按：在剛剛過去的 2018 Google I/O 開發者大會上，CEO Sundar Pichai 向大家演示了 Google Assistant 的新技能，這個 AI 助手可以幫主人給餐廳打電話定座位，發音酷似真人，可以像人一樣閒聊，還會追問。自從三年前 Google 提出 AI first 的口號以來，其在 AI 領域的佈局狂飆突進，收購了三十多家 AI 創業公司，同時，不僅在學術層面上對人工智能進行研究，也將研究成果投入實際應用。
據維基百科介紹，機器學習平臺 TensorFlow 最初由 Google Brain 團隊開發，用於 Google 的研究和生產，2015年11月9日，Google 宣佈開源 TensorFlow，所有人都可以通過計算機和網絡使用該平臺。 Google 旗下的 50 多個產品，如語音識別、Gmail、Google 相冊和搜索，都運用了 TensorFlow 深度學習系統。
我們對基於 TensorFlow 開發的各種應用實例進行了盤點，以饗讀者：
Google 神經網絡機器翻譯
2016年9月 Google 發佈了翻譯技術的突破性研究：神經網絡機器翻譯系統（GNMT：Google Neural Machine Translation）。同年11月，這項技術正式被應用到 Google 翻譯中，並支持包括英語和法語、德語、西班牙語、葡萄牙語、中文、日語、韓語、土耳其語八組語言的互譯。不同語言間翻譯的誤差問題一直是機器翻譯需要攻克的難點。TensorFlow 和 Tensor Processing Units （TPUs）爲 Google 神經網絡機器翻譯模型特別打造硬件加速器，通過不再將句子中的詞和短語獨立翻譯，而是對完整句子整體處理，將翻譯誤差降低了 55% ~ 85%。
GNMT 翻譯原理
該系統藉助最先進的機器學習技術，通過對整個句子進行整體翻譯而非逐字翻譯，大幅提高了 Google 翻譯的精確度與流暢度。同時，Google 在其中還建立了端對端學習系統，這讓整個翻譯系統可以自行在翻譯中進行學習和訓練，並使翻譯水平獲得進一步提升。
GNMT 大幅提高機器翻譯水平
視頻內容識別 API
Google Cloud 視頻智能 API 使用強大的深度學習模型，基於 TensorFlow 等架構進行開發。這款 API 是首款能夠讓開發者輕鬆搜索和發現視頻內容的 API，開發者可通過在視頻內容中提供有關實體（例如狗、花、人等名詞，以及跑、游泳、飛行等動詞）信息完成搜索。當這些實體出現時，這款 API 甚至可以提供語境理解。例如，搜索「老虎」將會找出存儲在 Google Cloud 視頻集中所有包含老虎的精準鏡頭。
除了這款視頻智能 API，Google Cloud 機器學習已增加了一整套越來越多的 API：視覺（Vision）、視頻智能（Video Intelligence）、口語（Speech）、自然語言（Natural Language）、翻譯（Translation）和求職（Jobs）。這些 API 可讓客戶搭建能夠看、聽、理解非結構化數據的下一代應用程序，極大地擴大了機器學習在下一代產品推薦、醫療圖像分析、欺詐監控等衆多領域的使用範圍。
減少數據中心能源消耗
Google 的數據中心的運行和降溫需要消耗大量能源。爲減少讓設備降溫所消耗的能源，Deepmind 通過監測收集數據中心溫度、功率、轉速等數據，並用此數據訓練深層神經網絡。此外，Deepmind 還訓練了兩個額外的深層神經網絡，以預測未來數小時數據中心的溫度和壓力。機器學習系統使用於冷卻的能源減少了 40%，相當於 15% 總能源消耗。
