1月15日，谷歌高級研究員、谷歌AI負責人Jeff Dean發表了博文，回顧總結了2018年谷歌的技術研究進展。

Jeff Dean從谷歌的人工智能、量子計算、感知技術、算法理論、AutoML、機器人以及TPU等多個技術層面，系統地還原了谷歌AI的2018。

眾所周知，在去年一整年，谷歌遭遇了諸多危機，尤其是不作惡的原則受到內外的質疑。Jeff Dean博客中首要提到的便是谷歌的道德原則和AI。

道德原則和人工智能

今年，我們發布了Google AI原則，但是，由于AI的發展非常迅速，AI原則中諸如“避免制造或加強不公平的偏見”、“對人民負責”等也在不斷變化和改進。

其中，機器學習公平性和模型可解釋性等領域的新研究，正反向推動我們的產品進步，使其更具包容性。例如我們在谷歌翻譯中減少“性別偏見”，并允許探索和發布更具包容性的圖像數據集和模型，使計算機視覺能夠適應全球文化的多樣性。

社會公益

Jeff Dean舉例了AI應用于解決現實公共問題的案例：

洪水預測工作。該研究與Google的許多團隊合作，旨在提供有關洪水發生可能和范圍的準確細粒度信息，使洪水易發地區的人們能夠更好地保護自己及其財產。

地震余震預測的工作。谷歌展示了機器學習（ML）模型可以比傳統的基于物理的模型更準確地預測余震位置。

除此之外，還有許多Google研究人員和工程師合作，使用TensorFlow等開源軟件解決各種科學和社會問題，例如使用卷積神經網絡來識別座頭鯨的位置，檢測新的系外行星，識別患病的木薯植物等。

AI輔助技術

為了使ML和計算機科學幫助用戶更快更有效地完成任務，谷歌推出了智能語音技術Google Duplex。

這是一個囊括自然語言研究和對話理解以及文本、語言識別的技術。其核心是一個循環神經網絡，使用的是TensorFlow Extend（TFX）的機器學習平臺構建。

當Google Duplex撥打電話時，它的聲音近乎真實的普通人。你可以聽到Google Duplex幫你打電話預約理發。

其他應用案例還包括Smart Compose，它可以使用預測模型提供有關如何撰寫電子郵件的相關建議，使電子郵件撰寫過程更快更容易的工具。

我們研究的一個重點是讓Google智能助理這樣的產品支持更多語言，并且可以更好地理解語義相似性。

量子計算

在過去的一年里，我們制作了許多令人興奮的量子計算新成果，包括開發了一種新的72比特通用量子計算設備Bristlecone，該設備可以擴大量子計算機在量子領域可以解決的問題。

我們還發布了量子計算機的開源編程框架Cirq，并探討了量子計算機如何用于神經網絡。最后，我們分享了量子處理器性能波動的經驗和技術以及量子計算機如何作為神經網絡計算基板的一些想法。

自然語言理解

2018年，Google的自然語言研究在基礎研究和以產品為中心的合作上都取得了非常棒的成果。我們在之前的機器學習模型基礎上開發了一個新的并行版本的模型 Universal Transformer，它在包括翻譯和語言推理在內的許多自然語言任務中都顯示出強大的技術能力。

我們還開發了BERT，這是第一個深度雙向，無監督的自然語言處理模型，僅使用純文本語料庫進行預訓練，就能使用遷移學習對各種自然語言任務進行微調。

感知

我們的感知研究解決了允許計算機理解圖像，聲音以及為圖像獲取、壓縮、處理，創造性表達和增強現實提供更強大工具的難題。

Google AI使命的一個關鍵是讓其他人能夠從我們的技術中受益，今年我們在改進作為Google API一部分的功能和構建塊方面取得了很大進展。比如通過ML Kit 在Cloud ML API和面部相關設備構建塊中實現視覺和視頻的改進和新功能。

MobileNetV2是谷歌的下一代移動計算機視覺模型，我們的MobileNets廣泛應用于學術界和工業界。MorphNet提出了一種有效的方法來學習深層網絡的結構，從而在計算資源有限的同時，改進圖像和音頻模型上的性能。

計算攝影

手機拍照性能的提升不僅僅在于物理傳感器的改進，更大部分要歸咎于計算攝影技術的發展。

我們的計算攝影技術正在與Google的Android和消費者硬件團隊密切合作，將這項研究交付給最新的Pixel和Android手機及其他設備。2014年，我們推出了HDR ＋，可以在軟件中對齊幀，并將它們與計算軟件結合，使圖片具有比單次曝光更高的動態范圍。這是2018年我們能夠在Pixel 2中開發Motion Photos，以及Motion Stills中開發增強現實模式的基礎。

今年，我們在計算攝影研究方面的主要工作之一就是創造一種名為Night Sight的新功能，即便在沒有閃光燈的情況下，也能讓Pixel用戶在非�；璋档膱鼍爸信某銮逦�的照片。

算法和理論

在過去的一年中，我們的研究涵蓋從理論基礎到應用算法，從圖形挖掘到隱私保護計算等廣泛領域。我們在優化方面的工作涉及從研究機器學習的持續優化到分布式組合優化的領域。在前一領域，我們研究用于訓練神經網絡的隨機優化算法的收斂性（其贏得了ICLR 2018最佳論文獎），展示了流行的基于梯度的優化方法（例如ADAM的一些變體）的問題，為新的基于梯度的優化方法提供了堅實的基礎。