而在今天，Jeff Dean 代表整个团队撰文回顾了谷歌大脑的 2016 年，并发表于 Google Research Blog 上，这个为世界带来科技惊喜的团队究竟怎么样看待自己的 2016 年吧。

  谷歌大脑团队的宏愿一如既往：团队致力于通过多领域的纯研究及应用性研究，创造更多的智能软件及智能系统，以此提升人们的生活水平。

  “虽然这一蓝图是我们仰望星空的长期愿景，但我们也需要脚踏实地，回顾一下我们过去一年完成的小目标，并与你们一同分享那些会为 2017 年新成就奠基的点点滴滴。”

  在国际顶级的期刊及学术会议（如 ICML、NIPS 及 ICLR）上提交论文是科研水平的质量保证，谷歌大脑团队同样寄望于此。过去一年间，团队共有 27 篇论文实现了这个小目标，领域涉猎广泛

  团队目前已经向机器学习研究的顶尖学术会议 ICLR 2017 提交了 34 篇论文。AI 科技评论附上了提交论文的清单，如果感兴趣的用户都能够点击查看。

  2014 年年底，三位谷歌大脑团队的成员发布了一篇名为《利用神经网络实现序列到序列的学习》的论文，提出了此方法可应用于机器翻译。

  2015 年，团队证明了此方法同样能够应用于生成图像标题、分析句子成分及解决计算化的几何问题当中。

  2016 年，谷歌大脑团队与谷歌翻译团队进行密切合作，将谷歌翻译算法以一种完全端到端的学习系统所取代。该系统缩小了原有系统与人类高质量翻译之间的差距，而这一数字达到了 85%。

  在数周后，谷歌大脑团队又发布了「zero-shot」翻译系统，即使是系统之前从没学习过的样本对，机器也能够顺利翻译出来。目前，这一系统已经顺利上线谷歌翻译，而它所处理的语言对数量也在不断增加。

  Jeff Dean 还特别专门提及了 AI 科技评论于本文开始时提及的文章，这篇发布于《》，原名为《超级 AI 正在觉醒》的文章详细描述了谷歌翻译是如何一步步进阶深度学习的。

  Jeff Dean 也回顾了谷歌大脑在机器人领域取得的成果，他表示，传统机器人的控制算法是通过精心设计并进行人工编程而实现的，因此，如何将新的能力「传授」给原有的机器人也成为一个挑战。谷歌大脑团队相信，机器人如果能掌握机器学习能力，那么让它自动掌握这些新的技能也绝非难事。

  在 2016 年，谷歌大脑团队与 Google X 团队合作实现了机械臂的手眼协调功能，并经过 80 万次的抓取实验，让它们在不断的学习过程中汲取自学经验，雷锋网此前也做过报道和覆盖。

  “随后，我们探索了三种机器人学习新技能的三种可能方式，包括强化学习、通过机器与物体的交互，以及人类的操作示范等。谷歌大脑团队将在这些工作的基础上继续前行，以实现让机器人在复杂的现实环境中习得新技能，并成功运用的目标。”

  值得一提的是，为了让其它机器人研究者也能尝试在该领域探索，谷歌大脑团队共享了数个机器人数据库。

  机器学习有着非常大潜力，包括应用于医学诊断领域。谷歌大脑同样注意到了这一进步，并在今年 6 月的美国医学学会刊物上（Journal of the American Medical Association）发布了一篇名为《深度学习算法的应用及有效性：因糖尿病引致的视网膜病变》的论文，详细了目前机器学习系统在疾病诊断上的新成果。「如果没能筛查出早期的视网膜病变，将会有四亿人面临失明风险。通过这项技术，我们大家都希望能够帮助更多人口在眼科医生稀缺的情况下获得适当的检查。」AI 科技评论了解到，谷歌 DeepMind 目前已经与英国国家医疗服务体系（NHS）进行了二度合作，将和 Moorfields 眼科医院一同开发识别视觉疾病的机器学习系统。

  除此之外，谷歌大脑团队也致力于拓展医学影像的其它领域，并相信机器学习能够在接下来一年内又好又快地提升医患的就医体验。

  不论是印刷出版、电影或是电吉他，人们利用科技定义媒体内容的创造与分享。在 2016 年，谷歌大脑成立了一个名为 Magenta 的项目，以探索艺术与机器智能的灵感火花，并利用机器学习丰富人类的创造力。

  先是用机器学习建立起音乐与图像生成之间的联系，再是文本生成与虚拟现实，Magenta 正在成为内容创作的最佳生成模型。

  谷歌大脑团队通过举办研讨会及展览会的方式，对音乐创作及艺术风格迁移等主题进行探讨。而这些探索也同样获得了学界的认可， demo 在年底的 NIPS 2016 上获得了最佳奖项的首肯。