黃瓜智能分揀儲存系統
日本的一位菜農使用 TensorFlow 爲他收穫的大量黃瓜建立了一個自動分揀儲存系統。自動拍攝圖片後，首先圖片會被上傳到一個小型的 TensorFlow 神經網絡系統上被分析，以識別圖片內容是否是一根黃瓜。隨後圖片會被上傳到一個更大的神經網絡系統來進行更進一步的分析，從而將黃瓜按顏色、大小的不同，自動分揀成多達九個不同的品質級別，大大提高了分揀效率和準確度。
農業：TensorFlow 助力奶牛養殖
奶牛的健康對於產奶量有着非常大的影響。如果科技能讓奶牛更加健康，就可以提高牛奶的產量，並幫助奶農進一步發展自己的產業。Connecterra 公司利用 TensorFlow 來理解並詮釋奶牛的各種行爲，爲奶農提供畜羣的健康狀況等信息。奶農只需通過一個叫 Ida 的 手機 App，便可輕鬆查看奶牛一天的生活軌跡和健康信息。
農業：識別生病植物
高中生 Shaza Mehdi 和 Nile Ravenell 開發了一個名爲 PlantMD 的 APP，該應用程序是在 TensorFlow 上運行機器學習的模型，同時從 plantvillage.com 以及一些大學的數據庫中收集數據，用於訓練該模型去識別生病的植物。Shaza 還開發了一個 APP，使用類似的方法可以診斷皮膚病。
生態保護：熱帶雨林監控設備
Topher White（Rainforest Connection 的創始人）發明了 「The Guardian」 設備來阻止亞馬遜地區非法砍伐森林的行爲。該設備由舊手機升級改造而成，同時藉助 TensorFlow 運行。它被安裝在樹上，遍佈整個森林，通過識別電鋸和伐木工程車的聲音，向管轄該地區的管理員發出警報。而如果沒有這些裝置，就必須依靠人力來監督管理這一片區域，很難覆蓋大面積地區。
Topher 在亞馬遜地區的高聳樹木羣中安裝監控設備
生態保護：澳洲瀕危海牛追蹤
像很多大型海洋哺乳動物一樣，海牛面臨着瀕危的境地。爲更好地保護它們以及它們的棲息地，野生動物保護者需要對它們的數量與位置進行追蹤研究。研究員利用 TensorFlow 的最新圖像識別技術，讓電腦「學會」了識別巨型航拍圖中的海牛。機器識別的速度遠遠超過了人工，精度也是肉眼的 1.4 倍。
提示：中間靠下位置的銀灰色小點就是一隻海牛
生態保護：聞聲識鳥，保護鳥類
維多利亞大學博士生 Victor Anton 致力於追蹤新西蘭瀕臨滅絕的鳥類，以改善對它們的保護工作。他收集了 5 萬個小時的音頻並將其轉換成譜圖，通過 TensorFlow 更加快速高效地分析這些音頻，識別譜圖中的鳥鳴聲。他希望此研究能夠爲新西蘭未來的動物保護工作提供有價值的信息。
Victor Anton 在 Google I/O 大會上展示這款應用
醫療：糖尿病視網膜病變診斷
糖尿病視網膜病變是目前越來越被人們重視的致盲病因，目前全球範圍內有 4.15 億糖尿病患者面臨視網膜病變的風險。若發現及時，該病可被治癒，但若未能及時診斷，則可能導致不可逆轉的失明。
通過與印度和美國的醫生密切合作，Google 創建了一個包含 12.8 萬張眼底掃描圖片的數據集，用於訓練一個檢測糖尿病性視網膜病變的深度神經網絡。經訓練後的模型可自動篩選疑似病變的眼底掃描圖，其準確度甚至超過了專業醫師的平均水平。高精度的糖尿病性視網膜病變自動化篩選法具有很大潛力，可以幫助醫生提高診斷效率，使患者儘早得到治療。同時，Google 仍在加強與視網膜研究領域的專科醫生合作，以便確立更具參考價值的量化衡量標準，並且仍在探索如何將此研究成果與 DeepMind 的 OCT 研究進行結合，以便進一步協助醫生們對糖尿病視網膜病變和其他眼部疾病進行診斷。
