事關人類存亡的 14 大工程難題，要靠 AI 來搞定了

在 Google I/O 2019，除了針對消費者的功能改進和開發者的工具革新，Google 將重點放在如何用 AI 解決人類面臨的棘手難題。

美國工程界的最高學術團體美國國家工程院（National Academy of Engineering）於 2008 年發表 21 世紀人類面臨的 14 大工程挑戰，而 Google 科研領袖 Jeff Dean 告訴筆者，他領導的 Google AI 正著手解決這些挑戰。

如果這些挑戰背後的難題不得到一定程度的緩解，很可能意味著人類將無法健康地延續到 22 世紀。這些難題在世界各地出現，也包括各行各業，但 Google AI 用擅長的手段嘗試攻克（或貢獻力量）。

▲ NAE 一共列出 14 條工程挑戰，紅色標記的是 Google AI 參與解決的項目。（Source：Jeff Dean）

毫無疑問，Google AI 擅長的，正是深度學習。

為什麼深度學習可用於解決能源、交通、診斷、醫藥、安全等多方面問題，成為泛用的科學探索工具？

Jeff Dean 認為，這是因為深度學習可從原始、異構、攜帶雜訊的數據開始學習，即便開發者不具特別領域知識，也可開發出達到甚至超過領域最高水準的神經網路。

且機器學習技術日新月異，現在每天發到 ArXiv 的論文就有 90 篇；深度學習的技巧也層出不窮，使神經網路掌握越來越多過去公認只有人類才能掌握的複雜能力。

現在，人類不得不應付重大的工程挑戰，並尋求在本世紀解決。Jeff Dean 認為，深度學習可成為很好的工具。

維護和改進城市基礎設施 Restore & Improve Urban Infrastructure

交通是城市基礎設施的重要部分，也是隨著人口增長和城市化加劇，面臨壓力最大的領域之一。社會在變化，道路通常是一成不變。因此，交通在 21 世紀工程難題尤其顯著。

Google 採取的切入角度是提高道路交通安全和效率，而除了開車放下手機，最有效的方法可能就是自動駕駛。

Waymo 自駕車從研發到今天已將近 10 年，截至去年累計行駛 800 萬英里，並在全球所有自動駕駛開發者中取得最低事故率。

Jeff Dean 指出，深度學習是 Google / Waymo 取得成就的功臣，讓自動駕駛系統整合並學習不同感測器的原始數據，繪製高精度地圖，「看懂」周圍的車輛、行人和障礙物在哪裡，甚至可預測其他道路參與者的行進方向，輔助自駕車決策。

他介紹，現在 Waymo 在亞利桑那州已有超過 100 輛測試自駕車，可在沒有安全駕駛員的條件下載客前往目的地。許多業界人士都認為，理論上如自駕車占一地區總車輛的比例越高，此地區的事故率越小、交通效率將越高。

除了自動駕駛之外，機器學習也可以透過其他方式提高交通效率。比如在摩托車流行的東南亞國家和地區，Google 在地圖導航加入「兩輪模式」，讓系統能匯總多元數據來源，為摩托車駕駛者推薦捷徑、小道，避免高峰壅塞。

用深度學習帶來醫療資訊革命 Advance Health Informatics

糖尿病的併發症之一，糖尿病視網膜病變（Diabetic Retinopathy，DR）侵蝕患者視力，一般患病 10 年才開始出現病變，導致失明。這病症實際上可預防，有經驗的眼科醫師往往能透過視網膜眼底掃描觀察到徵兆。然而，以印度為例，全國約有 12 萬名眼科醫師缺口，DR 患者往往無醫可投，導致大量人口失去視力。

Google AI（原 Google Research）的研究員莉莉‧彭博士帶領團隊，基於捲積神經網路搭建，利用眼科專家標記好的掃描圖為訓練數據，最終得到一個 DR 預估模型。

筆者曾採訪報導這項技術。當時，此模型在發現症狀的敏感度（98.8）和判斷症狀的準確性（99.3），都比人的得分要高（統計學上這個得分叫 F-score，普通眼科醫生的分數是 0.91，模型 0.95）。

