谷歌io大会最新消息：太火爆连餐厅都着火了 CEO在兴奋的押注AI

　　为了安全起见，谷歌暂停了此次大会，并停止参会人员进场，同时疏散了媒体休息室的记者们。

　　谷歌i/o大会的确是很火，那么最火的莫过于人工智能。

　　谷歌开发者大会上发布了一系列基于人工智能技术的新产品和服务，体现了谷歌从“移动优先”转向“人工智能优先”的整体发展战略。

　　Google 人工智能的应用领域延展到了智能工作匹配（Google for jobs），癌症诊断（Healthcare）等。人工智能可分为基础层、平台层和应用层。基础层包括AI 芯片等基础硬件，当前，海外科技巨头的基础层业务正持续爆发，英伟达2017 年Q1 收入增长48%，利润增长159%，谷歌也发布了第二代TPU。基础层的成熟与爆发为上层应用打下基础，随着平台层算法的成熟，未来AI 产业的盈利将由基础层传导到应用层。

　　谷歌明确公司的整体战略从之前的“Mobile first“向“AIfirst”转变。公司从“底层硬件+ *** 作系统+核心算法+上层应用”全产业链布局人工智能。Google 发布的TPU 二代产品Cloud TPU，是为AI 运算专门推出的高性能处理器，在第一代基础上优化了训练和推理；TensorFlow 是Google 推出的深度学习开源工具，Google 此次推出为移动端优化的TensorFlowLite，让更多的开发者在安卓手机上运行深度学习模型。芯片性能提升以及开发工具的优化将为人工智能生态的建立打下良好的基础。

　　谷歌首席执行官孙达尔·皮柴在大会演讲中说，计算正再次发生演变，从“移动优先”转向“人工智能优先”。谷歌正在重新考虑其所有产品，以便把人工智能和机器学习技术尽可能多地应用到谷歌业务中，以解决实际问题。谷歌也在建造人工智能优先的数据中心。

　　皮柴说，谷歌已将所有人工智能项目纳入新建立的平台Google．ai中，加快公司研发人员在人工智能领域的进展。另外，Google．ai还将促进谷歌研究人员与外部科学家和开发人员的协作，共同致力于解决各种问题。

　　在人工智能相关产品和应用方面，谷歌宣布将推出基于机器视觉的“谷歌镜头”功能，可通过手机摄像头识别和分析用户周围的场景，并把相关信息展示在手机屏幕上，帮助用户基于这些信息做出决定。比如把摄像头对着一家餐馆的招牌，手机屏幕上就会显示该餐馆的评分、菜单和订餐选项等。

　　谷歌还将把“谷歌镜头”与谷歌语音助手整合，使语音助手增加了一双眼睛，即借助手机摄像头“看到”用户所处环境，并做出相应 *** 作。比如，如果用户把摄像头对着音乐会举办场所的入口处，手机屏幕就会显示音乐会信息，这时用户可以通过语音助手购票。

　　此外，谷歌还宣布把语音助手功能从它的安卓 *** 作系统扩展到苹果公司的iOS *** 作系统。这意味着谷歌语音助手将作为一个单独的应用程序，出现在苹果手机和平板电脑上。

　　为什么“自动化AI系统”让谷歌CEO如此兴奋

　　业界媒体《MIT科技评论》网站发表文章，介绍了谷歌AutoML项目的重要性。这种“自动化AI系统”可以帮助开发AI软件，解决AI软件设计中的一个棘手问题，加快计算机智能化的进程。以下为原文内容：

　　很多行业的公司都急切地想利用最新的人工智能技术，所以目前机器学习专家非常短缺。 谷歌的首席执行官桑达尔·皮查伊（Sundar Pichai）说，要解决人才短缺的问题，一个办法就是让机器学习软件来帮助开发机器学习软件。
 

　　桑达尔·皮查伊在谷歌年度开发人员大会上

　　在今年的谷歌年度开发者大会上，皮查伊向大家介绍了一个名为AutoML的项目，它是该公司的人工智能研究团队谷歌大脑（Google Brain）推出的。为特定的任务设计机器学习软件有一些很棘手的部分，而该团队表示，他们的学习算法可以把其中最棘手的部分之一进行自动化。在某些情况下，这个自动化系统提供的设计足以媲美人类专家的最佳作品。

　　“这是一个非常令人兴奋的进步，” 皮查伊在一封电邮中表示 ，“它可以加速整个领域的发展，帮助我们解决当今面临的一些最具挑战性的问题。”

　　皮查伊希望AutoML项目可以扩大机器学习开发人员的数量，因为有了AutoML，开发人员不需要掌握那么多的专业知识，也能够利用机器学习的威力了。谷歌本来就打算把公司的云计算服务定位为建立和托管机器学习的最佳场所，所以推出AutoML很符合这个方针。该公司正在努力吸引企业云计算市场的新客户，目前它在这个领域中落后于亚马逊和微软。

　　AutoML旨在让大家可以比较轻松地使用一种名为“深度学习”的技术，谷歌和其他公司使用“深度学习”来强化语音和图像识别、翻译和机器人技术。

　　“深度学习”通过将数据传播到人工神经网络中，来教导软件变得聪明。人工神经网络由一些数学层组成，为其选择正确的架构非常关键。但要做到这一点并不容易。 谷歌AutoML项目的机器学习研究员Quoc Le说：“我们是通过直觉来选择构架的。”

　　上个月，Quoc Le和同事Barret Zoph向大家介绍了一个实验的结果。在这个实验中，他们让机器学习系统找出一个最佳架构，来让软件学习如何解决语言和图像识别任务。

　　在涉及图像的任务上，这个系统可以媲美人类专家设计的最佳架构。而在涉及语言任务上，这个系统比人类专家还胜出一筹。

　　也许更重要的是，它提出了一种研究人员以前没有考虑过的，但却很适合这些任务的架构。 “在某种意义上，它发现了我们不知道的东西，” Quoc Le说。 “这太惊人了。”

　　学会“更好地学习”的软件， 这个概念并不新鲜。但是就像人工智能领域的很多概念一样，深度学习的力量为新的进步开启了大门。谷歌另一个AI研究部门DeepMind以及马斯克（Elon Musk）创办的非营利组织OpenAI都在探索相关的概念

　　他们的努力是否正在让他们走向失业呢？听到这个问题，Quoc Le和Zoph都笑了起来。就目前来说，这项技术太昂贵了，无法广泛使用——两人的那个实验使用了800个强大的图形处理器，运转了几个星期，搞得电费飙升。这种研究属于投石问路的性质，没有几家公司能够负担得起。

　　但谷歌有这个资源，现在该公司扩大了的AutoML项目团队规模，其任务包括减少项目的资源密集程度。Quoc Le认为这可能会有助于提高视频或语音识别的准确度，甚至可能会在一个更加棘手的问题上取得进步：让软件在没有人类明确指导的情况下进行学习。