緊跟著 5 月份谷歌開(kāi)發(fā)者大會(huì)（Google I/O）上 Jeff Dean「To Be Helpful」的主題分享，這位 Google AI 的總負(fù)責(zé)人，又在 7 月份來(lái)到東京，面對(duì)整個(gè)亞太的確的媒體與開(kāi)發(fā)者，以「Solve with AI」為主題進(jìn)行了一次「成果匯報(bào)」。
 

（Jeff Dean 與 Google AI 團(tuán)隊(duì)部分成員 | Google）

　　兩次分享中間隔的 6 月，恰好距 Google 公布自己的「人工智能原則」（AI at Google: our principles）一年。在 2018 年的初夏，Google 發(fā)布了這一系列原則，其中的條目直指近年來(lái)人們對(duì)于人工智能技術(shù)應(yīng)用倫理的擔(dān)憂(yōu)，其中包括了：

　　· 對(duì)社會(huì)有益（Be socially beneficial）

　　· 避免建立或加劇不公與偏見(jiàn)（Avoid creating or reinforcing unfair bias）

　　· 保障建立與測(cè)試中安全性（Be built and tested for safety）

　　· 對(duì)人類(lèi)負(fù)責(zé)（Be accountable to people）

　　· 建立并體現(xiàn)隱私保護(hù)原則（Incorporate privacy design principles）

　　· 支持并鼓勵(lì)高標(biāo)準(zhǔn)的技術(shù)品格（Uphold high standards of scientific excellence）

　　· 提供并保障上述原則的可操作性（Be made available for uses that accord with these principles）

　　一年之后，那些集中體現(xiàn)了上述原則的典型應(yīng)用案例被 Google 歸納在了名為 AI for Social Good 的項(xiàng)目之下，其背后的邏輯是一家技術(shù)公司如何將公司使命、技術(shù)價(jià)值觀(guān)，和技術(shù)先進(jìn)性合而為一。

　　學(xué)習(xí)模式

　　很早公布過(guò)的聯(lián)盟學(xué)習(xí) (Federated Learning) 模式，在這次的分享中被 Jeff Dean 再次強(qiáng)調(diào)。其講述重點(diǎn)也從效率傾斜到了數(shù)據(jù)安全性。

　　這種區(qū)別于傳統(tǒng)數(shù)據(jù)集中學(xué)習(xí)模式的新方法，由 Google 在 2016 年提出，并與今年開(kāi)源了 TensorFlow Federated，優(yōu)勢(shì)在于多終端和計(jì)算節(jié)點(diǎn)互通下的高效學(xué)習(xí)效率，以及龐大數(shù)據(jù)傳輸中的終端數(shù)據(jù)安全保障。在聯(lián)盟學(xué)習(xí)模式下，不需要從設(shè)備上收集原始數(shù)據(jù)，用戶(hù)可以通過(guò)手機(jī)終端下載現(xiàn)成的模型，在本地完成訓(xùn)練，迭代完畢后加密上傳更新，然后不斷循環(huán)，最大限度地兼顧了效率與安全。

　　醫(yī)療與健康

（糖尿病成為一個(gè)全球性的健康重癥 | Google）

　　在醫(yī)療健康領(lǐng)域，Google AI 典型的應(yīng)用案例代表，包括了肺癌篩查、乳腺癌檢測(cè)，以及糖尿病檢測(cè)。

　　肺癌在所有癌癥中的致死率一直高居榜首，全球范圍內(nèi)甚至可達(dá)到 3%。相比傳統(tǒng)醫(yī)療手段中 80% 的肺癌病例未能在在早期被檢測(cè)到，最迫切的需求集中在早起篩查領(lǐng)域。目前，人工智能解決方案的臨床應(yīng)用，將初期檢測(cè)到的病例增加了 5%，而假陽(yáng)性誤診病例卻降低了 11%。

　　乳腺癌的傳統(tǒng)篩查方法是在一張 10 億像素的幻燈片中，大海撈針?biāo)频膶ふ野┘?xì)胞在淋巴組織中的擴(kuò)散痕跡。人工智能模型在這一領(lǐng)域的應(yīng)用，可以達(dá)到 22% 的檢測(cè)發(fā)現(xiàn)率，但是同肺癌篩查狀況不同，這其中也增加了假陽(yáng)性的誤診比例。因此目前被鼓勵(lì)的方向，是人工智能同醫(yī)生人工檢測(cè)的相互結(jié)合與互助互證。

　　目前，全球超過(guò) 4.15 億的糖尿病病例幾乎都伴隨著視網(wǎng)膜病變，并可能直接導(dǎo)致失明，醫(yī)療水平欠發(fā)達(dá)地區(qū)甚至缺乏人力進(jìn)行初期檢測(cè)。Google 通過(guò)與外部公司的合作建立了針對(duì)糖尿病視網(wǎng)膜病變的視覺(jué)識(shí)別系統(tǒng)，并且已經(jīng)在今年達(dá)到了同眼科專(zhuān)家相持平的檢測(cè)水平。在印度和態(tài)度，這套系統(tǒng)已經(jīng)進(jìn)入臨床試用階段。

