导语：该篇文章是谷歌大脑团队的2017总结文章的第二篇，在第一篇中，谷歌大脑分享了其2017年所做的一些领域的研究工作，从设计新的机器学习算法和技术到理解它们，以及与社区共享数据，软件和硬件。在这篇文章中，谷歌大脑介绍了其在医疗，机器人，创意，机器学习的公平和包容等特定领域所做的研究。

　　我们觉得将机器学习技术应用于医疗保健领域具有巨大的潜力。我们正在帮助解决许多不同种类的问题，比如帮助病理学家发现恶性肿瘤，让AI能理解医疗对话以帮助医生和患者，以及利用机器学习来解决基因学中的一些问题，其中包括发布基于深度学习的高精度的变体识别系统的开放源代码。

　　根据我们于2016年12月在美国医学协会杂志（JAMA）上发表的研究论文，我们继续研究糖尿病性视网膜病变（DR）和黄斑水肿的早期检测。在2017年，我们将这个项目的研究应用到了实际的临床治疗中。我们与Verily（Alphabet的一家生命科学公司）合作，通过监管程序来指导这项工作，并将这项技术整合到尼康的Optos眼科照相机系列中。另外，我们正在印度部署这个系统，那里眼科医生稀缺，至少缺少十二万七千名眼科医生，于是几乎有一半的患者因为病情发现太晚，导致视力丧失。作为试点的一部分，我们推出了这个系统，来帮助Aravind眼科医院的分级人员更好地诊断糖尿病眼科疾病。我们还与合作伙伴合作，了解影响糖尿病眼部护理的人文方面的原因手机蚂蚁翻墙怎么注册，通过患者和医疗保健提供者的人种学研究，我们调查到眼部护理临床医生如何与AI系统交流。

　　我们还与领先的医疗机构和包括斯坦福大学，UCSF和芝加哥大学在内的医疗中心的研究人员合作，展示使用机器学习预测未识别病历的未来医疗结果的有效性（即根据患者的当前状态，我们相信我们可以通过从数百万其他患者的历史资料中学习来预测患者的未来，从而帮助医疗保健专业人员做出更好的决定）。我们对这个工作方向感到非常兴奋，我们期待着在2018年向您提供更多的信息。

　　我们机器人学的长期目标是设计学习算法，使机器人能够在杂乱的现实环境中运行，并通过学习来快速获得新的技能和能力，而不是像今天的机器人一样，设定精心控制的条件和一小组人工编的程序。我们研究的一个重点是开发一种技术，使物理机器人使用自己或其他机器人的经验来建立新的技能和能力，可以积累共享经验用于集体学习。我们还在探索能将基于计算机的机器人任务模拟与物理机器人经验结合起来的方法，从而更加快速地学习新的任务。虽然模拟器的物理学与现实世界并不完全相同，但是我们观察到，机器人学中，模拟经验加上少量的现实经验能得出比大量现实经验更好的结果。

　　除了现实世界中的机器人经验和模拟的机器人环境之外，我们还开发了机器人学习算法，这种算法可以通过观察人类对特定行为的演示来学习，而且我们相信这种模仿学习方法非常有前途，因为它可以快速地向机器人传递新的能力，不需要确切的规划，甚至不需要明确规定活动的目标。

　　我们还在11月份共同组织和主办了第一次新的机器人学习会议（CoRL，Conference on Robot Learning），同时研究机器学习和机器人两门学科的研究人员将聚集在一起。活动总结包含更多信息，我们期待明年在苏黎世举行的机器人学习会议 。

　　我们也对使用机器学习帮助解决科学中的重要问题的长期潜力感到欣喜。去年，我们利用神经网络去预测量子化学中的分子性质，在天文数据集中寻找新的系外行星，预测地震余震，并利用深度学习指导自动化的证明系统。

　　我们对如何利用机器学习作为帮助人们进行创造性工作的工具非常感兴趣。今年，我们创作了一个AI钢琴二重奏工具，帮助YouTube音乐人Andrew Huang创作新的音乐（参见Nat＆Friends的幕后视频），并展示了如何教机器画画。

　　我们还演示了如何控制运行在浏览器中的深层生成模型来创建新的音乐。这个作品赢得了NIPS 2017年度最佳demo奖，这是Brain team的Magenta项目成员连续第二年赢得这一奖项，第一年，Magenta的互动音乐即兴演奏获得了NIPS 2016最佳demo奖。

　　机器学习的进步为人们与计算机的交互方式提供了全新的可能性。同时，至关重要的是我们要确保我们正在建设的技术能给社会带来广泛的收益。我们将这些机遇和挑战视为一件紧迫的事情，并与谷歌的众多人员合作发起People + AI Research（PAIR）计划。

　　PAIR的目标是研究和设计人们与AI系统交互的最有效方法。我们启动了一个公共研讨会，将来自计算机科学，设计甚至艺术的学者和从业人员聚集在一起。 PAIR的工作范围非常广泛，其中一些我们已经提到过：通过解释性的工作帮助研究人员了解ML系统，并用deeplearn.js扩展开发人员社区。我们以人为中心的ML工程方法的另一个例子是Facets的推出，这是一种可视化和理解训练数据集的工具。

　　随着ML在技术上的作用越来越大，包容性和公平性的考虑越来越重要。 Brain团队和PAIR一直努力在这些领域取得进展。我们已经公布了一些方法来避免机器学习系统中的歧视，包括因果推理、开放数据集中的地域多样性的重要性，为此，我们还公布了一个开放数据集的分析，用于了解多样性和文化差异。我们也一直与Partnership on AI保持密切合作，这是一个跨行业的计划，旨在宣扬公平和包容，让公平和包容成为所有ML从业者的目标。

　　我们小组的研究文化的一个方面是让研究人员和工程师们解决那些他们认为最重要的基础研究问题。 9月份，我们发布了我们开展研究的一般方法。在研究过程中，我们注重对年轻的研究员的教育和指导。我们去年招进了100多名实习生，2017年我们的研究出版物中约有25％是与实习生合作所著。在2016年，我们开始了Google Brain Residency，这是一个指导想钻研机器学习研究的人的计划。在第一年（2016年6月至2017年5月），共有27位爱好者加入了我们的团队，并且在第一年的年中和年末公布了这些爱好者的研究成果。项目第一年的许多爱好者都留在我们小组，后来在组里作为专职研究人员和研究工程师，其中大部分人都留在了小组而没有去拥有顶级机器学习研究生课程的大学继续深造读博士，比如伯克利大学，CMU，斯坦福大学，纽约大学和多伦多等。 2017年7月，我们也迎来了我们的第二批爱好者，一共35位，2018年7月之前，他们都将和我们在一起做研究，他们已经做了一些很棒的研究，并已在众多的研究场所发表过演讲。去年，我们的小组发表了140篇论文，其中ICLR，ICML和NIPS有60多篇。