blog.google/technology/ai/bill-t-jones-dance-art/
AI作曲的新探索：
http://www.blog.google/technology/ai/behind-magenta-tech-rocked-io/
还延伸出了一个好玩的AI作曲Doodle：
http://www.blog.google/technology/ai/honoring-js-bach-our-first-ai-powered-doodle/
手机AI应用
Google做的许多事变都是借呆板学习赋予手机新的本领，这些模子都能在手机端运行，就算开了飞行模式，这些功能依然可以利用。
如今，手机端语音辨认模子、视觉模子、手写辨认模子都已经实现了。
相干博客：
语音辨认
http://ai.googleblog.com/2019/03/an-all-neural-on-device-speech.html
视觉模子
http://ai.googleblog.com/2019/11/introducing-next-generation-on-device.html
手写辨认模子
http://ai.googleblog.com/2019/03/rnn-based-handwriting-recognition-in.html
Jeff Dean称，这为实现更强盛的新功能展平了门路。
别的，本年Google在手机上的亮点有：
Live Caption功能，手机上任何应用播放的视频，它都能给主动加上字幕。
相干博客：
http://ai.googleblog.com/2019/10/on-device-captioning-with-live-caption.html
Recorder应用，让你能搜刮手机录下的音频中的内容。

相干博客：
http://ai.googleblog.com/2019/12/the-on-device-machine-learning-behind.html
Google翻译的照相翻译功能也做了升级，新增支持阿拉伯语、印地语、马来语、泰语和越南语等多种语言的支持，而且不但是英语和其他语言翻译，英语之外的其他语言互译也可以了，还能主动找到相机画幅中的笔墨在那里。

相干博客：
http://www.blog.google/products/translate/google-translates-instant-camera-translation-gets-upgrade/
还在ARCore里发布了一个面部加强API，帮你实现及时的AR玩法。

面部加强API：
http://developers.google.com/ar/develop/java/augmented-faces/
另有移动端手势辨认，这个做好之后就能做手势交互了。

相干报道：
Google开源手势辨认器，手性能用，运行流通，另有现成的App，但是被我们玩坏了
还用RNN改进了手机屏幕上的手写输进辨认。

相干博客：
http://ai.googleblog.com/2019/03/rnn-based-handwriting-recognition-in.html
在导航定位方面，GPS每每只是大抵定位，但AI可以发挥关键作用。

联合Google街景的数据，举动手机转一圈，手机就会酿成一个认路的朋侪一样，照着街景和舆图给你指出来：这是哪栋楼，这是哪条街，这是南这是北，你该朝这儿走。

相干博客：
http://ai.googleblog.com/2019/02/using-global-localization-to-improve.html
别的，为了包管用户隐私，Google也不停在研究团结学习，下面这篇论文就是2019年Google团队转写的关于团结学习希望的文章：
http://arxiv.org/abs/1912.04977
另有须生常谈的手机照相，Google2019年提拔了手机自拍的本领。

相干博客：
http://ai.googleblog.com/2019/04/take-your-best-selfie-automatically.html
配景虚化和人像模式也在2019年得到了提拔。

相干博客：
http://ai.googleblog.com/2019/12/improvements-to-portrait-mode-on-google.html
夜景挑衅拍星星也有巨大的提拔，还发了SIGGRAPH Asia的论文。

相干博客：
http://ai.googleblog.com/2019/11/astrophotography-with-night-sight-on.html
相干论文：
http://arxiv.org/abs/1905.03277
http://arxiv.org/abs/1910.11336
康健和医疗
2019年是Google Health团队履历的第一个完备年。
在2018年末，Google将Google Research康健团队、Deepmind Health和与康健相干的硬件部分重组，新建了Google Health团队。
1、在疾病的诊断和赶早发现上，Google做出了多项结果：
用深度学习模子发现乳腺癌，正确性高于人类专家，低落了诊断中的假阳性和假阴性案例。这项研究不久前刚登上Nature杂志。
相干链接：
谷歌AI乳腺癌检测凌驾人类，LeCun质疑引起讨论，但平胸妹子大概不实用

别的，Google还在皮肤疾病诊断、猜测急性肾损伤、发现早期肺癌方面均做出一些新结果。
2、Google将呆板学习与其他技能结适用在其他医疗技能中，好比在显微镜中参加加强表现技能，资助大夫快速定位病灶。

