谷歌：人工智能引領未來

□ 文Google全球技術總監、上海研發院院長 陳 曉

谷歌：人工智能引領未來

□ 文Google全球技術總監、上海研發院院長 陳 曉

說到人工智能領域，經常用到的專業用語是機器學習。人工智能起源于上世紀中期，自人工智能鼻祖圖靈教授發明圖靈機之后，一些科學家們就開始夢想機器是否可以在某個時刻能有人類的感知，能像人類這么聰慧智能，能夠完成人類才能夠完成的任務。機器學習則是實現人工智能的一種手段。在近十年里發展特別迅猛，特別是2012年以來，機器（深度）學習成為人工智能領域中最主要也最成功的方法。

大家應該會注意到最近在互聯網上的新聞，從去年底到今年年初，在圍棋界有一位“大師”（網上注冊名為”master“）在網絡上和圍棋界的高手交手，連贏60場，而它就是去年3月份和韓國圍棋冠軍李世石在人機大戰對弈的AlphaGo。有一千年歷史的圍棋是人類發明最智慧、最玄妙的游戲，一開始很難想象，一個人類發明的機器可以在圍棋上戰勝人類的大腦。人工智能原本似乎是高深尖的科技手段，因為這個事件的發生和廣為傳播，就把人工智能的概念推到了廣大公眾的視野中。

這幾年機器學習和人工智能有一些井噴式的發展，為什么會這樣？機器學習的概念是什么？機器學習其實是建造一些能夠有一定智慧的機器，通過事例學習去訓練去“琢磨”怎么完成某項任務，而不是人類用一些硬式的邏輯、固定的指示和程序讓機器做到某項任務，因為有限的指令是沒有辦法應對非常渾沌、混亂的世界的。比如說簡單的交通標志，不管是停止、讓路還是禁止通行的標志，其實是有具體和標準的規則。但是在現實生活中，可能會被霧霾雨水迷糊了，會被積雪遮擋了，標志牌被撞歪了，于是有了千變萬化的不可測，這時候人工智能就能起很大的作用，讓機器自己學習怎么解決問題，而不是依賴人類的固定程序。

Google為什么在人工智能方面特別在乎？為什么站在這個前沿上致力于研究開發、應用和推廣？Google本身的使命就是能夠整合全球各種各樣的信息（包括語音、圖片、地圖等）而且希望能夠讓人人使用并從中收益。而人工智能和機器學習起到最大的作用就是能夠“讀懂”海量的信息，幫助人們消化吸收，并提供建議。我們公司的總裁Sundar Pichai高瞻遠矚，指引公司從2012年開始投入了很多的人力物力專注于人工智能，幾年來在各個方面有了一些突破性的技術革新，在應用上也有很多喜人的成果。去年他提出，“人工智能這一具有顛覆性作用的核心技術，使我們開始重新審視我們的所有產品。Google公司從移動優先將會轉向人工智能優先、人工智能為先的時代。”

說到機器學習，最近更常見或者其中最主要的技術手段就是神經網絡（深度學習）。機器神經網絡受啟發于人類自己的生物學神經網絡系統，因為生物大腦里的神經元基本功能就是對外界進行感知、采集、處理并做出判斷，并和其他神經元在近距離傳遞信息。模擬了這樣的系統，機器神經網絡也有大量機器神經元，每個神經元有自己的責任和義務去處理一件事，傳遞到最后一層做出總的判斷。比如說超大的一個圖片可以分成大量的小圖，每一個機器神經元去處理、認知這個圖片，并給出自己的結論和可能性的權重。神經網絡系統最終在大量神經元的采集信息中得出一個結論，“認為”這張圖片94.7%的可能性是一只狗，3%的可能性是一只貓或者其他的東西等等，盡管這張圖片可能是非常混亂的，但最后能相當準確地做出最終判斷。當然生物的腦神經更復雜更聰明，可以任意方向進行信息互換，而機器的神經元是一層層從輸入到輸出的單項傳播，還沒能模擬到那么復雜。深度學習的“深度”得以實現要感謝于我們所生活的這個時代正在發生著計算機計算能力、信息存貯容量和網絡上數字信息的爆炸性增長。有了網絡之后，人人都可以采集數據、產生數據放到云端和網絡，而現在的存儲能量似乎也是無限的，沒有人會擔心沒有地方存儲，總可以找到存儲空間。因為存儲空間的無限增長，計算能力（CPU、GPU）也能較容易地獲取，加上大量的視頻、音頻、圖片資料的產生，便促成了這兩年人工智能機器學習井噴式的進步。

>> 谷歌全球技術總監、中國上海研發院院長 陳曉

一個簡單的例子，比如Google有一個平臺YouTube，上面有很多的視頻，通過幾百萬張圖片的截取獲得圖片的訓練集，丟進這樣一個神經網絡系統（深層學習機器）進行訓練，成功的關鍵就是要有大量的例子能夠輸送進去，系統有運算能力，能在這一大堆的數據中進行挖掘和訓練，最后能夠產生一種模型來“理解”、“辨別”圖片。而現在的有些模型已經有了很大的進步，開始產生一種通用的“智能”，一個地方一種形式訓練出來的模型還可以擴展到其他的應用。這個“深層”的機器學習系統，可以在最后的幾層做一些適當的設置和改變，輸送你自己的采樣，“調教”出適合不同領域和功能的運算模型來。

