谷歌大腦劉小兵：AI 發展這麼多年，首先需要解決的是平台問題

科技 08-09

摘要：我們想布局一個非常大的模型，用演算法自動生成演算法，最後軟體到硬體的映射通過另外的機器學習演算法去協同軟硬體的功率，使它達到整體效果最優。

前段時間 AlphaGo 接連打敗人類棋手的消息在全球範圍內造成巨大影響，AlphaGo 背後一個叫做 DeepMind 的英國 AI 公司也開始被人熟知，該團隊於 2014 年被 Google 收購。Google 是全世界在 AI 技術上積累最深厚的公司之一，去年年底 Google 將未來發展戰略從「Mobile First」調整為「AI First」。

谷歌大腦是 Google 旗下的一個深度學習科研項目團隊，前百度首席科學家吳恩達就是這個團隊最初的三名成員之一。谷歌大腦一開始只是 Google X 的一個研究項目。但因其驚人的效益，它脫離了 Google X 成為了谷歌總公司的單獨部門。Google X 前負責人 Eric Teller 曾透露過，谷歌大腦團隊當時賺到的錢超過了整個 Google X 部門的成本。

在極客公園 Rebuild 2017 大會上，谷歌大腦資深研究員劉小兵介紹了他們團隊從 TensorFlow 到最新深度學習的研究。

被數據喚醒的神經網路

現在講 AI 繞不過深度學習，因為深度學習是這波 AI 浪潮最開始的驅動力，深度學習嚴格來講其實是深度神經網路。神經網路最開始模擬人類大腦，有神經元，神經元之間有連接，模型就是在學習連接的強度。

放到實際問題中，比如圖象識別，給一張貓的圖片，我們一眼就能看出它是一隻貓，但對於機器來說它需要進行識別。機器面對一張圖片，它看到的不是貓，而是一堆像素，每個像素是 0.255 一個點。比如貓的圖片是 128×128 解析度，那麼機器看到的就是 128×128，這麼多的整數值的東西。

圖象識別中有一個概念叫做深度卷積網路，基本的含義就是把一張圖片輸到網路中，網路里有很多層狀結構，每一層都會學到圖片中的不同信息，比如第一層是顏色、第二層是形狀、第三層是花紋...... 總之深度網路就是一個很深的層狀結構，經過多次學習，機器就能得出結論，這張圖上是一隻貓還是狗。

這就是深度卷積網路。

神經網路並不是一個新概念，它發明於上個世紀 80、90 年代，但那時候 AI 並沒有火起來。原因就是當時沒有這麼多數據，硬體也不夠強大。經過 40 年的摩爾定律發展，CPU、GPU 越來越強大，在大數據時代，我們收集了越來越多的數據，這個時候神經網路的效果要比其他演算法好很多。

大家可以看到的語音識別、圖像處理，包括無人駕駛、AlphaGo 這樣的東西，全部是得益於神經網路的飛躍或突破。

強大的基礎平台可以驅動新的研究和應用

去年年底谷歌將未來發展戰略從「Mobile First」調整為「AI First」，對谷歌來說，全公司都轉向了 AI。

TensorFlow 最初由 Google Brain 團隊開發，用於各種感知和語言理解任務的機器學習。如語音識別、Gmail、Google 相冊和搜索，只要涉及到智能的東西，谷歌都在用深度學習和機器學習來進一步提高用戶體驗和產品的準確性。2015 年 TensorFlow 作為開源軟體發布，普遍應用於各種領域，已經進入很多大學的課堂，相當於課堂的官方系統，比如說斯坦福、伯克利，還有一些頂級的研究機構：OpenAI、DeepMind，還有中國的很多公司都在用 Tensorflow。

2016 年 6 月，谷歌大腦負責人 Jeff Dean 說在 GitHub 有 1500 個庫提到了 TensorFlow，其中只有 5 個來自 Google。

除了提高現有產品的體驗，谷歌還做了些新的嘗試。AlphaGo 在去年和今年連續兩次擊敗了人類最頂尖的棋手，這個就得益於深度學習的發展。

當然，還要有足夠的硬體支撐。在今年 5 月份的開發者大會上，Google 發布了第二代 TPU，這是一個雲計算硬體和軟體系統，被稱為 Cloud TPU，主要是為了提高機器學習計算處理所需要大量的負載，包括訓練和推理，為 Google 雲計算平台帶來的巨大福音。

得益於 Google 在硬體與軟體的集成方面的實力，TensorFlow 已經成為構建 AI 軟體最領先的平台之一。而 TPU 則是作為專門為機器學習而專門設計的專用晶元，第一代 TPU 被 AlphaGo 人工智慧系統用作其預測和決策的基礎。

劉小兵提到，「摩爾定律經過 40 年高速發展，已經受限於物理學的一些限制。我們需要更加合理化地應用硬體，基於深度學習本身的機制重新思考硬體設計，這也是為什麼我們做 TPU 的原因。」

模型越大，神經網路帶來的提高會更多

AI 繼續發展會帶來一些新的可能，比如說無人駕駛。因為深度學習現在可以讓計算機能夠看清、識別和理解，放在汽車上，就是一個無人駕駛汽車。未來的趨勢是有更多數據，模型會越來越大，神經網路帶來的提高會越來越多。

AI 發展這麼多年，首先需要解決的是平台問題。劉小兵提到，「很多創業公司沒有這種資源，而我們的做法是讓計算機去自動生成演算法，稱之為 learn to learn，或者叫 auto ML。基本想法就是像 AlphaGO 一樣，不斷的提高機器學習的效果。最終有可能達到的效果是，放一堆數據，設定一堆目標，機器就會自動完成這個目標。」