智而近妖的 Jeff Dean 談谷歌新商業路徑，醫療會是一個好的方向

對於 Jeff Dean 來說，眾望所歸，還是苦媳婦熬成婆？

撰文｜Tony Peng （彭君韜）

4月初，人工智慧部門和搜索部門自 2016 年合併之後再次分家，總負責人 John Giannandrea 已經離開谷歌並加入了蘋果，而原谷歌大腦的負責人 Jeff Dean 也順勢成為了人工智慧部門的總負責人。

說眾望所歸也好，「苦媳婦熬成婆」也罷，幾乎所有人都對 Jeff Dean 升任谷歌人工智慧一把手表示贊同。

現年 50 歲的 Jeff Dean 在 1999 年加入了谷歌，如今的搜索巨人當年還只是一家成立不到一年的初創公司。

多年來，Jeff Dean 利用資料庫和大數據分析的方法幫助谷歌打造了強大的計算能力，也為自己贏得了很高的聲譽，被認為是矽谷乃至整個全世界範圍內最有才能的程序員之一。

世人曰：「Jeff Dean 智而近妖」。谷歌的同事曾專門做了一個網站叫做「真實的 Jeff Dean 」，上面儘是關於 Jeff Dean 的謬讚：他曾經參與提高光速；Dean 其實並不存在，他只是 Jeff Dean 創造的一個高級人工智慧；編譯器從來不給 Jeff 編譯警告，而是 Jeff 警告編譯器。

Dean 在 2011 年加入 Google 的神秘的 X 實驗室，研究一種深度神經網路，通過學習可以在 YouTube 視頻里識別出貓。谷歌繼續將深度神經網路用於提高其語音識別服務的準確性。

自此，人工智慧開始成為公司戰略的核心部分。

這個貓識別視頻項目演變成了一個名為谷歌大腦的研究小組，Jeff Dean 從 2012 年以來開始領導這個小組。

如今，Jeff Dean 新官上任，這會給谷歌人工智慧部門帶來哪些變化？從去年開始就嚷著「AI—First」的谷歌又會朝向什麼方向發展？

2008 年，美國國家工程院發布了」21 世紀需要解決的重大工程難題」，包含了諸如「讓太陽能變得更便宜」、「管理氮循環」、「對大腦的反向工程研究」等 14 個課題。

多年來，谷歌的發展軌跡與這些課題息息相關，他們一直在試圖解決這些課題，並尤為重視「恢復和改善城市基礎建設」和「發展醫療信息學」。谷歌為前者提供的解決方案是「自動駕駛」，後者則是「谷歌醫療大腦」。

谷歌的自動駕駛大計自然是落在了 Waymo 身上。

儘管在上個月，Uber 的無人車在亞利桑那的坦帕發生了令人遺憾的交通事故，導致一名 40 多歲的美國白人婦女喪生，給自動駕駛的普及蒙上了一層陰影，但是 Waymo 絲毫沒有放慢推進 L4/L5 自動駕駛的計劃。

去年年末，Waymo 正式放出消息，進軍計程車行業。公司 CEO John Krafcik 在今年二月的《紐約時報》人工智慧峰會上說，Waymo 將在今年於美國亞利桑那州的鳳凰城（Phoniex）推出這項服務，將覆蓋方圓 100 平方公里，7 天 24 小時不間斷服務。

Waymo 早就在亞利桑那開始 L5 全自動駕駛無人車路測，也在今年四月向加州遞出了一份申請，希望能在公司的大本營所在州測試 L5 無人車。

同樣在四月，Waymo 宣布將和捷豹路虎共同製造 2 萬輛 L5 全自動駕駛的電動 SUV 車型 I-Pace，並在兩年內先後投入 Waymo 的出行隊伍中。在自動駕駛領域已經深耕 10 年的 Waymo 表示他們不會犯和 Uber 一樣的錯誤。

另一邊，谷歌醫療大腦研發的機器學習演算法正在不斷突破甚至超越人類醫療專家的能力。Jeff Dean 認為，AI 醫療或是谷歌新的商業路徑。

根據美國科技媒體 Wired 報道，谷歌目前正在印度進行兩項醫療軟體的測試：檢測因糖尿病引起眼盲的併發症，以及通過顯微鏡切片，查找乳腺癌的跡象。

這些醫療軟體的研究其實早就有跡可循。

谷歌醫療大腦團隊在 2016 就開始研究用深度學習演算法對諸如糖尿病引發的視網膜病變做早期篩查。

今年二月，谷歌更進一步，實現了用深度學習演算法分析患者的視網膜解剖圖，從而獲悉他們的年齡、性別、吸煙狀態和血壓——這些都是計算心血管疾病發病幾率的主要因素，同時也能預測未來五年患者發生重大心血管疾病的風險。

