軟件系統(tǒng)

我們對軟件系統(tǒng)的大部分研究仍然與構(gòu)建機器學(xué)習(xí)模型，尤其是TensorFlow有關(guān)。我們的一些新研究引入了Mesh TensorFlow，這使得用模型并行性指定大規(guī)模分布式計算變得容易。另外，我們還使用TensorFlow發(fā)布了一個可擴展的深度神經(jīng)排序庫。

另一個重要的研究方向是將ML應(yīng)用于軟件系統(tǒng)的堆棧層面。在安全漏洞問題方面，我們的編譯器研究團隊將他們用于測量機器指令延遲和端口壓力的工具集成到LLVM中，從而可以做出更好的編譯決策。

我們研究了Google軟件定義網(wǎng)絡(luò)WAN，這是一個獨立的聯(lián)合查詢處理平臺，可以在許多存儲系統(tǒng)中對基于不同文件格式存儲的數(shù)據(jù)執(zhí)行SQL查詢（BigTable，Spanner， Google Spreadsheets等）

運行內(nèi)容托管等大型Web服務(wù)需要在動態(tài)環(huán)境中實現(xiàn)穩(wěn)定的負(fù)載平衡。我們開發(fā)了一致的哈希方案，對每臺服務(wù)器的最大負(fù)載提供了嚴(yán)格的可證明保證，并將其部署到Google Cloud Pub ／ Sub中的云客戶。

AutoML

去年，我們展示了如何使用進化算法自動發(fā)現(xiàn)最先進的神經(jīng)網(wǎng)絡(luò)架構(gòu)，快速構(gòu)建計算機視覺模型的AutoML。還探討了強化學(xué)習(xí)如何應(yīng)用于除神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索之外的其他問題，表明它可以用于1）自動生成圖像變換序列，以提高各種圖像模型的準(zhǔn)確性，以及2）找到新的符號優(yōu)化表達式，比常用的優(yōu)化更新規(guī)則更有效。

我們的另一個重點是自動發(fā)現(xiàn)計算效率高的神經(jīng)網(wǎng)絡(luò)架構(gòu)，以便它們可以在自動駕駛環(huán)境中運行，這些環(huán)境對計算資源或推理時間有嚴(yán)格的限制。為此，我們認(rèn)為在強化學(xué)習(xí)架構(gòu)搜索的獎勵函數(shù)中將模型的準(zhǔn)確性與其推理計算時間相結(jié)合，可以找到高度準(zhǔn)確的模型，同時滿足特定的性能約束。我們還探索了使用ML來學(xué)習(xí)自動壓縮ML模型以獲得更少的參數(shù)并使用更少的計算資源。

TPU

TPU已經(jīng)實現(xiàn)了谷歌研究方面的突破，例如BERT（前面已討論過）。它還允許世界各地的研究人員通過開源建立谷歌研究，并尋求自己的新突破。例如，任何人都可以通過Colab免費對TPU上的BERT進行微調(diào)，而TensorFlow Research Cloud讓數(shù)千名研究人員有機會從更大量的免費云TPU計算能力中受益。

在谷歌內(nèi)部，TPU還推動了Google的核心產(chǎn)品的重大改進，包括搜索，YouTube，Gmail，Google智能助理，谷歌翻譯等等。

開源軟件和數(shù)據(jù)集

我們的開源工具TensorFlow已經(jīng)被下載超過3000萬。2018年，TensorFlow有八個主要版本，并增加了快速執(zhí)行和分發(fā)策略等功能。隨著TensorFlow Lite、TensorFlow．js 和TensorFlow Probability等相關(guān)產(chǎn)品的推出，TensorFlow生態(tài)系統(tǒng)在2018年大幅增長。

除了繼續(xù)開發(fā)現(xiàn)有的開源生態(tài)系統(tǒng)之外，我們在2018年引入了一個新的框架，用于靈活和可重復(fù)強化學(xué)習(xí)的可視化工具，可以快速了解數(shù)據(jù)集的特征（無需編寫任何代碼）。

今年，我們很高興發(fā)布Google數(shù)據(jù)集搜索，這是一種從所有網(wǎng)絡(luò)中查找公共數(shù)據(jù)集的新工具。多年來，我們還策劃并發(fā)布了許多新穎的數(shù)據(jù)集。

我們發(fā)布了Open Images V4數(shù)據(jù)集，包含190萬張圖片，共計600個類別，共標(biāo)記了1540萬個邊界框，這是迄今的有對象位置注釋的最大數(shù)據(jù)集。這些邊界框大部分都是由專業(yè)注釋人員手動繪制的，確保了它們的準(zhǔn)確性和一致性。

健康

在過去幾年中，我們一直將ML應(yīng)用于健康，我們在這個領(lǐng)域的一般方法是與醫(yī)療保健組織合作解決基礎(chǔ)研究問題（利用臨床專家的反饋優(yōu)化技術(shù)），然后將結(jié)果發(fā)表在同行評審的科學(xué)和臨床期刊上。一旦研究得到臨床和科學(xué)驗證，我們就會進行用戶和HCI研究，以了解我們?nèi)绾卧诂F(xiàn)實臨床環(huán)境中進行部署。2018年，我們在計算機輔助診斷上取得新的突破。

2018年，我們研發(fā)了一個可以與視網(wǎng)膜專家相媲美的深度學(xué)習(xí)模型。我們與Verily的Alphabet同事合作，在印度的Aravind Eye Hospitals和泰國衛(wèi)生部附屬的Rajavithi醫(yī)院等 10多個地點部署了這種糖尿病視網(wǎng)膜病變檢測系統(tǒng)。

我們還發(fā)表了一種機器學(xué)習(xí)模型的研究，該模型可以評估視網(wǎng)膜圖像的心血管風(fēng)險，可以幫助臨床醫(yī)生更好地了解患者的健康狀況。

研究推廣

2018年，我們在加納阿克拉建立了我們在非洲的第一個人工智能研究辦公室，同時擴大了在巴黎，東京和阿姆斯特丹的人工智能研究，并在普林斯頓開設(shè)了一個研究實驗室。