2016 年 3 月，“李世乭 vs. AlphaGo”人机大战，让全世界都知道人工智能的威力。在这场大战半年前，Google 就已把人工智能底层能力开放给全世界。
2015 年 11 月 9 日，Google 正式对外开源机器学习框架 TensorFlow，到 2018 年 11 月正好 3 年。TensorFlow 三年一直更新，2019 年即将发表 2.0 版。应用方面也没落后，Google 已用 TensorFlow 最佳化旗下许多产品。
借助 TensorFlow，Google 让产品更智慧
在 Gmail 写信，系统会智慧建议下一个单词或完整的句子；Google Photos 浏览时看到一张偏暗的照片，系统会自动帮助你调整曝光，让照片更亮点；Google 翻译写入一句话，系统可对整个句子翻译而非逐字翻译，大幅提高翻译精确度和流畅度；跟 Google 的人工智能助理 Google Assistant 对话，再也不用一次次说出唤醒词“Hey, Google”，一次唤醒就能多轮对话。
▲ Gmail 智慧补充。
Google 内超过 80% 软件都采用基于 TensorFlow 的机器学习，最新案例是可自己打电话的 AI 系统 Duplex。
Google 在 2018 年的 Google I/O 大会发表 Duplex，具语言理解、互动、时间控制、语言生成方面能力，可帮你打电话给发廊、餐厅等消费场所，询问资讯或预约。和店员交谈时，还能模仿人类的语调，停顿、拉长，甚至使用“嗯、呃”一类语助词。
▲ Google Duplex 展示影片。
将 TensorFlow 用于产品智慧化，这是再正常不过了。一些有足够标记资料的垂直产业，TensorFlow 可发挥更大潜能。
上能发现“第二个太阳系”，下能预测余震位置
2017 年 12 月，Google 和德州大学奥斯汀分校合作，用 TensorFlow 分析开普勒望远镜抓取的资料，成功发现两颗新的地外行星：开普勒-90i 和开普勒-80g，其中开普勒-90i 所在星系开普勒 90，更是太阳系之外首个已知的八行星星系。
众所皆知，天文是资料量非常庞大的领域。不久前退役的开普勒天文望远镜，一直用凌星测光法收集资料。
凌星测光法的原理是，当行星从恒星前方经过，会遮住一部分光线，开普勒望远镜就能探测到恒星光线减弱，光变曲线会有“U”型下沉。
▲ 凌星测光法。
原理很简单，但开普勒望远镜收集的资料实在太多，若逐一人工检查，实在太耗时耗力。且有的行星很小、很黯淡，对应的恒星却非常明亮巨大，观察起来非常困难，就像在探照灯下找到一只萤火虫。
Google 的 AI 科学家想到，这个问题和 Google Photos 为照片分类十分类似，于是在 TensorFlow 的基础上搭建一个机器学习模型，训练一已标记过 15,000 个地外行星资料的神经网络，判断开普勒望远镜接收的讯号是否来自某颗地外行星。经过训练后，模型判断准确率达 96%。
成功运作后，模型用至实战，很快从 670 颗恒星周围找到两颗地外行星，就是开普勒 90 星系中的开普勒-90i 和开普勒 80 星系中的开普勒-80g。
得益于开普勒-90i 的发现，开普勒 90 星系成为太阳系之外首个已知的八行星星系。
天文学界的共识是，和太阳系近似的星系，可能有和地球类似的行星，生命存在的可能性较高。遗憾的是，开普勒-90i 离恒星太近了，一年只有 14.4 天，地表温度约摄氏 427 度，几乎不可能有碳基生命存在。
▲ 上为开普勒 90 星系，下为太阳系。
TensorFlow 不仅可处理天上的事，还能解决地面的麻烦，比如地震。地震造成破坏不可避免，但如果及时营救，能最大程度减少损失。
每次主震之后，灾难没有完全过去，还可能有余震维持数月，继续摧残被主震动摇的建筑物。地震学家一直致力于透过资料预测余震发生的时间、规模和地点，以及时营救。
但地震学领域的资料非常复杂，每次地震事件都有很多变数，如不同区域地表的构成元素、地震模组之间的互动、地震波传递能量的方式，单纯靠人工找到关联、预测余震成本很高。基于过去的经验定律和模型，地震学家已能大致预测余震发生的时间和规模，但预测位置则较困难。
为此，Google 和哈佛大学的研究人员利用 TensorFlow 开发一个深度学习模型，并用包含超过 13 万次主要地震的资料集训练。深度学习模型引入一种以前常用于冶金术的冯·米赛斯屈服准则，以找到复杂地震资料间的相关性，进而预测余震位置。
这个模型目前还只能应用于静态应力（较好预测），对动态应力还有心无力。但正如哈佛研究团队领队 Phoebe DeVries 说：“准确预测余震位置还有很长的路要走，但我想机器学习在这方面有很大的潜力。”
行医济世，AI For Good
医学一直是 TensorFlow 应用的重点领域，目前在侦测糖尿病视网膜病变、侦测移转性乳腺癌、心血管疾病评估、癌症侦测和分析病历都小有成果。
以检测糖尿病视网膜病变为例。全球有 4.15 亿糖尿病患者面临视网膜病变的风险，若发现及时可治愈，但若未及时诊断，可能导致不可逆失明。
专科医生侦测糖尿病视网膜病变最常用的方法之一，是用眼球后部扫描分析，观察是否有病变征兆（例如微动脉瘤、出血、硬性渗出等），并判断严重程度。但世界许多糖尿病好发地区，并没有足够专业医疗人士诊测。这个问题在南亚地区尤为严重。
为此，Google 于 2016 年和美国、印度医生合作，建立一个包含 12.8 万张眼底图片的资料集，训练基于 TensorFlow 的深度神经网络。Google 把神经网络的诊断结果，和 7 个专业医生的诊断结果比较，结果前者与眼科医生小组的诊断相当。
2016 年研究公布后，深受医学界好评。哈佛医学院的安德鲁‧比姆和艾萨克‧柯汉表示，“这研究展示了医学新世界的样貌。”
目前，Google 在医学领域最新的消息是，成立 Google Health 部门，并把一手缔造 AlphaGo 的 DeepMind 健康业务纳入。
实用之余，还会画画
别看 TensorFlow“一本正经”，又是发活动星、预测余震，又是诊断糖尿病视网膜病变的，其实搞艺术也有两把刷子。像 AutoDraw，能帮助你将自己的涂鸦变成画作。
操作步骤很简单，点击第二个按钮，启动机器学习辨识模式，再随便涂上几笔。AutoDraw 会即时辨识这是什么，并给一些图形供你选择，点击一下即可代换。
▲ 笔者画的猫很抽象，AutoDraw 能瞬间转成现实画风的猫。
AutoDraw 之所以能猜出你画的是什么，得益于名为“Quick, Draw!”的计划，采用众包模式整合成千上万的涂鸦，组成资料集后用于训练模型。模型能理解人们绘画涂鸦时何处起笔、走笔方向、何时停笔，以及画的是什么。
▲ Quick, Draw! 资料集有超过 12 万人画的大脑涂鸦。
（本文由 PingWest 授权转载；首图来源：TensorFlow）
延伸阅读：
- 会打电话的 AI 背后：Google Duplex 技术解析
- 用机器学习发现新行星，Google 这样做
- 以深度学习判读肿瘤定位、糖尿病视网膜病变，Google：AI 与医生合作可达理想成效
- Google 用机器学习，新工具 AutoDraw 让涂鸦变身艺术家画作