好消息是，Jeff Dean 告訴我們，經過兩年發展，現在新模型更進步，得分和專業視網膜眼科醫師持平。

這還沒完，潛力遠不只診斷 DR。Jeff Dean 透露，莉莉‧彭的團隊在這個模型取得更卓越的科學成就。正是因為深度學習的泛用型強，現在他們可用同樣的眼底掃描圖像，來預測性別、年齡、血壓、骨齡及其他病症的發病機率，且準確度極高。

這是醫療資訊學的重大突破，因為能補充醫療條件限制未能獲取的關鍵資訊。最短期和直接的效果就是為眼科醫生的診斷和治療推薦提供更多參考數據，長期來看還能提前預測和診斷更多病症（比如心血管疾病）。儘管這並非專業診斷，但仍足以提前 5 年甚至 10 年，拯救現在的普通人，未來的患者。

通用 AI：打造科學突破的工具 Engineer the tools for Scientific Discovery

以青黴素和 X 光為例，許多知名的科學突破都有偶然性。即便如此，人們也一直沒有停止試圖發現讓科學突破持續發生的「永動機」。

Jeff Dean 指出，在更強大計算力的加持下，深度學習更便於投入更多領域，因此，深度學習有成為這樣工具的潛力。因為正如前述，深度學習的技巧層出不窮，讓神經網路掌握越來越多過去公認只有人類才能掌握的複雜能力。

以 TensorFlow 為代表，這個由 Google 主導並開源的深度學習計畫，現在正在被農業種植養殖、工業生產、網路、醫療金融等多個行業使用，在三大產業中持續促成效率進步。一個例子在歐洲的一座農場，農場主人運用了 TensorFlow 搭建養殖監控技術，透過鏡頭、動作捕捉等感測器時刻追蹤和分析牲畜的健康狀況和運動軌跡，顯著提高了出欄率。

至於科學突破，前述的視網膜眼底掃描也可以做為一個例子。

前年，Google 宣布了神經架構搜尋（NAS）/ AutoML 技術，可以比喻為「用神經網路設計和訓練神經網路」，在包括圖像辨識等領域超過手調神經網路的效果。

但是現在，Google AI 已經不滿足於已經取得的成就。Jeff Dean 說，他們正在思考一種全新的神經網路形式：一個巨大的、稀疏觸發的模型（a large model, but sparsely activated）。

這種新神經網路的參數之多，和現有神經網路相比可能是幾何級的，但是，當它處理不同任務時，只需要觸發少數路徑的節點，並不需要全部觸發。這樣設計的目的，是讓一個神經網路執行多種不同任務──少則數百、多則上百萬種，以此顯著降低神經網路設計、搭建和訓練的計算量和耗時，做到更強的通用性。

Jeff Dean 表示，他描繪的新神經網路，確實和人們曾熱議但認為短期內不會實現的「通用人工智慧」（general AI）有些許相似。但是他強調，Google AI 的主張是即便在這個新的巨大且稀疏觸發的網路內，訓練仍然是自我監督。

2017 年，他和幾位同事（包括 Geoff Hinton、Quoc Le 等 Google AI 頂級學者）以及外部研究夥伴共同提交了這個方向的首篇論文，名為《Outrageously Large Neural Networks: The Sparsely-Gated Mixture- of-Experts Layer》，呈現了一個超過 1,370 億參數，擁有數千個子網路的巨大神經網路架構，在語言建模、機器翻譯等場景下，用更少的計算量超越目前最高水準的神經網路。

Jeff Dean 展示了 Google AI 對於這個技術的未來構想：除了優化網路結構，Google 可能還將開發新的、針對網路結構優化的機器學習超級電腦（就像他們為 TensorFlow 設計 TPU），屆時，新的計算公式將為 Google AI 解決 21 世紀偉大工程挑戰帶來更多幫助。

「深度學習正在幫助我們挑戰很多重大難題，會在科學突破和人類發展的許多領域做出巨大貢獻」。Jeff Dean 表示。

（本文由 PingWest 授權轉載；首圖來源：shutterstock）