  「当我们开发出强大且完善的 AI 系统，并大范围的应用于这样一个世界之时，谷歌大脑团队同样也心系安全与公平。我们同样希望拥有能帮助人类更好理解机器生产的工具。」

  在 AI 安全领域，谷歌大脑通过与斯坦福、伯克利及 OpenAI 等机构的合作，发布了名为《AI 安全的具体问题》的白皮书，提及了AI领域可能设计的具体安全问题，而谷歌大脑团队也致力于在训练数据的隐私问题、涉及不同项目的隐私界定，以及知识迁移技术方面提出可行的保护方案。

  而在另一篇名为《监督学习中的机会公平性》的文章中，谷歌大脑也以 FICO 评分系统为例，尝试通过调整训练的预测因子，以避免结果出现不必要的歧视。

  TensorFlow 于 2015 年 11 月开源，当时作为一个希望机器学习社区都能从中受益的开源平台而存在。一年来，TensorFlow 慢慢的变成了了 GitHub 上最受喜爱的机器学习项目，拥有超过 570 贡献者的上万次提交。而得益于社区的贡献，TensorFlow 目前仅在 GitHub 上就有多于 5000 个与 TensorFlow 相关的项目了。

  谷歌大脑团队表示，TensorFlow 目前已得到了许多研究团队与大规模的公司的认可（如 DeepMind），此外在寻找海牛或帮助日本农夫选黄瓜等特别的小项目中也取得了喜人的进展。

  TensorFlow 目前已经在性能上已经有了大量改进，增加了分布式训练的支持；

  在庆祝 TensorFlow 成立一周年之际，谷歌大脑还在 OSDI 上提交了一篇名为《TensorFlow：大范围机器学习系统》的论文。

  通过与编译器团队的合作，谷歌大脑也在致力开发用于 TensorFlow 的后端编译器 XLA，并已经在其中添加了一个 alpha 版本。

  2016 年 1 月，谷歌大脑团队的一名研究负责人 Vincent Vanhoucke 在优达学城上开设了一门免费的深度学习在线课程。此外，团队还组织了 TensorFlow Playground，这个交互式系统可以通过可视化的方式，帮助人们更好地理解简单的神经网络学习是如何达成目标的。

  在去年 6 月，首届 Google Brain Resident 项目在 2200 名申请者中筛选出了 27 名学员，并在过去的 7 个月时间内开展了大量原创研究，并完成了 21 篇论文。

  8 月份，许多谷歌大脑的成员都参与了 Reddit 的 MachineLearning 小组上的 AMA 问答，为网友们解答了机器学习社区及对团队的种种疑问。

  在 2016 年，我们接纳了 46 名实习生（大部分是博士生），他们与小组成员一同开展了研究。

  除了上述公开活动外，谷歌大脑也在谷歌内部开展工作，以期将机器学习专业及精神渗透到其它产品团队中。谷歌大脑团队希望公司能做为一个整体，接纳并利用新生的机器学习研究成果。比如与平台团队紧密合作，为在 Google I/O 大会上提及的机器学习加速器 ASIC（张量处理单元 TPU）提出了个性化且高水平的目标。这种定制芯片能够在数量级上提升机器学习的性能，并大范围的应用于谷歌产品中，包括 RankBrain、神经机器翻译系统，还有在 3 月份击败李世石的 AlphaGo。

  总而言之，对于谷歌大脑团队及谷歌上上下下所有同事与合作伙伴而言，2016 是令人为之欢欣鼓舞的一年，而团队也同样期待机器学习研究能在 2017 年更上一层楼。

  每一次人类社会的重大技术变革都可能会导致新的科学革命，互联网和AI对于人类的影响已经远超于了大工业革命。人工智能、互联网、脑科学、虚拟现实、机器人、生物基因等领域正在相互融合，形成一股强大的洪流，对人类社会的所有的领域产生巨大的影响。

  一日千里的科技进展，层出不穷的新概念，使企业家，投资人和社会大众面临巨大的科技发展压力，前沿科技现状和未来发展趋势是什么？社会大众，企业家和投资家怎么样应对新科学技术带来的挑战？

  在科学院大数据与知识管理重点实验室，泰智会，人工智能学家的支持下，未来科技学院邀请国内和国际著名科学家、科技企业家讲授人工智能、互联网、脑科学、虚拟现实、机器人，3D打印、生物基因等领域的基础原理和未来发展的新趋势。欢迎投资界、企业界，科研机构的人士参加。

  未来科技学院第一期前沿科技趋势学习班将在2017年2月下旬（暂定2月24日-26日）在北京中关村举办。线下集中学习三天，之后学员将通过未来科技学院的线上平台做更多前沿科技讲座学习和答疑互动。集中学习期间，将举办未来科技交流酒会，加强学员以及专家之间的沟通交流。

  未来科技学院第一期学员将受邀加入未来科技学院的“未来科学技术创新促进会”，共享未来科技学院的高端科学家、企业家和投资人资源，共同解决企业和投资过程中遇到的科技问题；参与前沿科技未来发展重大课题研究；参加未来科技学院组织的讲座、参观和会议；选择投资未来科技学院孵化的前沿科学技术创新创业项目。