刚结束的 Google I/O 2018 开发者大会，CEO Sundar Pichai 向观众展示 Google Assistant 的新技能，可帮主人打给餐厅订位，语气酷似真人，可像人一样闲聊，还会追问。自从 3 年前 Google 提出 AI first 口号以来，在 AI 领域的布局狂飙猛进，收购了 30 多家 AI 创业公司，不仅在学术层面研究人工智能，也将成果投入实际应用。
据维基百科介绍，机器学习平台 TensorFlow 最初由 Google Brain 团队开发，用于 Google 研究和生产，2015 年 11 月 9 日，Google 宣布开源 TensorFlow，所有人都可以透过电脑和网络使用该平台。Google 旗下 50 多个产品，如语音辨识、Gmail、Google 相簿和搜寻，都运用 TensorFlow 深度学习系统。
以下整理了基于 TensorFlow 开发的各种应用实例，以飨读者。
Google 神经网络机器翻译
2016 年 9 月 Google 发表翻译技术的突破性研究：神经网络机器翻译系统（Google Neural Machine Translation，GNMT）。同年 11 月，这项技术正式应用到 Google 翻译，并支援英语和法语、德语、西班牙语、葡萄牙语、中文、日语、韩语、土耳其语八组语言互译。不同语言间翻译的误差问题一直是机器翻译需要克服的地方。TensorFlow 和 Tensor Processing Units（TPUs）为 Google 神经网络机器翻译模型特别打造硬件加速器，透过不再将句子中的词和词组独立翻译，而是处理完整句子，将翻译误差降低了 55%~85%。
▲ GNMT 翻译原理。
该系统借助最先进的机器学习技术，整体翻译句子而非逐字翻译，大幅提高了 Google 翻译的精确度与流畅度。同时，Google 还建立了端对端学习系统，这让整个翻译系统可经翻译自行学习和训练，并使翻译水准进一步提升。
▲ GNMT 大幅提高机器翻译水准。
影片内容辨识 API
Google Cloud 影片智慧 API 使用强大的深度学习模型，基于 TensorFlow 等架构开发。这款 API 是首款能让开发者轻松搜寻和发现影片内容的 API，开发者可透过影片中提供有关实体（如狗、花、人等名词，以及跑、游泳、飞行等动词）资讯完成搜寻。当这些实体出现时，这款 API 甚至可提供语境理解。例如，搜寻“老虎”将找出储存在 Google Cloud 影片库中所有包含老虎的精准镜头。
除了影片智慧 API，Google Cloud 机器学习已增加了越来越多 API：视觉（Vision）、影片智慧（Video Intelligence）、口语（Speech）、自然语言（Natural Language）、翻译（Translation）和求职（Jobs）。这些 API 可让用户搭建看、听、理解非架构化资料的下一代应用程序，扩大机器学习在下一代产品建议、医疗影像分析、欺诈监控等众多领域的使用范围。
减少资料中心能源消耗
Google 资料中心的执行和降温需要消耗大量能源。为减少让装置降温消耗的能源，Deepmind 透过监测收集资料中心温度、功率、转速等资料，并用此资料训练深层神经网络。此外，Deepmind 还训练了两个深层神经网络，以预测未来数小时资料中心的温度和压力。机器学习系统使用于冷却的能源减少了 40%，相当于 15% 总能源消耗。
黄瓜智慧分拣储存系统
日本一位菜农使用 TensorFlow 为大量黄瓜建立了一个自动分拣储存系统。自动拍摄图片后，首先图片会上传到一小型 TensorFlow 神经网络系统分析，以辨识图片内容是否为黄瓜。再来图片会上传到一更大的神经网络系统更进一步分析，将黄瓜按色彩、大小不同，自动分拣成多达 9 个品质等级，大大提高了分拣效率和准确度。
农业：TensorFlow 帮助乳牛养殖
乳牛的健康对产奶量有非常大的影响。如果科技能让乳牛更健康，就可以提高牛奶产量，并帮助酪农更发展产业。Connecterra 公司利用 TensorFlow 来解并诠释乳牛各种行为，为酪农提供畜群的健康状况等资讯。酪农只需透过叫 Ida 的手机 App，便可轻松检视乳牛一天的生活轨迹和健康资讯。
农业：辨识生病植物
高中生 Shaza Mehdi 和 Nile Ravenell 开发了名为 PlantMD 的 App，是在 TensorFlow 执行机器学习的模型，同时从 plantvillage.com 以及一些大学数据库收集资料，用于训练该模型辨识生病的植物。Shaza 还开发了一个 App，使用类似方法可诊断皮肤病。
生态保护：热带雨林监控装置
Topher White（Rainforest Connection 的创始人）发明了“The Guardian”装置来阻止亚马逊地区的非法砍伐森林。装置由旧手机升级改造，同时借助 TensorFlow 执行。装置装在树上，遍布整个森林，透过辨识电锯和伐木工程车的声音，向管辖该地区的管理员发出警报。如果没有这些装置，就必须依靠人力来监督管理，很难涵盖大面积地区。