相干链接：
AI及时筛查癌细胞，平凡显微镜简朴改装就能用，谷歌新突破登上Nature子刊
Google还为病理学家构建了以人为中央的相似图像搜刮工具，答应查抄相似病例来资助大夫做出更有用的诊断。
AI辅助残障人士
AI与我们的生存越来越精密。在已往的一年里，Google用AI为我们的一样平常生存提供资助。
我们可以很轻易看到漂亮的图像，听到喜好的歌曲，或与亲人攀谈、然而，环球有凌驾十亿人无法用这些方式相识天下。
呆板学习技能可以通过将这些视听信号转换成其他信号，为残障人士服务。Google提供的AI助手技能有：
Lookout资助瞽者或视力低下的人辨认其四周情况信息。
及时转录技能Live Transcribe资助聋哑或听停滞人士将语音快速转化为笔墨。
相干链接：
谷歌AI拜大年：为聋哑人带来科技福利，首页涂鸦有惊喜
Euphonia项目实现了个性化的语音到文本转换。对于患有渐冻症等疾病导致口齿不清的人，这项研究，进步了主动语音辨认的正确率。
别的另有一个Parrotron项目，也是利用端到端神经网络来资助改善交换，但是研究重点是语音到语音的转换。
对于瞽者和弱视人群，Google使用AI技能来产生图像的形貌。当屏幕阅读器碰到无形貌的图像或图形时，Chrome如今可以主动创建形貌内容。
音频情势读取文本的工具Lens for Google Go，极大地资助了那些文盲用户在单词的天下中获取信息。

AI促进社会公益
Jeff Dean说，呆板学习对办理很多庞大社会题目有巨大的意义，Google不停在一些社会题目范畴做出积极，致力于让其他人能用创造力和技能来办理这些题目。
好比大水题目，每年都有数亿人遭受大水影响。Google用呆板学习、盘算和更好的数据库，来做出大水猜测，并给受影响地域的数百万人发送警报。

乃至，他们还办了一个workshop，找了很多研究职员来专门办理这个题目。
相干博客：
http://www.blog.google/technology/ai/tracking-our-progress-on-flood-forecasting/
http://ai.googleblog.com/2019/09/an-inside-look-at-flood-forecasting.html
http://ai.googleblog.com/2019/03/a-summary-of-google-flood-forecasting.html
别的，Google还做了一些呆板学习和动植物研究相干的工作。
他们与七个野生动物掩护构造互助，用呆板学习资助分析野生动物的照片数据，找到这些野生动物的群落都在那里。
相干博客：
http://www.blog.google/products/earth/ai-finds-where-the-wild-things-are/
Google还和美国海洋和大气治理局互助，借助水下的声音数据判定鲸的种群位置。
相干博客：
http://www.blog.google/technology/ai/pattern-radio-whale-songs/
Google发布了一套工具，用呆板学习研究生物多样性。
相干博客：
A New Workflow for Collaborative Machine Learning Research in Biodiversity
http://ai.googleblog.com/2019/10/a-new-workflow-for-collaborative.html
他们还举行了一个Kaggle角逐，用盘算机视觉给木薯叶子上的各种疾病分类。木薯黑白洲第二大碳水化合物泉源，木薯的病害影响人们的视频安全题目。
http://www.kaggle.com/c/cassava-disease
Google Earth的Timelapse功能也得到了更新，乃至你还可以从这里看到生齿活动和迁徙的数据。

相干博客：
http://ai.googleblog.com/2019/06/an-inside-look-at-google-earth-timelapse.html
http://ai.googleblog.com/2019/11/new-insights-into-human-mobility-with.html
对于教诲方面，Google做了带语音辨认技能的Bolo应用，引导小朋侪们学英语。这个应用摆设在了当地，可以离线运行，它已经资助80万印度儿童识字，小朋侪们累计读了了10亿单词，在印度200个村落的试点中，64%的小朋侪阅读本领有所进步。

仿佛是一个Google版的英语流利说。
相干博客：
http://www.blog.google/technology/ai/bolo-literacy/
除了识字，另有数学、物理等更复杂的学习科目。Google做了Socratic应用来帮高中生学数学。
别的，为了让AI在公益方面发挥更大的作用，Google举行了AI Impact Challenge，网络到了来自119个国家凌驾2600个提案。
终极20个能办理庞大社会题目和情况题目的提案脱颖而出，Google在这些提案项目上投进了2500万美元（凌驾1.7亿人民币）的资助，做出了一些结果，包罗：
无国界大夫构造（MSF）创建了一个免费手机App，用图像辨认工具资助条件欠好的地方的诊所大夫分析抗菌图像，为给病人用什么药提供发起，这个项目已经在约旦试点。
无国界大夫构造的项目报道：
http://www.doctorswithoutborders.org/what-we-do/news-stories/news/msf-receives-google-grant-develop-new-free-smartphone-app-help
天下上有十亿人靠小型农场过活，但一旦发抱病虫害，就会断了他们的生路。
因此，一家名叫Wadhwani AI的NPO，用图像分类模子来辨别农场中的害虫，并对于应该喷哪种农药、何时喷药给出发起，进步了农作物的产量。
热带雨林的非法砍伐是天气变革的重要影响因素，一个名叫“雨林毗连（Rainforest Connection）”的构造用深度学习举行生物声学检测，拿一些旧手机就可以跟踪雨林的康健状态，检测此中的威胁。