　　環(huán)境保護(hù)

（座頭鯨叫聲與船舶噪音的分辨 | Google）

　　通過(guò)聲音識(shí)別和視覺(jué)識(shí)別，Google AI 已經(jīng)在海洋瀕危物種保護(hù)、雨林非法砍伐監(jiān)控，以及垃圾回收識(shí)別和農(nóng)業(yè)害蟲(chóng)鑒別方面進(jìn)入了實(shí)際應(yīng)用階段。

　　美國(guó)國(guó)家海洋和大氣管理局 (NOAA) 通過(guò)水下音頻收集，已經(jīng)積累了 19 年的龐大數(shù)據(jù)庫(kù)。通過(guò)與 Google 的合作，NOAA 已經(jīng)可以在繁雜多變的水下聲音世界中，識(shí)別出瀕危物種座頭鯨的叫聲，并通過(guò)自動(dòng)識(shí)別鯨魚(yú)叫聲的神經(jīng)網(wǎng)絡(luò)繪制成了座頭鯨海洋活動(dòng)軌跡的動(dòng)態(tài)地圖，使得對(duì)于特定海洋物種的追蹤和定向保護(hù)成為可能。

　　在陸地上，Rainforest Connection 公司在南美和東南亞的雨林利用安卓系統(tǒng)手機(jī)在樹(shù)木頂端搭建起雨林聲音采集和監(jiān)控系統(tǒng)，并基由 TensorFlow 實(shí)現(xiàn)了對(duì)于電鋸聲和伐木工程車(chē)轟鳴聲的實(shí)時(shí)識(shí)別，目前藉由這個(gè)方案得到保護(hù)的雨林面積已經(jīng)超過(guò)了 2000 平方公里。

　　類(lèi)似于中國(guó)上海北京等城市最新出現(xiàn)的垃圾分類(lèi)和回收難題，印尼作為世界上第二大塑料垃圾污染國(guó)，已經(jīng)開(kāi)始使用一種基于 Google AI 所實(shí)現(xiàn)的手機(jī)拍照識(shí)別塑料垃圾種類(lèi)的應(yīng)用，照片經(jīng)過(guò)識(shí)別后，除了種類(lèi)，還能顯示出不同塑料垃圾品類(lèi)的回收和再利用價(jià)值。
 

（利用舊安卓手機(jī)制作的雨林聲音采集裝置 | Google）

　　對(duì)殘障群體的幫助

　　聽(tīng)力或語(yǔ)言障礙，占據(jù)了目前全球殘障人士總數(shù)的相當(dāng)比例。在針對(duì)聽(tīng)障人士的人工智能應(yīng)用中，語(yǔ)音識(shí)別技術(shù)目前不但可以將人際對(duì)話(huà)轉(zhuǎn)錄為視覺(jué)文字實(shí)時(shí)呈現(xiàn)，是的聽(tīng)障人士可以參與日常交流，還可以將生活中的聲音，比如體育比賽中的歡呼、公路上汽車(chē)的鳴笛、焰火騰空后的爆破等，一并實(shí)時(shí)轉(zhuǎn)錄為文字，以盡可能的為這一殘障群體提供無(wú)差別的現(xiàn)實(shí)世界感知和交互。目前 Google AI 在這一應(yīng)用上可支持的語(yǔ)言已經(jīng)超過(guò) 70 種。

　　而反向的，對(duì)于因中風(fēng)、漸凍癥，或帕金森等神經(jīng)系統(tǒng)疾病造成的語(yǔ)言障礙人群，Google AI 建立起了能夠識(shí)別他們模糊發(fā)音，以及手勢(shì)，甚至眨眼等方式聲音和視覺(jué)模型，幫助他們實(shí)現(xiàn)實(shí)時(shí)文字轉(zhuǎn)錄，甚至語(yǔ)言發(fā)聲。這是一種比當(dāng)年史蒂芬 · 霍金博士使用的交互系統(tǒng)更加高效和便捷的解決方案，最終能夠?qū)崿F(xiàn)每一位語(yǔ)言障礙人員的輕松使用。

　　從上述已經(jīng)進(jìn)入實(shí)用階段的 AI 應(yīng)用案例之中凝練抽離出來(lái)的，是對(duì)于目前全球科技商業(yè)領(lǐng)域?qū)τ诩夹g(shù)先進(jìn)性搖擺迷惑的最佳解答：真正的技術(shù)先進(jìn)性，終究只能通過(guò)技術(shù)價(jià)值觀(guān)作為表達(dá)，那些技術(shù)路徑和商業(yè)化之中的困頓，大多來(lái)自于將兩者的剝離甚至對(duì)立。

　　就像 Jeff Dean 說(shuō)到的：在這個(gè)時(shí)代，機(jī)器已經(jīng)能夠做到看、聽(tīng)、說(shuō)和理解。然而如何看？聽(tīng)什么？為誰(shuí)說(shuō)？理解誰(shuí)？才是需要不斷回答的終極問(wèn)題。          　　臥蟲(chóng)