▲ Topher 在亚马逊地区的高耸树木群安装监控装置。
生态保护：澳洲濒危海牛追踪
像很多大型海洋哺乳动物，海牛濒临绝种。为保护它们及栖息地，野生动物保护者需要追踪研究海牛数量与位置。研究员利用 TensorFlow 的最新影像辨识技术，让电脑“学会”辨识巨型空拍图中的海牛。机器辨识的速度远远超过人工，精准度也是肉眼的 1.4 倍。
▲ 中间靠下位置的灰色小点就是一只海牛。
生态保护：闻声识鸟，保护鸟类
维多利亚大学博士生 Victor Anton 致力于追踪新西兰濒临灭绝的鸟类，以改善保护工作。他收集了 5 万个小时的音档并转换成谱图，透过 TensorFlow 更快速分析这些音讯，辨识谱图中的鸟鸣声。他希望此研究能为新西兰未来的动物保护工作提供有价值的资讯。
▲ Victor Anton 在 Google I/O 大会展示这款应用。
医疗：糖尿病视网膜病变诊断
糖尿病视网膜病变是目前越来越被重视的致盲病因，目前全球有 4.15 亿糖尿病患者面临视网膜病变的风险。若发现及时，该病可治愈，但若未能及时诊断，则可能导致不可逆转的失明。
透过与印度和美国医生密切合作，Google 建立了一个包含 12.8 万张眼底扫描图片的数据库，用于训练侦测糖尿病性视网膜病变的深度神经网络。经训练后的模型可自动筛选疑似病变的眼底扫描图，准确度甚至超过专业医师的平均水准。高精确度的糖尿病性视网膜病变自动化筛选法有很大潜力，可帮助医生提高诊断效率，使患者尽早治疗。同时，Google 仍在加强与视网膜研究领域的专科医生合作，以便确立更具参考价值的量化衡量标准，并仍在探索如何将此研究成果与 DeepMind 的 OCT 研究结合，以便进一步协助医生诊断糖尿病视网膜病变和其他眼部疾病。
▲ 眼部视力已受到视网膜病变威胁的眼底影像，机器学习分析能将此图不限于眼部健康的资讯提供给医生。
医疗：协助治疗头颈部癌症
每 75 名男性和 1 名女性，有一百五十分之一的女性会诊断为口腔癌，而自 1970 年代以来，口腔癌的发病率上升了 92%。每年，仅在英国，头颈癌就影响 11,000 多名患者。放射治疗等治疗的进展提高了生存率，但由于人体有大量精细组织，临床医生必须极其小心地治疗，确保没有任何重要神经或器官受损。放射治疗之前，临床医生必须制作一张详细的身体部位地图，此过程称为“细分”，包括利用解剖学原理绘制人体不同部位，并将资讯传给放射治疗机器，这样就可保证健康组织完好无损的情况下，锁定癌细胞。
Deepmind 与英国伦敦大学医学院的研究人员合作的项目中，机器学习参与了治疗方案的设计过程，协助医护人员细分癌变组织和健康组织。在机器学习的帮助下，细分过程由 4 小时左右缩短到 1 小时。提高放射治疗的效率，同时解放了临床医生的时间，使他们有更多时间投入病人护理、教育和研究工作。
▲ 头颈癌患者的 CT 扫描图。
食品安全：提高食品品管
对大多数产业来说，品管是一个大挑战，但在食品生产领域，这是最大的挑战。检查和根据成分好坏分类是食品公司的首要职责，但所有人工检查都费时费力，且管理和人力成本高昂。
日本食品公司 Kewpie 公司使用 TensorFlow 开发一个工具，可从婴儿食品使用的切块马铃薯侦测出有缺陷的部分。主管 Takeshi Ogino 介绍：“人工智能以近乎完美的精准度挑拣出有缺陷的食材，这对员工来说简直振奋人心。”
▲ 侦测分类马铃薯切块。
天文：用机器学习搜寻未知行星
Google AI 团队的一名机器学习研究人员与德州大学奥斯汀分校天体物理学家合作，将机器学习技术运用到太空探索，让机器学会辨识绕着遥远恒星公转的行星。研究人员利用超过 1.5 万个标记过的开普勒太空望远镜讯号数据库，训练基于 TensorFlow 建立的机器学习模型，来区分行星和其他天体。模型辨识行星讯号和非行星讯号的准确率高达 96%，并发现两颗新行星：Kepler-80 g 和 Kepler-90 i。目前，研究人员只用此模型探索了 20 万颗恒星中的 670 颗。
▲ 研究人员使用模型在 670 颗恒星资料中搜寻新行星，发现了 2 颗之前遗漏的行星。
天文：TensorFlow 辨识陨石坑
宾州州立大学的博士研究生 Ari Silburt 和团队为了解开太阳系起源的秘密，需要把太阳系的陨石坑做成地图，这样才能帮助他们找到太阳系已存在的物质形成的位置和时间。过去这需要用人的双手来完成，既耗时又受主观影响。后来，他们利用 TensorFlow 以现存的月球照片训练机器学习模型，使过程完全自动化，并已辨认出超过 6 千个新的陨石坑。
▲ 这张月球照，很难分辨陨石坑分散在哪里；右图透过 TensorFlow，就可清晰看到陨石坑了。
从以上案例可看到人工智能如何透过一些可能还未被大众察觉的方式影响我们的生活，以及世界各地的人们如何利用人工智能构筑自己的科技。TensorFlow 在全球驱动科技的发展，期待看到更多更精彩的应用，也期待科技带给我们更多美好与惊喜。
（本文由 雷锋网 授权转载；首图来源：Google）
