Google资深研究员Jeff Dean谈AI 机器进步将越来越快

乌镇围棋峰会

凤凰科技讯（作者/花子健）5月24日消息，乌镇围棋峰会进入第二天，在今天的人工智能高峰论坛中，Google资深研究员、Google Brain负责人Jeff Dean在演讲中谈到了AI的工作机制和具体应用。

Google资深研究员、Google Brain负责人Jeff Dean

人工智能由来已久，对于用户来说，人工智能最直白的定义就是机器学习。Jeff Dean表示，以前用户需要的是智慧的电脑，帮助人类进行计算，现在需要的是会学习的电脑，在帮助人类工作的同时自我学习，形成自己处理问题的能力。

对于Google来说，神经网络学习模型是目前在深度学习中最常应用的方法，并且这个模型逐渐成为一个强大的系统。

他以最初的图像学习为例子，神经网络最初的功能就是识别这些图片，比如图片中的是猫、狗还是鲜花或者汽车。不断的训练之后，进行的是感官的识别，比如看到图片的雪花，会联想到“冷”这种感觉，输入“天气变冷”的结果；然后是对没有标签的图片进行翻译，再然后就是根据图片的内容输出一句完整的话。这就是神经网络在学习中进步的过程。

神经网络的准确度与数据和自身的规模大小成正比。在2011年，Google的神经网络识别豹子的图片，错误率为26%，人类是5%。而到了2016年，它只有3%错误率，打败了人类。五年间，它积累了更多的数据，接受了更多的图片识别训练，并开始具备深度的自我学习能力。

在过去的五六年中，Google在深度学习的应用量迅猛增长，2016年，包含神经网络学习模型的数量超过了4000个。

在这些应用中，他着重提到了谷歌翻译、Google Photos、Google Assistant等。

在谷歌翻译中，神经网络的深度学习帮助提高翻译的准确率。早前的翻译是基于短语的机器翻译，特征是采用离散型、局部性的决策，也就是说，解码器对原语言解码的时候，分解成词语，编码器也是按照词语的顺序排列，并没有形成完整的话。

但是在神经网络机器翻译中，神经网络模型采用的是连续型、全局性的决策，对原语言解码之后，按照目标语的语法和表述习惯进行编码，再输出易于被用户接受的翻译结果。

Google Photos根据照片中的景物自动分类照片，比如照片有狗的照片，都可以归为一类。对于动态摄影还可以自我进行动态稳定，自动让发暗的照片变亮。还有Google Assistant，用户快速通过语音获取许多知识和问题的答案。

在演讲过程中，Jeef Dean还展示了一段Demo，一个机器臂通过视觉系统捕捉他的动作，然后模仿他的肢体动作。

在这个强大的神经网络背后，是Google的第二代TPU，这款Tensor Processing Unit V2在今年的Google I/O大会上发布，它专门针对机器学习的训练和推理而设计，支持相互连接组成TPU舱并形成处理器网络，每个处理器输出每秒180万亿次的浮点计算能力，拥有高达64GB带宽的存储器。

Jeff Dean表示，为了积累更多的数据和训练模型，Google将向研究开放式机器学习的研究人员免费开放配有TPU的云虚拟机。