一年一度的 Google I/O 開發者大會在美國加州山景城召開。作為最負盛名的開發者大會之一，今年的大會依舊非常“火爆”。此次大會中，谷歌公司帶來了多項新技術讓人目不暇接，而在大會進行中的時候，展會上的一家餐廳突然失火，Google I/O 開發者大會真的的太火了，連餐廳都被火了。

　　為了安全起見，谷歌暫停了此次大會，并停止參會人員進場，同時疏散了媒體休息室的記者們。

　　谷歌i/o大會的確是很火，那么最火的莫過于人工智能。

　　谷歌開發者大會上發布了一系列基于人工智能技術的新產品和服務，體現了谷歌從“移動優先”轉向“人工智能優先”的整體發展戰略。

　　Google 人工智能的應用領域延展到了智能工作匹配（Google for jobs），癌癥診斷（Healthcare）等。人工智能可分為基礎層、平臺層和應用層。基礎層包括AI 芯片等基礎硬件，當前，海外科技巨頭的基礎層業務正持續爆發，英偉達2017 年Q1 收入增長48%，利潤增長159%，谷歌也發布了第二代TPU。基礎層的成熟與爆發為上層應用打下基礎，隨著平臺層算法的成熟，未來AI 產業的盈利將由基礎層傳導到應用層。

　　谷歌明確公司的整體戰略從之前的“Mobile first“向“AIfirst”轉變。公司從“底層硬件+操作系統+核心算法+上層應用”全產業鏈布局人工智能。Google 發布的TPU 二代產品Cloud TPU，是為AI 運算專門推出的高性能處理器，在第一代基礎上優化了訓練和推理；TensorFlow 是Google 推出的深度學習開源工具，Google 此次推出為移動端優化的TensorFlowLite，讓更多的開發者在安卓手機上運行深度學習模型。芯片性能提升以及開發工具的優化將為人工智能生態的建立打下良好的基礎。

　　谷歌首席執行官孫達爾·皮柴在大會演講中說，計算正再次發生演變，從“移動優先”轉向“人工智能優先”。谷歌正在重新考慮其所有產品，以便把人工智能和機器學習技術盡可能多地應用到谷歌業務中，以解決實際問題。谷歌也在建造人工智能優先的數據中心。

　　皮柴說，谷歌已將所有人工智能項目納入新建立的平臺Google．ai中，加快公司研發人員在人工智能領域的進展。另外，Google．ai還將促進谷歌研究人員與外部科學家和開發人員的協作，共同致力于解決各種問題。

　　在人工智能相關產品和應用方面，谷歌宣布將推出基于機器視覺的“谷歌鏡頭”功能，可通過手機攝像頭識別和分析用戶周圍的場景，并把相關信息展示在手機屏幕上，幫助用戶基于這些信息做出決定。比如把攝像頭對著一家餐館的招牌，手機屏幕上就會顯示該餐館的評分、菜單和訂餐選項等。

　　谷歌還將把“谷歌鏡頭”與谷歌語音助手整合，使語音助手增加了一雙眼睛，即借助手機攝像頭“看到”用戶所處環境，并做出相應操作。比如，如果用戶把攝像頭對著音樂會舉辦場所的入口處，手機屏幕就會顯示音樂會信息，這時用戶可以通過語音助手購票。

　　此外，谷歌還宣布把語音助手功能從它的安卓操作系統擴展到蘋果公司的iOS操作系統。這意味著谷歌語音助手將作為一個單獨的應用程序，出現在蘋果手機和平板電腦上。

　　為什么“自動化AI系統”讓谷歌CEO如此興奮

　　業界媒體《MIT科技評論》網站發表文章，介紹了谷歌AutoML項目的重要性。這種“自動化AI系統”可以幫助開發AI軟件，解決AI軟件設計中的一個棘手問題，加快計算機智能化的進程。以下為原文內容：

　　很多行業的公司都急切地想利用最新的人工智能技術，所以目前機器學習專家非常短缺。 谷歌的首席執行官桑達爾·皮查伊（Sundar Pichai）說，要解決人才短缺的問題，一個辦法就是讓機器學習軟件來幫助開發機器學習軟件。
?

　　桑達爾·皮查伊在谷歌年度開發人員大會上

　　在今年的谷歌年度開發者大會上，皮查伊向大家介紹了一個名為AutoML的項目，它是該公司的人工智能研究團隊谷歌大腦（Google Brain）推出的。為特定的任務設計機器學習軟件有一些很棘手的部分，而該團隊表示，他們的學習算法可以把其中最棘手的部分之一進行自動化。在某些情況下，這個自動化系統提供的設計足以媲美人類專家的最佳作品。

　　“這是一個非常令人興奮的進步，” 皮查伊在一封電郵中表示 ，“它可以加速整個領域的發展，幫助我們解決當今面臨的一些最具挑戰性的問題。”

　　皮查伊希望AutoML項目可以擴大機器學習開發人員的數量，因為有了AutoML，開發人員不需要掌握那么多的專業知識，也能夠利用機器學習的威力了。谷歌本來就打算把公司的云計算服務定位為建立和托管機器學習的最佳場所，所以推出AutoML很符合這個方針。該公司正在努力吸引企業云計算市場的新客戶，目前它在這個領域中落后于亞馬遜和微軟。

　　AutoML旨在讓大家可以比較輕松地使用一種名為“深度學習”的技術，谷歌和其他公司使用“深度學習”來強化語音和圖像識別、翻譯和機器人技術。

　　“深度學習”通過將數據傳播到人工神經網絡中，來教導軟件變得聰明。人工神經網絡由一些數學層組成，為其選擇正確的架構非常關鍵。但要做到這一點并不容易。 谷歌AutoML項目的機器學習研究員Quoc Le說：“我們是通過直覺來選擇構架的。”

　　上個月，Quoc Le和同事Barret Zoph向大家介紹了一個實驗的結果。在這個實驗中，他們讓機器學習系統找出一個最佳架構，來讓軟件學習如何解決語言和圖像識別任務。

　　在涉及圖像的任務上，這個系統可以媲美人類專家設計的最佳架構。而在涉及語言任務上，這個系統比人類專家還勝出一籌。

　　也許更重要的是，它提出了一種研究人員以前沒有考慮過的，但卻很適合這些任務的架構。 “在某種意義上，它發現了我們不知道的東西，” Quoc Le說。 “這太驚人了。”

　　學會“更好地學習”的軟件， 這個概念并不新鮮。但是就像人工智能領域的很多概念一樣，深度學習的力量為新的進步開啟了大門。谷歌另一個AI研究部門DeepMind以及馬斯克（Elon Musk）創辦的非營利組織OpenAI都在探索相關的概念

　　他們的努力是否正在讓他們走向失業呢？聽到這個問題，Quoc Le和Zoph都笑了起來。就目前來說，這項技術太昂貴了，無法廣泛使用——兩人的那個實驗使用了800個強大的圖形處理器，運轉了幾個星期，搞得電費飆升。這種研究屬于投石問路的性質，沒有幾家公司能夠負擔得起。

　　但谷歌有這個資源，現在該公司擴大了的AutoML項目團隊規模，其任務包括減少項目的資源密集程度。Quoc Le認為這可能會有助于提高視頻或語音識別的準確度，甚至可能會在一個更加棘手的問題上取得進步：讓軟件在沒有人類明確指導的情況下進行學習。