此圖爲一張眼部視力已經受到視網膜病變威脅的眼底圖像，
機器學習的分析能夠將此圖中不僅限於眼部健康的信息提供給醫生
醫療：協助治療頭頸部癌症
在75名男性和1名女性中，有 1 / 150 的女性在一生中會被診斷爲口腔癌，而自上世紀 70 年代以來，口腔癌症的發病率已經上升了 92%。每年，僅在英國，頭頸癌就會影響 11000 多名患者。放射治療等治療的進展提高了生存率，但由於人體具有大量精細結構，臨牀醫生必須極其小心地計劃治療，以確保沒有任何重要的神經或器官受到損傷。在進行放射治療之前，臨牀醫生必須製作一張詳細的身體部位地圖。這個過程被稱爲「細分」，包括利用解剖學原理對人體不同部位進行繪製，並將信息傳遞給放射治療機器，這樣就可以在保證健康組織完好無損的情況下，鎖定癌細胞。
在 Deepmind 與英國倫敦大學學院醫學院的研究人員合作開展的一個項目中，機器學習參與到了治療方案的設計過程中，協助醫護人員細分癌變組織和健康組織。在機器學習的幫助下，細分過程由 4 小時左右縮短到 1 小時左右。提高了放射治療的效率，同時解放了臨牀醫生的時間，使他們能有更多時間投入到病人的護理、教育和研究工作當中。
頭頸癌患者的 CT 掃描圖
食品安全：提高食品質量的把控
對大多數行業來說，質量把控是一個挑戰，但在食品生產領域，這是最大的挑戰之一。檢查和根據成分好壞進行分類是食品公司的首要職責。但是所有的手工檢查都費時費力，並且管理和人力成本高昂。
日本的食品公司 Kewpie 公司使用 TensorFlow 開發出一個工具，該工具可以從嬰兒食品中所使用的切塊土豆檢測出有缺陷的部分，公司的主管Takeshi Ogino 介紹道:「人工智能以近乎完美的精準度挑選出有缺陷的食材，這對我們員工來說簡直振奮人心"。
對土豆切片進行檢測分類
天文：用機器學習尋找未知行星
Google AI 團隊的一名機器學習研究人員與德克薩斯大學奧斯汀分校天體物理學家進行合作，將機器學習技術運用到了太空探索中，讓機器學會了識別繞着遙遠恆星公轉的行星。研究人員利用超過 1.5 萬個經過標記的開普勒太空望遠鏡信號的數據集，訓練基於 TensorFlow 建立的機器學習模型，來區分行星和其他天體。它識別行星信號和非行星信號的準確率高達 96%，並發現了兩顆新行星：Kepler-80 g 和 Kepler-90 i。目前，研究人員只是用此模型探索了 20 萬顆恆星中的 670 顆。
研究人員使用這個模型在670顆恆星數據中尋找新行星，發現了2顆此前研究遺漏的行星
天文：TensorFlow 識別隕石坑
賓夕法尼亞州州立大學的博士研究生 Ari Silburt 和他的團隊爲了解開太陽系起源的祕密，需要把太陽系中的隕石坑做成地圖，這樣才能幫助他們找到太陽系中已存在的物質形成的位置和形成時間。而在過去，這一過程需要用人的雙手來完成，既消耗時間又會受到主觀影響，後來，他們利用 TensorFlow 用現存的月球照片訓練了機器學習模型，使整個過程完全自動化，並且已經使其辨認出了超過 6 千個新的隕石坑。
左側這張月球的照片，很難分辨出隕石坑分佈在哪裏；
而右側這張圖片，通過 TensorFlow， 我們可以清晰地看到隕石坑的分佈
從以上案例可以看到人工智能是如何通過一些可能還未被大家察覺的方式影響我們的生活，以及世界各地的人們是如何利用人工智能構築他們自己的科技，TensorFlow 在全球範圍內驅動着科技的發展，期待能夠看到更多更精彩的應用，期待科技帶給我們更多美好與驚喜，我們也將持續關注 AI 世界的一切，爲大家帶來最全面、最深度、最前沿的科技報道。