△ Google资助的20个公益项目
开辟者工具打造和造福研究者社区
作为环球第一AI大厂，Google也是开源前锋，不停为社区发光发热，一方面是会合在TensorFlow上。
Jeff Dean说，由于TensorFlow 2.0发布，对于开源社区来说，已往一年是冲动民气的一年。
这是TensorFlow发布以来，第一次庞大升级，使构建ML体系和应用步伐比以往任何时间都要轻易。
量子位相干报道如下：
GoogleTF2.0破晓发布！“改变统统，力压PyTorch”

在TensorFlow Lite中，他们增长了对快速移动GPU推理的支持；并发布了Teachable Machine 2.0，不必要写代码，只需一个按钮就能练习一个呆板学习模子。
量子位相干报道如下：
TensorFlow Lite发布庞大更新！支持移动GPU、推断速率提拔4-6倍
另有MLIR，一个开源的呆板学习编译器底子工具，办理了日益增长的软件和硬件碎片的复杂性，使构建人工智能应用步伐的更轻易。
在NeurIPS 2019上，他们展示了怎样利用开源的高性能呆板学习研究体系JAX：
http://nips.cc/Conferences/2019
别的，他们也开源了用于构建感知和多模态应用ML pipelines的框架MediaPipe：
http://github.com/google/mediapipe

以及高效浮点神经网络推理操纵符库XNNPACK：
http://github.com/google/XNNPACK
固然，Google还放出了一些羊毛给各人薅。
Jeff Dean先容称，停止2019年底，他们让环球凌驾1500名研究职员通过 TensorFlow Research Cloud 免费访问了Cloud TPU，他们在 Coursera 上的进门课程已经有凌驾了10万名门生等等。
同时，他也先容了一些“热心”案例，好比在 TensorFlow 的资助下，一名大门生发现了两颗新的行星，并创建了一种方法来资助其他人发现更多的行星。
另有大门生们利用 TensorFlow 来辨认洛杉矶的坑洞和伤害的门路缝隙等等。
另一方面是在开放数据集上。
开放11个数据集
2018年发布了数据集搜刮引擎后，Google本年仍旧在这方面积极，并尽本身的积极，给这个搜刮引擎添砖加瓦。

已往一年，Google在各个范畴开放了11个数据集，下面开始资源大放送，请收好~
Open Images V5，在解释会合参加分割掩码（segmentation masks），样本规模到达280万，高出350个种别，量子位报道：
280万样本！Google开放史上最大分割掩码数据集，开启新一轮挑衅赛
“天然题目”数据集，第一个利用天然发生的查询，并通过阅读整个页面找到答案的数据集，而不是从一小段中提取答案，30万对问答，BERT都达不到70分，量子位报道：
Google发布超难问答数据集「天然题目」：30万对问答，BERT都达不到70分
用于检测deepfakes的数据集：
http://ai.googleblog.com/2019/09/contributing-data-to-deepfake-detection.html
足球模仿情况Google Research Football，智能体可以在这个宛若FIFA的天下里自由踢球，学到更多踢球本领，量子位报道：
Google造了个假造足球场，让AI像打FIFA一样做强化学习练习丨开源有API

地标数据集Google-Landmarks-v2：包罗500万张图片，地标数目到达20万，量子位报道：
500万张图片，20万处地标风景，Google又放出大型数据集
YouTube-8M Segments数据集，一个大规模的分类和时间定位数据集，包罗YouTube-8M视频5秒片断级别的人工验证标签：
http://ai.googleblog.com/2019/06/announcing-youtube-8m-segments-dataset.html
AVA Spoken Activity数据集，一个多模态音频+视觉视频的感知对话数据集：
http://research.google.com/ava/
PAWS和PAWS-X：用于呆板翻译，两个数据集都由高度布局化的句子对构成，而且相互之间的词汇重叠度很高，此中约占一半的句子具有对应的多语言释译：
http://ai.googleblog.com/2019/10/releasing-paws-and-paws-x-two-new.html

