2016年3月，“李世石對AlphaGo”人機大戰(zhàn)讓全世界都知道了人工智能的威力。這場大戰(zhàn)半年前，谷歌就已經(jīng)把它的人工智能底層能力開放給了全世界。

　　2015年11月9日，谷歌正式對外開源了機器學習框架TensorFlow，到2018年11月正好3年。TensorFlow這三年一直保持著更新，2019年即將布2.0版本。應用方面也沒落下，谷歌用TensorFlow優(yōu)化了旗下許多產(chǎn)品。

　　借助TensorFlow，谷歌讓產(chǎn)品更智能

　　在Gmail里寫郵件，系統(tǒng)會智能建議下一個單詞或完整的句子。在Google Photos里瀏覽時如果看到一張偏暗的照片，系統(tǒng)會自動提示你調(diào)整曝光，讓照片更亮一點。在谷歌翻譯里寫入一個句子，系統(tǒng)可以對整個句子進行翻譯而非逐字翻譯，大幅提高翻譯精確度和流暢度。跟谷歌的人工智能助理Google Assistant對話，再也不用一次次說出喚醒詞“Hey, Google”，一次喚醒就能持續(xù)多輪對話......

　　谷歌內(nèi)部超過80%的軟件項目都采用了基于TensorFlow的機器學習，最新案例是可以自己打電話的AI系統(tǒng)——Duplex。

　　谷歌在2018年的Google I/O大會上發(fā)布的Duplex，具備語言理解、交互、時間控制、語言生成方面的能力，可以幫你打電話給發(fā)廊、餐廳等消費場所，詢問信息或預定。在和店員交談中，它還能模仿人類的語調(diào)，在說話間停頓、拉長，甚至使用“嗯“、”呃“一類語氣助詞。

　　將TensorFlow用于自己產(chǎn)品智能化，這是再也常規(guī)不過的操作了。在一些有足夠標注數(shù)據(jù)的垂直行業(yè)，TensorFlow可以發(fā)揮出更大的潛能。

　　上能發(fā)現(xiàn)“第二個太陽系”，下能預測余震位置

　　2017年12月，谷歌和得克薩斯大學奧斯丁分校合作，用TensorFlow分析開普勒望遠鏡獲取的數(shù)據(jù)，成功發(fā)現(xiàn)了兩顆新的地外行星：開普勒-90i和開普勒-80g，其中開普勒-90i所在的星系開普勒90，更是太陽系之外首個已知的八行星星系。

　　眾所周知，天文是一個數(shù)據(jù)量非常龐大的領域。前不久退役的開普勒天文望遠鏡，一直在用凌星測光法收集數(shù)據(jù)。

　　凌星測光法的原理是，當行星從恒星前方經(jīng)過，會遮擋住一部分光線，開普勒望遠鏡就能探測到恒星光線減弱，體現(xiàn)在光變曲線中有一個“U”型下沉。

　　原理很簡單，但開普勒望遠鏡收集的數(shù)據(jù)實在太多，若逐一進行人工檢查，實在太耗時耗力。而且有的行星很小、很黯淡，對應的恒星卻非常明亮、巨大，觀察起來非常困難，就像在聚光燈下尋找一只螢火蟲一樣難。

　　谷歌的AI科學家想到，這個問題和Google Photos給照片分類十分類似，于是在TensorFlow的基礎上搭建了一個機器學習模型，對15000個已經(jīng)被標注過的地外行星數(shù)據(jù)進行神經(jīng)網(wǎng)絡訓練，判斷開普勒望遠鏡接收到的信號是否來自某顆地外行星。經(jīng)過訓練后，該模型的判斷準確率達到了96%。

　　成功運作后，這個模型被用在了實戰(zhàn)中，很快從670顆恒星周圍找到了兩顆地外行星，分別是開普勒90星系中的開普勒-90i和開普勒80星系中的-80g。

　　得益于開普勒-90i的發(fā)現(xiàn)，開普勒90星系成為太陽系之外首個已知的八行星星系。

　　天文學界的共識是，一個和太陽系近似的星系中，可能有和地球類似的行星，生命存在的可能性較高。遺憾的是，開普勒-90i離太陽太近了，一年只有14.4天，地表溫度約427攝氏度，幾乎不可能有碳基生命存在。

