机器人

2018 年，我们在理解机器学习技术如何教授机器人在真实环境当中行动以及教授机器人操作新物体方面迎来了新的里程碑（CoRL’18 最佳系统论文）以及重大的应用级进展。机器人能够在无需人为监督的情况下凭借机器学习理解物体性状。

此外，我们还将机器学习与基于采样的方法相结合（ICRA’18 服务机器人最佳论文）以研究机器人行动，同时探索机器人几何学以加快这种行动掌握速度。我们在确保机器人以自主方式观察并感知环境结构方面取得了重大进展。我们第一次能够在真实的机器人设备上成功实现深层强化学习模型的在线训练，并开始寻找新的、基础性理论方法，从而真正为机器人带来稳定的控制学习能力。

人工智能在其它领域的应用

2018 年，我们将机器学习技术应用于物理以及生物科学当中的诸多问题。利用机器学习技术，我们可以为科学家提供相当于数百甚至数千名研究助理的数据挖掘能力，从而显著提升科学家们的创造力与生产力水平。

我们在《自然——方法学》杂志上发布的神经元高精度自动重建论文中提出了一种新的模型，该模型能够将原有深度学习技术中的连通组数据自动解释在准确性层面提高一个数量级。

机器学习在科学领域的其它应用案例还包括：

通过数据挖掘汇总星体的光线曲线，从而在太阳系之外寻找新的行星

识别短 DNA 序列的起源或功能

自动检测失焦显微镜图像

以数字化方式创建具有多个染色特征的同类细胞图像

自动将质谱输出结果映射为肽链

经过预训练的 TensorFlow 模型可以对 Fiji（ImageJ）细胞显微镜下的图像斑块拼接进行对焦质量评估。该模型会利用边界位置的色调与亮度分别估算对焦质量以及预测准确性。

健康

过去几年以来，我们一直致力于将机器学习技术应用于健康领域——这一领域直接影响到我们每一个人，我们也坚信机器学习将能够在健康行业中显著增强医疗专业人员的直觉与经验，最终为人类的生活质量带来巨大提升。在这一领域，我们采取的常规方法是同医疗保健组织建立合作以解决各项基础研究问题（利用临床专家的反馈支持我们的研究结果），而后将结果发表在声誉卓著且需要经过同行评审的科学与临床期刊上。

一旦研究结果得到临床与科学验证，我们下一步将进行用户与 HCI 研究，以了解应该如何将其实际部署在临床环境当中。2018 年，我们在计算机辅助的广阔空间中进一步扩展了研究范围，希望将计算机辅助诊断打造成临床流程中的全新组成部分。

2016 年年底，我们发表的一项研究结果表明，一套通过评估视网膜眼底图像检测糖尿病视网膜病变迹象的模型在具体成效方面，完全能够等同甚至略优于美国医疗委员会认证眼科医师。在 2018 年，我们更进一步，得以通过使用眼科专家标记的训练图像配合最终裁定诊断结果（由多位视网膜专家进行会诊，并对每份眼底图像进行集体评估）证明，我们的模型确实达到了可以与视网膜诊疗专家相媲美的分析水平。

在此之后，我们又发表了一项评估，结果显示眼科医师在使用这套机器学习模型之后，能够得到高于独立判断的诊断准确度。我们与 Alphabet 的同事们还切实展开合作，共同为印度的 Aravind 眼科医院以及泰国卫生部附属的 Rajavithi 医院等十多个机构部署了这种糖尿病视网膜病变检测系统。

左侧为视网膜眼底图像，眼科工程师会诊小组（真实背景）将其评定为具有中度糖尿病视网膜病变（「Mo」）。右上方为来自模型的预测得分（「N」为无视网膜病变，「Mi」为早期视网膜病变，「Mo」为中度视网膜病变）。右下方则为医生在未参考模型结果（「Unassisted」，无辅助）与参考模型预测分数（「Grades Only」，仅参考分数）后的诊断结论。

除了与眼科专家碰撞出耀眼的火花之外，我们还在医学研究过程中发布了一套新的机器学习模型。该模型能够评估视网膜图像与心血管疾病风险之间的关系。这亦带来了一种新的希望，即通过非侵入性生物标记方式帮助临床医生更好地了解患者的健康状况。

这一年当中，我们也在继续关注病理学领域，包括展示如何利用机器学习改善前列腺癌的分级，通过深度学习技术检测转移性乳腺癌，同时开发出增强现实显微镜原型——可以通过数字图像覆盖的方式帮助病理学家与其他科学家将视觉信息从计算机视觉模型中实时导入至显微镜视野之内。

在过去四年当中，我们进行了大量的研究工作，思考如何利用深度学习技术处理电子健康记录作出临床相关预测。2018 年，我们与芝加哥大学医学院、加州大学旧金山分校以及斯坦福医学院合作，在《自然——数字医学》杂志上发表了工作成果，展示如何利用机器学习模型识别电子病历内容，从而为各类临床诊疗提供超越现有最佳实践的有力支持。

作为这项工作中的重要组成部分，我们还开发出一系列工具，使得研究人员能够立足完全不同的任务以及完全不同的基础电子健康记录数据集轻松创建出此类模型。我们还在此项工作当中建立起快速医疗保健互操作性资源（简称 FHIR）标准与相关开源软件，希望帮助从业者们以更轻松、更符合行业标准的方式处理医疗数据（请参阅 GitHub repo）。

另外，我们还提高了基于深度学习技术的变体调用器 DeepVariant 的准确度、速度表现与实用性。DeepVariant 团队与合作伙伴通力配合，最近亦在《自然——生物技术》杂志上发表了同行评审论文。

在将机器学习技术应用于历史数据收集时，了解以往真实存在的人群结构特征与偏见直接决定着数据的编纂质量。机器学习给我们带来了发现并解决偏见问题的机会，我们也在积极设计谷歌的 AI 系统以努力推动这种健康与公平的趋势。

研究外展

我们以多种方式与外部研究社区开展交互，包括教师参与与学生支持等形式。我们为谷歌公司能够吸纳数百位本科生、硕士生以及博士生担任实习生，并为来自北美、欧洲以及中东地区的学生们提供多年博士奖学金感到无比自豪。除了财务层面的支持以外，每位奖学金获得者都将拥有一名或者多名谷歌研究人员作为导师。我们将所有研究员汇集在一起，每年组织一次谷歌博士学位奖学金峰会。在这里，他们将接触到谷歌正在进行的最前沿研究项目，并有机会与谷歌内部研究人员以及来自世界各地的其他博士研究员建立联系。

另外，我们还建立起 Google Ai Residency 项目以作为上述奖学金计划的补充。我们希望通过这样的方式为希望了解深度学习研究的学生提供一年时间，期间他们将与谷歌的研究人员们一道工作并接受指导。今年已经是该项目建立的第三个年头，参与者们在谷歌全球办事处的各个团队当中发挥着自己的作用，并努力探索机器学习、感知、算法与优化、语言理解以及医疗保健等各个领域。此项计划的第四年参加申请刚刚结束，我们很高兴能够在 2019 年伊始迎来一批充满朝气的新成员。

每一年，我们还通过 Google Faculty Research Awards 计划为众多教师以及学生提供研究项目支持。2018 年，我们不断在各谷歌办事处为特定领域的教师及研究生们举办研讨会，包括在印度班加罗尔办事处召开 AI/ML 研究与实践研讨会，在我们的苏黎世办事处举办算法与优势研讨会，在桑尼维尔举办机器学习医疗保健应用研讨会，以及在马萨诸塞州堪布里奇办事处举办机器学习公平与偏见研讨会等等。