在 Google I/O 2019 上，除了面向消費者的功能改進和開發者的工具革新，Google 將大會的一個重點也放在了如何用 AI 解決人類面臨的棘手難題上。

美國工程界的最高學術團體美國國家工程院 (National Academy of Engineering) 于2008年發布了21世紀人類面臨的十四大工程挑戰[1]。而 Google 的科研領袖Jeff Dean 告訴硅星人，他所領導的 Google AI 正在著手解決這些挑戰。

如果這些挑戰背后的難題不得到一定程度的緩解，很可能意味著人類將無法健康地延續到22世紀。這些難題在世界各地有所體現，也面向各行各業，但是 Google AI 都在用自己擅長的手段去嘗試攻克它們（或者貢獻一份力量）。

NAE 一共列出14條工程挑戰，標紅的是 Google AI 正在參與解決的 圖/Jeff Dean

毫無疑問，Google AI 擅長的，正是深度學習。

為什么深度學習可以用于解決能源、交通、診斷、醫藥、安全等等諸多方面的問題，成為泛用的科學探索工具？

Jeff Dean 認為，這是因為深度學習可以從原始、異構、攜帶噪音的數據開始學習，即便開發者不具備特別領域知識，也可以開發出達到甚至超過領域內最高水平的神經網絡。

而且，機器學習技術日新月異，現在每天發到 ArXiv 上的論文就有90篇；深度學習的技巧也層出不窮，使得神經網絡能夠掌握越來越多過去公認只有人類才能掌握的復雜能力。

現在，人類不得不應對重大的工程挑戰，并尋求在本世紀內解決他們。Jeff Dean 認為，深度學習可以成為很好的工具。

1維護和改進城市基礎設施

Restore & Improve Urban Infrastructure

交通是城市基礎設施的重要部分，也是隨著人口增長和城市化加劇面臨壓力最大的領域之一。社會在變化，而道路通常是一成不變的。因此，交通在21世紀工程難題里尤為顯著。

Google 采取的切入角度是提高道路交通安全和效率，而除了開車放下手機之外，最有效的方法可能就是自動駕駛。

Waymo 自動駕駛汽車從研發到今天已經將近10年，截至去年已經累計行駛800萬英里，并且在全球所有自動駕駛試驗者當中取得了最低的事故率。

Jeff Dean 指出，深度學習是 Google/Waymo 取得這一成就的功臣，讓自動駕駛系統可以整合并學習來自不同傳感器的原始數據，繪制高精度地圖，“看懂”周圍的車輛、行人和障礙物都在哪里，甚至可以預測其他道路參與者的行進方向，輔助自動駕駛汽車做出決策。

他介紹，現在 Waymo 在亞利桑那州已經有超過100輛測試自動駕駛汽車，可以在沒有安全駕駛員的條件下載客前往目的地。許多業內人士都認為，理論上如動駕駛汽車占一個地區總車輛的比例越高，地區的事故率越小、交通效率將越高。

除了自動駕駛之外，機器學習也可以通過其它方式提高交通效率。比如在摩托車流行的東南亞國家和地區，Google 在地圖導航加入了“兩輪模式”，讓系統能夠匯總多元的數據來源，為摩托車駕駛者推薦捷徑、小道，從而避免高峰擁堵。

2用深度學習帶來醫療信息革命

Advance Health Informatics

作為糖尿病的并發癥之一，糖尿病視網膜病變 (Diabetic Retinopathy, DR) 侵蝕著患者，一般患病10年才開始出現病變，導致失明。這一病癥實際上可預防，有經驗的眼科醫師往往能通過視網膜眼底掃描觀察到先兆。然而，以印度為例，全國存在大約 12 萬名眼科醫師的缺口，DR 患者往往無醫可投，導致大量人口失去視力。

Google AI（原 Google Research）的研究員莉莉·彭博士帶領團隊，基于卷積神經網絡搭建，利用眼科專家標記好的掃描圖作為訓練數據，最終得到了一個 DR 預估模型。