　　TensorFlow不僅可以處理天上的事情，還能解決地面的麻煩，比如地震。地震造成破壞不可避免，但如果可以及時營救，能最大程度減少損失。

　　每次主震之后，災難并沒有完全過去，還可能有余震維持數(shù)月，繼續(xù)摧殘著被主震動搖的建筑物。地震學家一直致力于通過數(shù)據(jù)預測余震發(fā)生的時間、規(guī)模和地點，以安排及時的營救。

　　但是，地震學領域的數(shù)據(jù)非常復雜，每次地震事件都有很多變量，如不同區(qū)域地表的構成元素、地震模塊之間的交互、地震波傳遞能量的方式，單純靠人工在數(shù)據(jù)中找到聯(lián)系、繼而預測余震成本很高?；谶^去的經(jīng)驗定律和模型，地震學家們已經(jīng)可以較好預測余震發(fā)生的時間和規(guī)模，但預測位置則相對困難。

　　為此，谷歌和哈佛大學的研究人員利用TensorFlow開發(fā)了一個深度學習模型，并且用包含超過13萬次主要地震的數(shù)據(jù)集去訓練。這個深度學習模型引入了一種以前常用于冶金術的馮·米賽斯屈服準則，以更好地找到復雜地震數(shù)據(jù)間的相關性，從而對余震位置進行預測。

　　這個模型目前還只能應用于靜態(tài)應力（更好預測），對于動態(tài)應力還有心無力。但正如哈佛研究團隊里的領隊Phoebe DeVries所說：“完全準確預測出余震位置還有很長的路要走，但我想機器學習在這方面有很大的潛力。”

　　行醫(yī)濟世，AI For Good

　　醫(yī)學一直是TensorFlow應用的重點領域，目前在檢測糖尿病視網(wǎng)膜病變、檢測轉(zhuǎn)移性乳腺癌、心血管疾病評估、癌癥檢測和分析病歷中小有成果。

　　以檢測糖尿病視網(wǎng)膜病變?yōu)槔?。全球范圍?nèi)有4.15億糖尿病患者面臨視網(wǎng)膜病變的風險，若是發(fā)現(xiàn)及時可被治愈的，但若是未能及時診斷，則可能導致不可逆轉(zhuǎn)的失明。

　　專科醫(yī)生檢測糖尿病視網(wǎng)膜病變最常用的方法之一，是用眼球后部的掃描片進行分析，觀察是否有病變的征兆（例如微動脈瘤、出血、硬性滲出等），并判斷其嚴重程度。但世界上許多糖尿病高發(fā)的地區(qū)，并沒有足夠的專業(yè)醫(yī)療人士去檢測該疾病。這個問題在南亞地區(qū)尤為嚴重。

　　為此，谷歌于2016年和美國、印度醫(yī)生合作，創(chuàng)建了一個包含12.8萬張眼底掃描圖片的數(shù)據(jù)集，用于訓練一個檢基于TensorFlow的深度神經(jīng)網(wǎng)絡。谷歌把神經(jīng)網(wǎng)絡的診斷結果，和7個專業(yè)醫(yī)生的診斷結果對比，結果表明前者的結果與眼科醫(yī)生小組的診斷相當。

　　2016年這個研究公布后，深受醫(yī)學界好評。哈佛醫(yī)學院的安德魯·比姆和艾薩克·柯漢表示，“這一研究展示了醫(yī)學新世界的樣子。”

　　目前，谷歌在醫(yī)學領域最新的消息是，新成立Google Health部門，并把一手締造了AlphaGo的DeepMind的健康業(yè)務納入其中。

　　實用之余，還會畫畫

　　別看TensorFlow“一本正經(jīng)”，又是發(fā)現(xiàn)行星、預測余震，又是診斷糖尿病視網(wǎng)膜病變的，其實搞起藝術來也有兩把刷子。像AutoDraw，能幫助你將自己的一些涂鴉轉(zhuǎn)變成規(guī)整的畫作。

　　操作步驟也很簡單，點擊左側第二個按鈕，啟動機器學習識別模式，再隨便涂上幾筆。AutoDraw會即時識別這是什么，并給出一些圖形供你選擇，點擊一下即可替換。

　　AutoDraw之所以能猜出你畫的是什么，得益于一個名為“Quick, Draw!”的項目。這個項目采用眾包的模式來搜集成千上萬的涂鴉，組成數(shù)據(jù)集后用于訓練模型。模型能理解人們在繪制涂鴉時是在何時起筆、走筆方向、何時停筆，以及畫的是什么？

　　這個項目后來在中國也落地了，被做成一個叫“猜畫小歌”的小程序。7月份剛出來的時候，這個小程序火過一段時間。

　?。}圖來自Wired）