养奶牛、选黄瓜：Google AI 落地了哪些你想不到的场景？ 落地可以像人一样闲聊

雷锋网按：在刚刚过去的养奶 2018 Google I/O 开发者大会上，CEO Sundar Pichai 向大家演示了 Google Assistant 的牛选新技能，这个 AI 助手可以帮主人给餐厅打电话定座位，黄瓜发音酷似真人，落地可以像人一样闲聊，场景还会追问。养奶自从三年前 Google 提出 AI first 的牛选口号以来，其在 AI 领域的黄瓜布局狂飙突进，收购了三十多家 AI 创业公司，落地同时，场景不仅在学术层面上对人工智能进行研究，养奶也将研究成果投入实际应用。牛选

据维基百科介绍，黄瓜机器学习平台 TensorFlow 最初由 Google Brain 团队开发，落地用于 Google 的场景研究和生产，2015年11月9日，Google 宣布开源 TensorFlow，所有人都可以通过计算机和网络使用该平台。 Google 旗下的 50 多个产品，如语音识别、Gmail、Google 相册和搜索，都运用了 TensorFlow 深度学习系统。

雷锋网对基于 TensorFlow 开发的各种应用实例进行了盘点，以飨读者：

Google 神经网络机器翻译

2016年9月 Google 发布了翻译技术的突破性研究：神经网络机器翻译系统（GNMT：Google Neural Machine Translation）。同年11月，这项技术正式被应用到 Google 翻译中，并支持包括英语和法语、德语、西班牙语、葡萄牙语、中文、日语、韩语、土耳其语八组语言的互译。不同语言间翻译的误差问题一直是机器翻译需要攻克的难点。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，通过不再将句子中的词和短语独立翻译，而是对完整句子整体处理，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，通过对整个句子进行整体翻译而非逐字翻译，大幅提高了 Google 翻译的精确度与流畅度。同时，Google 在其中还建立了端对端学习系统，这让整个翻译系统可以自行在翻译中进行学习和训练，并使翻译水平获得进一步提升。

 GNMT 大幅提高机器翻译水平

视频内容识别 API

Google Cloud 视频智能 API 使用强大的深度学习模型，基于 TensorFlow 等架构进行开发。这款 API 是首款能够让开发者轻松搜索和发现视频内容的 API，开发者可通过在视频内容中提供有关实体（例如狗、花、人等名词，以及跑、游泳、飞行等动词）信息完成搜索。当这些实体出现时，这款 API 甚至可以提供语境理解。例如，搜索“老虎”将会找出存储在 Google Cloud 视频集中所有包含老虎的精准镜头。

除了这款视频智能 API，Google Cloud 机器学习已增加了一整套越来越多的 API：视觉（Vision）、视频智能（Video Intelligence）、口语（Speech）、自然语言（Natural Language）、翻译（Translation）和求职（Jobs）。这些 API 可让客户搭建能够看、听、理解非结构化数据的下一代应用程序，极大地扩大了机器学习在下一代产品推荐、医疗图像分析、欺诈监控等众多领域的使用范围。

减少数据中心能源消耗

Google 的数据中心的运行和降温需要消耗大量能源。为减少让设备降温所消耗的能源，Deepmind 通过监测收集数据中心温度、功率、转速等数据，并用此数据训练深层神经网络。此外，Deepmind 还训练了两个额外的深层神经网络，以预测未来数小时数据中心的温度和压力。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。

黄瓜智能分拣储存系统

日本的一位菜农使用 TensorFlow 为他收获的大量黄瓜建立了一个自动分拣储存系统。自动拍摄图片后，首先图片会被上传到一个小型的 TensorFlow 神经网络系统上被分析，以识别图片内容是否是一根黄瓜。随后图片会被上传到一个更大的神经网络系统来进行更进一步的分析，从而将黄瓜按颜色、大小的不同，自动分拣成多达九个不同的品质级别，大大提高了分拣效率和准确度。

农业：TensorFlow 助力奶牛养殖

奶牛的健康对于产奶量有着非常大的影响。如果科技能让奶牛更加健康，就可以提高牛奶的产量，并帮助奶农进一步发展自己的产业。Connecterra 公司利用 TensorFlow 来理解并诠释奶牛的各种行为，为奶农提供畜群的健康状况等信息。奶农只需通过一个叫 Ida 的 手机 App，便可轻松查看奶牛一天的生活轨迹和健康信息。

农业：识别生病植物

高中生 Shaza Mehdi 和 Nile Ravenell 开发了一个名为 PlantMD 的 APP，该应用程序是在 TensorFlow 上运行机器学习的模型，同时从 plantvillage.com 以及一些大学的数据库中收集数据，用于训练该模型去识别生病的植物。Shaza 还开发了一个 APP，使用类似的方法可以诊断皮肤病。

生态保护：热带雨林监控设备

Topher White（Rainforest Connection 的创始人）发明了 “The Guardian” 设备来阻止亚马逊地区非法砍伐森林的行为。该设备由旧手机升级改造而成，同时借助 TensorFlow 运行。它被安装在树上，遍布整个森林，通过识别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。而如果没有这些装置，就必须依靠人力来监督管理这一片区域，很难覆盖大面积地区。