Google在過去幾年中，尤其是近四五年來在人工智能方面做了大量的研究，那么有哪些效果呢？翻譯是我們Google的拳頭產品，對人工智能的運用非常深刻。說起人工自動翻譯，我在二十多年前上海交大圖像所讀研究生的時候做了中英翻譯的語言處理方面的嘗試，當時還是發展初期，我本人的能量也非常渺小膚淺，認為這個幾乎不可能。雖然大家乍一想這也許是個相對簡單的事，因為每種語言的詞匯量有限，人類對每種語言之間的翻譯有足夠的認知，似乎可以一對一翻譯。可是讓機器翻譯真的簡單嗎？我在國內一個一流的游樂園游玩的時候捕捉到很多讓人忍俊不禁的翻譯，比如一個警告牌“小心滑倒”，中國人一看都明白其實是小心不要滑倒，而牌子上英文翻譯基本意思就是讓人們小小心心地滑倒，這就鬧笑話了。

Google翻譯目前支持103種語言，每天處理的詞語數量達到1400億，92%的用戶是美國以外的，現在網絡上50%的頁面是英語或者非英語的。翻譯的需求量和大家在谷歌上所用的服務量是相當驚人的。我們最近用人工智能或者深度學習的手段可以做到這樣一件事，谷歌翻譯在手機上的一個應用，可以對一個物件，比方說盒裝牛奶進行拍照采集圖片，并截取其中文字翻譯成你懂的語言，比方從英文的“milk”到“牛奶”，然后還原圖片展現給你。對于熱愛旅游的人們，可以通過Google翻譯這一應用功能克服語言障礙，給旅游帶來更多的便利和享受。

去年我們推出基于神經網絡的翻譯體系，替代了我們原來的基于詞組的翻譯系統。當時的改變是驚人的，有一個飛躍的質量提升。可能大家對具體的質量評估量化數字沒有什么概念，但是做個比較，這個提升的跨度比近十年來在原來系統中所有的質量優化所提高的總和還要多，也看到某些語言已經達到了人工翻譯的水平，相當喜人。很高興地和大家分享，中文和英文對的翻譯也第一批享受到了這一改變帶來的進步，現在大家用的谷歌翻譯（translate.google.cn）有關中英文互譯全面使用了新的神經網絡翻譯系統。谷歌將進一步把神經網絡翻譯系統推廣到所有103種語言。

為什么神經網絡翻譯可以做到更好、更自然的效果？原來的基于詞組的翻譯就像把一幅圖分解成一小塊一小塊翻譯然后原序拼接而成，就容易造成我們最初看到的問題，詞和詞的翻譯是正確的，但是擺在一塊兒的意義就不對了，甚至是相反的。而神經網絡機器翻譯系統則是整句或者整段結合上下文進行翻譯，并真正了解和符合目標語言的習慣，最后再把語序進行一些調整，最終的語句更通暢、更自然、更準確，更符合目標人群“說”的話。

就像Sundar Pichai所說，我們在全面審視所有的核心產品，已經或者正在或者將要用人工智能的辦法做各種嘗試和優化。比如Google的搜索，其實機器學習對搜索的改變也是近兩年里質量提升飛躍最大的一次改變。比如說郵件系統，垃圾郵件的診斷就一直是用人工智能機器學習的辦法來處理。Google郵箱（Gmail）去年推出了一項功能，即自動回復。隨著手機的廣泛應用，人們更多地在用手機查郵件，因為手機的文字輸入比較不便，我們就開始通過大量的郵件和機器學習訓練出自動回復功能。現在手機郵件10%是通過自動回復來完成的。

在Google現有的核心產品上我們花了大量的精力推廣應用人工智能，我們也在一些新興的衍生的產品方向，通過人工智能的應用來對人類的生活和文化起到更多的推動。2011年我們推出了Google文化學院，隨后2012年在中國推出，旨在記錄保存人類的文化遺產并通過文化學院這個平臺分享給身處世界各地的人們。目前有70多個國家的1000多個文化藝術機構跟我們合作，把他們收藏的文化遺產、人類文化和藝術的結晶數字化，在線跟大家分享。中國很多傳統文化通過這個形式，讓全球的文化和藝術愛好者得以接觸和欣賞。而Google里就有這么一些文化藝術愛好者，又有一些技術背景，他們希望有一些新的方式去詮釋和解讀這些藝術作品，于是考慮到了人工智能。他們做了一個嘗試，叫X-degree of Seperation，我自己把它翻成“幾步之遙”，就是能否在任何的兩個藝術品中，找到一種關聯？提供一條視覺通道把似乎不相關的兩件藝術品通過一些相似藝術品最終聯系起來？對于藝術我是門外漢，但是有藝術背景的人對此功能還是感到很震撼的。

Google也在醫療健康方面有很多應用人工智能的嘗試，而且取得了非常喜人的進步。比如說全球糖尿病的患者有4億多，視網膜病變如果及時發現是可以制止和治療的，如果沒有及時治療，會導致不可逆的失明。診斷辦法其實就是有專業技能的專家們去看視網膜的眼后部的拍片。大家都知道，病人多、醫生少，或者一些不發達的地方，設備和人才不能夠涵蓋到，這個時候人工智能和機器可以起到很大的作用。我們和印度、美國的一些醫療機構合作，利用他們所提供的醫療圖片采集（大概20多萬張）進行調試和訓練，集成了一個模型。目前經專家評斷，已經達到專家的水平。我們很高興有這樣的成果，也希望在更多的健康領域和醫療領域中，能夠幫助到人類的進步。

人工智能是計算機科學的新翹楚。Google的所有核心產品和新興領域都已經開始進行人工智能或機器學習的探索、研究和應用。我們也開源了Google機器學習系統TensorFlow供大家一起探究。我們相信人類在人工智能的技術中會受益更多，人類一直是也終將是最后的贏家！