让两个人举行对话，通过数字助手模仿人类的对话的天然语言对话数据集：
http://ai.googleblog.com/2019/09/announcing-two-new-natural-language.html
Visual Task Adaptation Benchmark：这是对标 GLUE、ImageNet，Google推出的视觉使命顺应性基准。
有助于用户更好地明白哪些哪些视觉表征可以泛化到更多其他的新使命上，从而淘汰全部视觉使命上的数据需求：
http://ai.googleblog.com/2019/11/the-visual-task-adaptation-benchmark.html
最大的面向使命的对话的公然数据库——模式引导对话数据集，有超过17个域的凌驾18000个对话：
http://ai.googleblog.com/2019/10/introducing-schema-guided-dialogue.html
顶会研究和Google研究的环球扩张
根据Google官方统计，Googler在已往一年发表了754篇论文。
Jeff Dean也枚举了一些顶会战绩：
CVPR有40多篇论文，ICML有100多篇论文，ICLR有60多篇论文，ACL有40多篇论文，ICCV有40多篇论文，NeurIPS有凌驾120篇等等。

他们还在Google举行了15个独立的研讨会，主题从改善环球大水预警，到怎样利用呆板学习来创建更好地为残疾人服务的体系，到加快开辟用于量子处置惩罚器(NISQ)的算法、应用步伐和工具等等。
并通过年度博士奖学金项目在环球资助了50多名博士生，也对创业公司提供了支持等等。
同样，2019年Google研究所在仍旧在环球扩张，在班加罗尔开设了一个研究办公室。同时，Jeff Dean也发出了雇用需求：假如有爱好，赶紧到碗里来~
人工智能伦理
和往年一样，这篇报道最开篇，实在Jeff起首谈到的就是Google在人工智能伦理上的工作。
这也是Google在AI实践和道德伦理、技能向善方面的明白宣示。
2018年，Google发布了AI 七原则并围绕这些原则睁开应用实践。2019年6月，Google交出结果单，展示了如安在研究和产物开辟中，将这些原则付诸实行。
陈诉链接：
http://www.blog.google/technology/ai/responsible-ai-principles/
Jeff Dean说，由于这些原则根本覆盖人工智能和呆板学习研究中最活泼的范畴，好比呆板学习体系中的私见、安全、公平、可靠性、透明度和隐私等等。

因此Google的目的是将这些范畴的技能应用到工作中，并不停举行研究，以继承推进相干技能发展。
一方面，Google还在KDD’19、AIES 19等学术集会上发表了多篇论文，来探究呆板学习模子的公平性和可表明性。
好比，对Activation Atlases怎样资助探索神经网络举动，以及怎样资助呆板学习模子的可表明性举行研究。
相干链接：
Exploring Neural Networks with Activation Atlases
http://ai.googleblog.com/2019/03/exploring-neural-networks.html
另一方面，Google的积极也都落到了实处，切实的拿出了的产物。
好比，发布了TensorFlow Privacy，来资助练习包管隐私的呆板学习模子。
相干链接：
Introducing TensorFlow Privacy: Learning with Differential Privacy for Training Data
http://blog.tensorflow.org/2019/03/introducing-tensorflow-privacy-learning.html
别的，Google还发布了一个新的数据集，以资助研究辨认deepfakes。
相干链接：
Contributing Data to Deepfake Detection Research
http://ai.googleblog.com/2019/09/contributing-data-to-deepfake-detection.html

预测2020年及以后
末了，Jeff也站在已往10年的发展进程上，对2020年及以后的研究动向举行了预测。
他说，在已往的十年里，呆板学习和盘算机科学范畴取得了明显的进步，我们如今让盘算机比以往任何时间都更有本领往看、听和明白语言。
在我们的口袋里，有了复杂的盘算装备，可以使用这些本领，更好地资助我们完成一样平常生存中的很多使命。
我们围绕这些呆板学习方法，通过开辟专门的硬件，重新计划了我们的盘算平台，使我们可以或许处置惩罚更大的题目。
这些这改变了我们对数据中央中的盘算装备的见解，而深度学习革命，将继承重塑我们对盘算和盘算机的见解。
与此同时，他也指出，另有大量未办理的题目。这也是Google在2020年及以后的研究方向：
第一，怎样构建可以或许处置惩罚数百万使命的呆板学习体系，并可以或许主动乐成地完成新使命？
第二，怎样才气在人工智能研究的紧张范畴，如制止私见、进步可表明性和可明白性、改善隐私和确保安全等方面，取得最先辈的希望？
第三，怎样应用盘算和呆板学习在紧张的科学新范畴取得希望？好比天气科学、医疗保健、生物信息学和很多其他范畴等等。
第四，关于呆板学习和盘算机科学研究社区寻求的头脑和方向，怎样确保有更多差别的研究职员提出和探索？我们怎样才气最好地支持来自差别配景的新研究职员进进这一范畴?
末了的末了，你怎么看Google AI在已往一年的突破与希望？

                                                                                                            
                                    

http://www.fyguaji.com