此前，硅星人/PingWest品玩曾采訪報道過這項技術[2]。當時，該模型在發現癥狀的敏感度 (98.8) 和判斷癥狀的準確性 (99.3) 上，都比人的得分要高（在統計學上這個得分叫做 F-score，普通眼科醫生的分數是 0.91，模型 0.95）。

好消息是，Jeff Dean 告訴我們，經過兩年的發展，現在新模型更進一步，得分和專門的視網膜眼底醫師持平。

這還沒完，該項技術的潛力遠不止診斷 DR。Jeff Dean 透露，莉莉·彭的團隊在這個模型上取得了更卓越的科學成就。正是因為深度學習的泛用型強，現在他們可以用同樣的眼底掃描圖像，來預測性別、年齡、血壓、骨齡以及其他病癥的發病幾率，并且準確度極高。

這在醫療信息學上是重大的突破，因為它能夠補充因為醫療條件限制未能獲取的關鍵信息。最短期和直接的效果就是為眼科醫生的診斷和治療推薦提供更多可參考的數據，長期來看還能提前預測和診斷更多病癥（比如心血管疾病）。盡管這并非專業的診斷，但仍足以提前 5 年甚至 10 年，拯救現在的普通人，未來的患者。

3打造科學突破的工具：通用 AI

Engineer the tools for Scientific Discovery

以青霉素和X光為例，曾幾何時知名的科學突破都存在一定的偶然性。即便如此，人們也一直沒有停止試圖發現讓科學突破持續發生的“永動機”。

Jeff Dean 指出，在更強大計算力的加持下，深度學習可以更方便地投入到更多領域當中。因此，深度學習有成為這樣工具的潛力。因為正如前述，深度學習的技巧層出不窮，讓神經網絡掌握越來越多過去公認只有人類才能掌握的復雜能力。

以 TensorFlow 為代表，這一由 Google 主導并開源的深度學習項目，現在正在被農業種植養殖、工業生產、互聯網、醫療金融等多個行業使用，在三大產業中持續促成效率進步。一個例子在歐洲的一座農場，農場主運用了 TensorFlow 搭建養殖監控技術，通過攝像頭、動作捕捉等傳感器時刻追蹤和分析牲畜的健康狀況和運動軌跡，顯著提高了出欄率。

至于科學突破，前述的視網膜眼底掃描也可以作為一個例子。

前年，Google 宣布了神經架構搜索 (NAS)/AutoML 技術，可以比喻為“用神經網絡設計和訓練神經網絡”，在包括圖像識別在內的一些領域超過了手調神經網絡的效果。

但是現在，Google AI 已經不滿足于已經取得的成就。Jeff Dean 說，他們正在思考一種全新的神經網絡形式：一個巨大的、稀疏激活的模型 (a large model, but sparsely activated)。

這種新的神經網絡，具備的參數之多，和現有神經網絡相比可能是幾何級的。但是，當它處理不同任務時，只需要激活少數路徑上的節點，并不需要全部激活。這樣設計的目的，是讓一個神經網絡能夠執行多種不同的任務——少則數百，多則上百萬種，以此顯著降低神經網絡設計、搭建和訓練的計算量和耗時，實現更強的通用性。

Jeff Dean 向硅星人表示，他所描繪的這個新神經網絡，確實和人們曾經熱議但認為短期內不會實現的“通用人工智能”(general AI) 些許相似。但是他強調，Google AI 的主張是即便在這個新的巨大且稀疏激活的網絡內，訓練仍然是自我監督的。

2017年，他和幾位同事（包括 Geoff Hinton、Quoc Le等 Google AI 頂級學者）以及外部研究伙伴共同提交了這一方向的首篇論文，名為《Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer》，呈現了一個超過1370億參數，擁有數千個子網絡的巨大神經網絡架構，在語言建模、機器翻譯等場景下，用更少的計算量實現了對當前最高水平神經網絡的超越。[3]

Jeff Dean 展示了 Google AI 對于這一技術的未來構想：除了優化網絡結構之外，Google 可能還將開發新的、面向該網絡結構優化的機器學習超級計算機（就像他們為 TensorFlow 設計了 TPU 那樣。）屆時，新的計算范式將為 Google AI 解決21世紀偉大工程挑戰帶來更多幫助。