Google Brain 的 2017 年:用機器學習改變醫療、機器人等六大領域

Google 大腦 2017 總結下篇:從醫療、機器人等6個領域開始的改變世界之旅

【我們為什麼挑選這篇文章】不久前,TO 發表了 Google Brain(Google 大腦團隊)的文章 ,敘述他們在去年(2017 年)多做了哪些事情,有大有小,但確實對 AI 發展起了關鍵性的影響。

而本篇文章曬接續 該文 ,談到了 Google 大腦團隊是如何用機器學習在醫療、機器人等六大領域蓬勃發展,看完之後將會發現,原來機器學習也有這麼多的應用。(責任編輯:林厚勳)

Google 大腦團隊的工作目標是通過科學研究和系統工程不斷推進頂級 AI 系統的發展,這也是整個 Google 的 AI 戰略的一部分。在上一篇文章中 ,我介紹了我們 2017 年在基礎研究方面的工作,內容包括從設計新的機器學習算法和技術到理解它們,以及與社區共享數據,軟體和硬體。

TO 延伸:總結 2017 年 Google Brain 成果:機器學習的各種應用、開源都在這!

在這篇文章中,我們將深入介紹我們在 醫療、機器人、創新、公平和包容 等垂直領域所做的研究工作,最後會簡單介紹一下我們這個團隊。

醫療

我們認為將機器學習技術應用於醫療保健領域具有巨大的潛力。他們在這個方面也做出許多工作,包括 協助病理學家來檢測癌症、理解醫療對話以協助醫生和病人互動 ,以及利用機器學習解決基因組學中的各種問題,此外還開放了一個 基於深度學習的高精度變型呼叫系統的原始碼

推薦閱讀: 醫學領域的 AI 除了看醫療影像還能做什麼? Google 帶來一個新答案:幫醫生寫醫療檔案

(淋巴結活檢,我們的算法正確識別出腫瘤而不是良性巨噬細胞)
(淋巴結活檢,我們的算法正確識別出腫瘤而不是良性巨噬細胞)

2016 年 12 月,我們在美國醫學協會雜誌(JAMA)上發表了一篇研究糖尿病性視網膜病變(DR)和黃斑水腫早期發現的 研究論文

相關論文:https://jamanetwork.com/journals/jama/article-abstract/2588763

在 2017 年,我們將這項研究由研究項目轉移到了實際的臨床試驗。我們與 Verily(Alphabet 公司旗下的一家生命科學公司)合作,通過監管過程來引導這項工作,並將這項技術整合到尼康的 Optos 眼科相機產品線中。

另外,我們目前正在印度部署這個系統。據瞭解,在印度的眼科醫生有 12.7 萬名,但結果卻是幾乎有一半的上述疾病的患者都被診斷為晚期——疾病已經導致視力喪失。作為試點的一部分,我們在 Aravind 眼科醫院推出了這個系統,用來幫助醫院的工作人員更好地診斷糖尿病性眼部疾病。此外,我們還與合作夥伴合作,嘗試瞭解影響糖尿病性眼部疾病護理方面的人為因素(包括患者和醫療保健者的民族志研究)以及眼科護理臨床醫師如何與 AI 支持系統進行互動的調查。

第一名病人(上);Iniya Paramasivam,一位訓練有素的分級師,正在查看系統的輸出(下)
第一名病人(上);Iniya Paramasivam,一位訓練有素的分級師,正在查看系統的輸出(下)

Google 大腦還與包括斯坦福大學、加州大學舊金山分校和芝加哥大學在內的一些先進的醫療機構和中心的研究人員合作,來證明使用機器學習預測未識別醫療記錄的醫療結果的有效性(即根據患者的當前狀況,我們相信可以通過從數百萬其他患者的案例中學習並預測該患者的未來狀況,從而幫助醫療保健人員做出更好的決策)。我們對這個方法感到很興奮,同時也期待在 2018 年能有更多的內容來講。

機器人

Google 大腦在機器人學上的長期目標是設計學習算法,使機器人能夠在複雜的現實環境中進行運作,並能夠通過學習來快速獲得新的技能和能力,而不是像如今的機器人那樣需要精心控制的條件或針對特定任務編寫特定的程序。

我們研究的一個重點就是開發實體機器人,使它們能夠利用自己以及其他機器人的經驗來建立新的技能和能力,也即彙集共同的經驗,以便集體學習。 我們還在探索如何將基於計算機的機器人任務模擬與實體機器人經驗結合起來,從而加快學習新的任務。 雖然在模擬器中的物理規律與現實世界並不完全匹配,但是我們發現,對於機器人來說,模擬經驗加上少量的現實世界的經驗會給出比大量現實世界經驗更好的結果。