今年三月，谷歌大腦開發出了一款能用來自動篩查乳腺癌的人工智慧演算法，基於靈敏度（找到了多少正確的腫瘤）和假陽性（將多少正常組織診斷為腫瘤）的評分中，人工智慧演算法的準確度比人類病理學家的準確率高出了 15 個百分點。

除了在影射圖像篩查上做文章，今年穀歌還牽手加州大學舊金山分校（大學醫療重鎮）、斯坦福大學和芝加哥大學，發表了一篇用深度學習分析電子病曆數據、預測患者未來病情發展的論文。

該論文介紹了如何使用深度學習演算法（具體為 LSTM、前饋神經網路和決策樹這三種模型），準確預測「住院死亡率」、「30 天計劃外重新接納」、「延長住院時間」，以及「患者出院後的最終診斷」。

「新的機器學習能力或研究結果可能能夠幫助我們從事一些谷歌尚未涉及的領域，」Dean 告訴 Wired。「醫療就是一個很好的方向。」

然而，谷歌漂亮的人工智慧成績表是建立在其上百位優秀的人工智慧研究員、龐大的數據群、以及高性能計算機集群帶來強大算力之上。

人工智慧從來不該是處在象牙塔頂端里、只有少數人接觸的研究項目，谷歌也不希望只有自己在人工智慧領域「自娛自樂」。

Jeff Dean 向機器之心解釋了谷歌是如何為研究員們提供便利的研究工具。「過去，一套人工智慧的解決方案=機器學習專業知識+數據+算力；但是，現在這個公式應該是：一套人工智慧的解決方案=數據+100 倍算力，專業應該被劃掉。」

在今年 1 月，谷歌雲發布的可以自動生成機器學習模型的技術 Cloud AutoML 替代了那個被劃掉的機器學習知識。通過使用遷移學習（Transfer Learning）和元學習（Learning2Learn）等方法 Cloud AutoML 可以自動挑選合適的網路架構，幫助在機器學習領域專業度不足的公司構建模型。

目前，谷歌 AutoML Vision 自動開發出的計算機視覺模型已經在性能上超過了人類水平。

在機器之心過去的報道中也提到：「機器學習工程師拿到訓練數據、對數據進行分析、然後設計演算法、調參生成訓練模型」這個專業性極高的流程，被一個 AutoML 替代了。」

AutoML 的出現也帶來了諸如「取代機器學習研究員」的恐慌。Jeff Dean 解釋說，「Auto ML 和機器學習的研究人員真的可以非常好地相互補充。因為你想要的是一個機器學習研究人員能夠快速地嘗試想法，並了解這些想法對一系列廣泛的問題有什麼影響。」

「想像一下你有一個系統來試圖解決一千個問題。AutoML 可以在這幾千個問題中自動嘗試你的新想法，看看這個模型在哪個問題上可以被使用。」

公式里的「百倍算力」則是谷歌今年二月對測試用戶開放的 Cloud TPU 服務。

Cloud TPU 擁有 180 Teraflops、64GB 高帶寬存儲、可以同時用於推理和模型訓練，能夠為研究員提供更強大的算力。之前，Jeff Dean 就在推特上說 Cloud TPU 訓練 75% 精準的 ResNet-50 模型只需 24 個小時。

相比 GPU 晶元大佬 Nvidia 直接出售 GPU，剛剛試水晶元市場的谷歌選擇了一個比較明智的做法：TaaS（TPU-as-a-Service），直接在雲端為用戶提供付費的算力服務。

Jeff Dean 承認，目前的人工智慧系統依然存在不少問題，「數據偏見」、「人工智慧公正性」以及「安全問題」是其中最棘手的挑戰。

「一旦數據存在偏見，那麼深度學習模型就可能會放大這個偏見……目前人工智慧還不能給出完全公正的決策……有關人工智慧的安全性，也有很多人在研究對抗性樣本的問題，人工智慧在受到這樣的攻擊時還是比較脆弱，我們正在努力攻克這些問題，」Jeff Dean 告訴機器之心。

人工智慧也給谷歌帶來了不少麻煩。

2015 年，谷歌的照片分類產品將一些黑人的圖片打上了大猩猩的標籤，從此，這項服務就禁止了對黑色大猩猩的搜索。

在 Dean 接任谷歌人工智慧負責人的同一周，超過 3000 名員工聽聞公司正在參與美國國防部「Project Maven」AI 軍事計劃，簽署了一封致 CEO Sundar Pichai 的信函發起抗議。「Project Maven」主要應用深度學習計算機視覺技術，旨在幫助國防部門從圖像和視頻中提取值得注意的對象。該項目是在 2017 年 4 月由時任副國防部長 Bob Work 在一份備忘錄中首次披露的。

這些事情，現在都需要 Jeff Dean 來操心了。過去，他只是一個高級研究員；如今，套用那句老話，「權利越大責任也越大」。

「（前任）John 已經把我們放在了一個非常好的位置。現在，我需要站出來，補上這個空位。」

機器之能開年對話

8位AI行業局內人講述對過去、對未來的看法

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！