编辑| CJ简介：本文是Google Brain团队的第二篇总结文章。
在第一篇文章中，谷歌大脑分享了过去一年在部分领域的研究工作。
从设计新的机器学习算法和技术到理解它们，以及与社区共享数据、软件和硬件。
在本文中，Google Brain 介绍了其在医疗保健、机器人、创造力、机器学习的公平性和包容性等特定领域所做的研究。
1.医疗保健 我们认为机器学习技术应用到医疗保健领域有巨大的潜力。
我们正在帮助解决许多不同类型的问题，例如帮助病理学家检测恶性肿瘤，使人工智能能够理解医学对话以帮助医生和患者，以及利用机器学习解决遗传学中的一些问题，包括发布基于深度学习的开源代码用于高度准确的变异识别系统。
淋巴结活检，我们的算法正确识别了肿瘤，而没有将其识别为良性巨噬细胞。
↑根据我们 12 月发表在《美国医学会杂志》(JAMA) 上的研究论文，我们继续研究糖尿病视网膜病变 (DR) 和黄斑水肿的早期检测。
今年，我们将该项目的研究成果应用到了实际的临床治疗中。
我们正在与 Alphabet 生命科学公司 Verily 合作，指导这项工作完成监管流程，并将该技术集成到尼康 Optos 眼科相机系列中。
另外，我们正在印度部署这个系统，那里眼科医生短缺，至少有127,000名眼科医生，因此几乎一半的患者因为疾病发现得太晚而失去视力。
作为试点的一部分，我们推出了该系统，以帮助阿拉文眼科医院的分级人员更好地诊断糖尿病眼病。
我们还与合作伙伴合作，了解糖尿病眼保健的人性化方面，并通过对患者和医疗保健提供者进行人种学研究，我们调查了眼保健临床医生如何与人工智能系统互动。
我们还与斯坦福大学、加州大学旧金山分校和芝加哥大学等领先医疗机构和医疗中心的研究人员合作，展示使用机器学习来预测去识别医疗记录的未来医疗结果（即基于患者当前状态）的有效性。
，我们相信我们可以通过学习数百万其他患者的历史来预测患者的未来，从而帮助医疗保健专业人员做出更好的决策）。
我们对这一工作方向感到非常兴奋，并期待在今年为您提供更多信息。
2.机器人我们在机器人领域的长期目标是设计学习算法，使机器人能够在杂乱的现实环境中运行，并通过学习快速获得新的技能和能力，而不是像今天的机器人那样设置仔细控制的参数。
条件和一小组人为编程的程序。
我们研究的一个重点是开发一种技术，使物理机器人能够利用自己或其他机器人的经验来建立新的技能和能力，并可以为集体学习积累共享经验。
我们还在探索将基于计算机的机器人任务模拟与物理机器人经验相结合的方法，以更快地学习新任务。
虽然模拟器的物理原理与现实世界并不完全相同，但我们观察到，在机器人技术中，模拟经验加上少量现实世界经验可以比大量现实世界经验带来更好的结果。
除了真实世界的机器人体验和模拟机器人环境之外，我们还开发了机器人学习算法，可以通过观察人类特定行为的演示来学习，我们相信这种模仿学习方法非常有前途，因为它可以快速为机器人提供新的能力。
机器人不需要精确的计划，甚至不需要明确定义的活动目标。
我们还将在 11 月共同组织并主办首届新的机器人学习会议 (CoRL)，该会议将汇集机器学习和机器人学科的研究人员。
活动摘要包含更多信息，我们期待明年在苏黎世举行的机器人学习会议。
3.基础科学我们也对利用机器学习帮助解决重要科学问题的长期潜力感到兴奋。
去年，我们使用神经网络来预测量子化学中的分子特性，在天文数据集中寻找新的系外行星，预测地震余震，并使用深度学习来指导自动证明系统。
消息传递神经网络预测有机分子的量子特性 ↑ 寻找新的系外行星：当行星阻挡光线时观察恒星的亮度。
↑4.创造力 我们对如何使用机器学习作为工具来帮助人们进行创造性工作非常感兴趣。
今年，我们创建了一款 AI 钢琴二重奏工具，帮助 YouTube 音乐家 Andrew Huang 创作新音乐（请参阅 Nat & Friends 的幕后视频），并展示了如何教机器绘画。
我们还演示了如何控制在浏览器中运行的深度生成模型来创建新音乐。
该作品荣获NIPS年度最佳演示奖。
这是Brain团队的Magenta项目成员连续第二年获得该奖项。
第一年，Magenta 的互动音乐即兴创作就获得了 NIPS 最佳演示奖。
5. People+ AI Research (PAIR) 计划 机器学习的进步为人们与计算机的交互方式提供了新的可能性。
与此同时，我们必须确保我们正在开发的技术为社会带来广泛的利益。
我们将这些机遇和挑战视为当务之急，并正在与 Google 的许多人合作发起“人+人工智能研究”(PAIR) 计划。
PAIR 的目标是研究和设计人们与人工智能系统交互的最有效方式。
我们发起了一个公共研讨会，将计算机科学、设计甚至艺术领域的学者和从业者聚集在一起。
PAIR 的工作非常广泛，其中一些我们已经提到过：通过解释性工作帮助研究人员理解 ML 系统，并通过 deeplearn.js 扩展开发者社区。
我们以人为本的 ML 工程方法的另一个例子是 Facets 的推出，这是一种用于可视化和理解训练数据集的工具。
6. 机器学习的公平性和包容性随着机器学习在技术中发挥着越来越重要的作用，包容性和公平性的考虑变得越来越重要。
Brain 团队和 PAIR 一直在努力在这些领域取得进展。
我们发布了避免机器学习系统中歧视的方法，包括因果推理、开放数据集中地理多样性的重要性，为此，我们还发布了对开放数据集的分析，以了解多样性和文化差异。
我们还一直与人工智能合作伙伴关系密切合作，这是一项跨行业倡议，旨在促进公平和包容性，并使公平和包容性成为所有机器学习从业者的目标。
7. 我们的文化 我们小组研究文化的一方面是使研究人员和工程师能够解决他们认为最重要的基础研究问题。
九月，我们发布了开展研究的一般方法。
在研究过程中，我们注重对年轻研究人员的教育和指导。
去年我们聘请了几名实习生，今年我们大约 25% 的研究出版物是与实习生共同撰写的。
去年，我们启动了 Google Brain Residency，这是一个为想要深入机器学习研究的人们提供指导的计划。
第一年（2019年6月至5月）共有27名爱好者加入我们的团队，这些爱好者的研究成果在第一年中、年底发表。
项目第一年的许多爱好者留在了我们组，后来在组里担任全职研究员和研究工程师。
他们中的大多数人留在了集团，并没有去机器学习领域顶尖研究生项目的大学攻读博士学位，如伯克利大学、卡内基梅隆大学、斯坦福大学、纽约大学和多伦多大学等。
2020年7月，我们也迎来了我们的第二批爱好者，一共有35人。
他们都将在 2020 年 7 月之前与我们一起进行研究。
他们已经做了一些很棒的研究，并参与了许多项目。
在研究场所进行了讲座。
去年我们课题组发表论文3篇，其中ICLR、ICML、NIPS论文60余篇。