除了現實世界機器人經驗和模擬機器人環境外, 我們還開發了機器人學習算法,可以通過觀察人類對所需行為的演示來學習。 我們認為這種模仿學習方法是一種非常有前途的方式,它能夠非常快速地向機器人傳遞新的能力,這個過程沒有明確的規劃,甚至沒有明確規定活動的目標。

例如下面這個影片中機器人通過從不同的角度觀察人類執行任務,然後試圖模仿人類行為,在僅僅 15 分鐘的時間裡就學到了如何向杯子裡倒東西。如何你和你三歲的孩子在一起,就會覺得這項工作多麼令人鼓舞,因為它只灑出了一點點,而你的孩子可能會弄得一團糟。

我們還在 11 月份聯合組織和主辦了首次全新的 機器人學習大會(CoRL),這次會議也將大量機器學習和機器人交叉領域的研究人員聚集在了一起。 活動總結 中包含更多訊息,這裡就不再詳述,讓我們共同期待明年在蘇黎世舉行的下一屆會議吧。

基礎科學

Google 大腦認為機器學習在幫助解決科學中的重要問題上具有長期的潛力。去年我們利用神經網路在 量子化學中預測了的分子性質在天文數據中尋找到了新的系外行星 ,從地震數據中預測了地震的餘震,並利用深度學習指導了自動化的證明系統。

相關論文(量子化學):

Machine learning prediction errors better than DFT accuracy

Neural Message Passing for Quantum Chemistry

相關文章(系外行星): Google 人工智慧助科學家發現「迷你太陽系」

相關論文(地震餘震):Deep Network Guided Proof Search

訊息通過神經網路預測有機分子的量子特性
訊息通過神經網路預測有機分子的量子特性
尋找新的系外行星:當行星遮擋光線時,觀察的恆星亮度。
尋找新的系外行星:當行星遮擋光線時,觀察的恆星亮度。

創造力

Google 大腦也對如何將機器學習作為工具來幫助人們進行創造性創作非常感興趣。

今年,我們創作了一個 AI 鋼琴二重奏工具 ,幫助了 YouTube 音樂人 Andrew Huang 創作新的音樂,並展示了 如何教機器畫畫

試試彈鋼琴:A. I. DUET

欣賞:Andrew Huang 的音樂

相關 章: Google 大腦教機器畫簡筆畫,神經網路的大作都長啥樣?

畫畫:

SketchRNN模型繪製的花園; 互動演示
SketchRNN 模型繪製的花園; 互動演示

我們還演示了如何控制運行在瀏覽器中的深度生成模型來創建新的音樂,這個作品在 NIPS 2017 上獲得了最佳 Demo 獎 ,這也是大腦團隊的 Magenta 項目成員連續第二年獲得該獎項(NIPS 2016 上與 Magenta 互動音樂即興演奏的 demo 獲得了該年度的最佳 Demo 獎)。

在下面的影片中,您可以聽到演示的一部分,這是 MusicVAE 變奏自動編碼器模型從一個旋律到另一個旋律的平滑過渡。

 

People+AI Research(PAIR)倡議

機器學習的進步為人們如何與計算機進行互動提供了全新的可能性。同時,確保社會能夠從我們構建的技術中獲得廣泛的好處,是至關重要的。我們認為這些機遇和挑戰是一件緊迫的事情,因此通過與 Google 公司中的眾多人員進行合作,我們提出了一份 People + AI Research(PAIR)倡議

PAIR 的目標是研究和設計人與 AI 系統進行互動最有效的方法。為此,我們舉辦了一場 公共研討會 ,將來自計算機科學、設計甚至藝術等學科領域中的學術研究者和實踐者聚集在一起共同討論。PAIR 的工作範圍非常廣泛,其中一些如通過解釋性工作幫助研究人員瞭解 ML 系統,並用 deeplearn.js 擴展開發人員社區。我們在以人為中心的 ML 工程方法方面的另外一個例子就是 Facets 的推出,這是一種可視化和可理解的訓練數據集工具。

Facets幫助你深入理解你的訓練數據集
Facets 幫助你深入理解你的訓練數據集

機器學習中的公平和包容

隨著 ML 在技術上的作用越來越大,包容性和公平性的考慮也變得越來越重要。Brain 團隊和 PAIR 在這些領域取得了一些進展。我們已經發表了在 ML 系統中 如何通過因果推理來避免歧視地理多樣性在開放數據集中的重要性 ,並寫了一個博文分析了一個公開數據集以 瞭解多樣性和文化差異 。我們也一直與 AI 合作夥伴進行密切的合作 ,PAIR 是一個跨行業的倡議,它旨在幫助我們確保讓公平和包容成為所有 ML 從業者的共同目標。