Topher 在亚马逊地区的高耸树木群中安装监控设备

生态保护：澳洲濒危海牛追踪

像很多大型海洋哺乳动物一样，海牛面临着濒危的境地。为更好地保护它们以及它们的栖息地，野生动物保护者需要对它们的数量与位置进行追踪研究。研究员利用 TensorFlow 的最新图像识别技术，让电脑“学会”了识别巨型航拍图中的海牛。机器识别的速度远远超过了人工，精度也是肉眼的 1.4 倍。

提示：中间靠下位置的银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，以改善对它们的保护工作。他收集了 5 万个小时的音频并将其转换成谱图，通过 TensorFlow 更加快速高效地分析这些音频，识别谱图中的鸟鸣声。他希望此研究能够为新西兰未来的动物保护工作提供有价值的信息。

Victor Anton 在 Google I/O 大会上展示这款应用

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人们重视的致盲病因，目前全球范围内有 4.15 亿糖尿病患者面临视网膜病变的风险。若发现及时，该病可被治愈，但若未能及时诊断，则可能导致不可逆转的失明。

通过与印度和美国的医生密切合作，Google 创建了一个包含 12.8 万张眼底扫描图片的数据集，用于训练一个检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，其准确度甚至超过了专业医师的平均水平。高精度的糖尿病性视网膜病变自动化筛选法具有很大潜力，可以帮助医生提高诊断效率，使患者尽早得到治疗。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，并且仍在探索如何将此研究成果与 DeepMind 的 OCT 研究进行结合，以便进一步协助医生们对糖尿病视网膜病变和其他眼部疾病进行诊断。

此图为一张眼部视力已经受到视网膜病变威胁的眼底图像，

机器学习的分析能够将此图中不仅限于眼部健康的信息提供给医生

医疗：协助治疗头颈部癌症

在75名男性和1名女性中，有 1 / 150 的女性在一生中会被诊断为口腔癌，而自上世纪 70 年代以来，口腔癌症的发病率已经上升了 92%。每年，仅在英国，头颈癌就会影响 11000 多名患者。放射治疗等治疗的进展提高了生存率，但由于人体具有大量精细结构，临床医生必须极其小心地计划治疗，以确保没有任何重要的神经或器官受到损伤。在进行放射治疗之前，临床医生必须制作一张详细的身体部位地图。这个过程被称为“细分”，包括利用解剖学原理对人体不同部位进行绘制，并将信息传递给放射治疗机器，这样就可以在保证健康组织完好无损的情况下，锁定癌细胞。

在 Deepmind 与英国伦敦大学学院医学院的研究人员合作开展的一个项目中，机器学习参与到了治疗方案的设计过程中，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 小时左右。提高了放射治疗的效率，同时解放了临床医生的时间，使他们能有更多时间投入到病人的护理、教育和研究工作当中。

头颈癌患者的 CT 扫描图

食品安全：提高食品质量的把控

对大多数行业来说，质量把控是一个挑战，但在食品生产领域，这是最大的挑战之一。检查和根据成分好坏进行分类是食品公司的首要职责。但是所有的手工检查都费时费力，并且管理和人力成本高昂。

日本的食品公司 Kewpie 公司使用 TensorFlow 开发出一个工具，该工具可以从婴儿食品中所使用的切块土豆检测出有缺陷的部分，公司的主管Takeshi Ogino 介绍道:“人工智能以近乎完美的精准度挑选出有缺陷的食材，这对我们员工来说简直振奋人心"。

对土豆切片进行检测分类

天文：用机器学习寻找未知行星

Google AI 团队的一名机器学习研究人员与德克萨斯大学奥斯汀分校天体物理学家进行合作，将机器学习技术运用到了太空探索中，让机器学会了识别绕着遥远恒星公转的行星。研究人员利用超过 1.5 万个经过标记的开普勒太空望远镜信号的数据集，训练基于 TensorFlow 建立的机器学习模型，来区分行星和其他天体。它识别行星信号和非行星信号的准确率高达 96%，并发现了两颗新行星：Kepler-80 g 和 Kepler-90 i。目前，研究人员只是用此模型探索了 20 万颗恒星中的 670 颗。

研究人员使用这个模型在670颗恒星数据中寻找新行星，发现了2颗此前研究遗漏的行星

天文：TensorFlow 识别陨石坑

宾夕法尼亚州州立大学的博士研究生 Ari Silburt 和他的团队为了解开太阳系起源的秘密，需要把太阳系中的陨石坑做成地图，这样才能帮助他们找到太阳系中已存在的物质形成的位置和形成时间。而在过去，这一过程需要用人的双手来完成，既消耗时间又会受到主观影响，后来，他们利用 TensorFlow 用现存的月球照片训练了机器学习模型，使整个过程完全自动化，并且已经使其辨认出了超过 6 千个新的陨石坑。

左侧这张月球的照片，很难分辨出陨石坑分布在哪里；

而右侧这张图片，通过 TensorFlow， 我们可以清晰地看到陨石坑的分布

从以上案例可以看到人工智能是如何通过一些可能还未被大家察觉的方式影响我们的生活，以及世界各地的人们是如何利用人工智能构筑他们自己的科技，TensorFlow 在全球范围内驱动着科技的发展，期待能够看到更多更精彩的应用，期待科技带给我们更多美好与惊喜，雷锋网也将持续关注 AI 世界的一切，为大家带来最全面、最深度、最前沿的科技报道。

现在关注“雷锋网”微信公众号（leiphone-sz），回复关键词【2018】，随机抽送价值 3999 元的参会门票 3 张

雷峰网原创文章，未经授权禁止转载。详情见转载须知。

(责任编辑：知识)