正如在左邊的這些塗鴉圖案中所觀察到的那樣,文化差異可以在訓練數據時(甚至在對象中)是「通用」的椅子。 右側的圖表顯示了我們如何發現標準開源數據集(如ImageNet)中的地理位置偏差。 未被發現或未被糾正,這種偏見可能強烈影響模型行為。
正如在左邊的這些塗鴉圖案中所觀察到的那樣,文化差異可以在訓練數據時(甚至在對象中)是「通用」的椅子。 右側的圖表顯示了我們如何發現標準開源數據集(如 ImageNet)中的地理位置偏差。 未被發現或未被糾正,這種偏見可能強烈影響模型行為。

我們與 Google 創意實驗室的同事合作製作了下面這個影片,作為這個領域的一些非技術性介紹。

 

我們的文化

Google 大腦的研究文化的一個方面是,讓研究人員和工程師們去解決他們自己認為最重要的基礎研究問題。

在 2017 年 9 月份, 我們發佈了開展研究的一般方法 。教育和知道年輕的研究人員是我們研究的一部分。我們去年共接待了 100 多名實習生,在 2017 年中有約 25% 的發表文章有實習合作者參與。

在 2016 年, Google 大腦開啟了 Google Brain Residency 計畫,該計畫旨在指導哪些想學習機器學習研究的人。在首年(2016 年 6 月-2017 年 6 月)共有 27 位培訓人員加入我們團隊, 在半年的時間裡共發表了 23 篇論文 。這些培訓人員現在大部分都作為專職研究人員和研究工程師留在我們團隊中。

2017 年 7 月,我們迎來了第二批 35 位培訓人員,他們將會待到 2018 年 7 月,不過現在已經做出了許多令人興奮的研究工作,並已經發表了很多一系列的論文

我們現在已經擴大了該計畫的範圍,將 Google 許多其他研究組包括在內,並將計畫重新命名為 Google AI Residency program。(本年度計畫的申請截止日期剛剛過去;請在 g.co/airesidency/apply 查看有關明年計畫的訊息)

我們在 2017 年的工作遠不止這篇博文(上、下)中所強調的這些。我們過去一年在各種頂級的研究機構發表了 140 篇論文,其中在 ICLR、ICML、NIPS 等會議發表了 60 多篇論文。想瞭解我們這方面的工作,可以仔細閱讀我們的研究論文。

你也可以在 這個影片中 看到我們團隊的成員:

 

或者讀一讀我們第二次在「Ask Me Anything(AMA)」活動中的回答(2016 年也有一期)

Jeff Dean 兩年 AMA 全盤點:26 個關於 Google 大腦和機器學習未來的問題

Google 團隊正在擴增,團隊成員遍佈北美和歐洲。如果你覺得我們做的工作聽起來很有意思,而且想加入我們,你可以通過底部的鏈接(g.co/brain)看看我們有哪些空缺職位,並申請實習、AI 入駐計畫,訪問學者或全職研究或工程開發崗位。

你也可以通過 Google Research blog,或者 [email protected] 來跟蹤我們在 2018 年的工作,你也可以關注我的個人 Twitter 帳號 @JeffDean。

via GoogleBlog.com

─ ─

(本文經合作夥伴 雷鋒網 授權轉載,並同意 TechOrange 編寫導讀與修訂標題,原文標題為 〈 谷歌大腦 2017 總結下篇:從醫療、機器人等 6 個領域開始的改變世界之旅   〉。)

Google AI 的其它驚人發展

AI 修不好,只能當鴕鳥:Google Photos 分不清猩猩跟黑人,只好讓猩猩這個詞彙消失
攻佔 App 排行榜第一名:Google 用 AI 幫你找出百年前的雙胞胎畫像
總結 2017 年 Google Brain 成果:機器學習的各種應用、開源都在這!
連拍 500 張照片卻不知道挑哪張?讓 Google 審美 AI 幫你挑出最好看的那一張


科技報橘 2019 全面徵才 ── 跟我們一起找到台灣在國際中的創新產業定位

我們正在找「社群編輯 3 名」、「資深採訪編輯 2 名

來信請將履歷與文字作品寄至 [email protected],信件名稱:應徵 TechOrange 社群編輯:(您的大名)

 

 

點關鍵字看更多相關文章: