很多人对于人工智能的认知是从AlphaGo开始的，从2016年4:1击败李世石，到2017年3:0横扫柯洁。

在打败柯洁之后短短几个月里，谷歌已经推出了好几个新版本的AlphaGo，其机器学习能力又取得了飞速的提升。这也让我们看到了AI在更广阔领域应用的美好前景。

目前的AI应用，以语音和图像识别为主，还有生物医药等领域，当然眼下最火的似乎是尚处于早期阶段的自动驾驶。其实，AI还可以在很多行业、很多应用领域造福人类，而不是代替或者消灭人类。

能够自我学习的AlphaGo Zero

AlphaGo Zero是谷歌Deepmind于2017年10月发布的，采用了4颗谷歌专为机器学习打造的TPU。

此前版本的AlphaGo是通过学习职业选手的棋谱来学会如何下棋。而AlphaGo Zero则跳过了这一步，只需要把围棋的规则进行输入，AlphaGo Zero就会自己跟自己下棋，从完全随机下棋开始，逐步提升棋力。

通过这种强化学习的新方式，AlphaGo Zero将神经网络与强大的搜索算法相结合，自己教自己下棋。最开始，这个神经网络完全不会下棋，但通过对弈的结果来向上迭代。每经过一次迭代，都会产生一个更新的神经网络，棋力也就提升一个等级。经过不断学习，自我对弈的质量越来越高，AlphaGo Zero的棋力也越来越强大。

经过短短三天的自我学习，AlphaGo Zero就超越了击败李世石的AlphaGo Lee；经过40天的自我学习，AlphaGo Zero又超越了击败柯洁的AlphaGo Master。

最新的消息是：2017年12月，谷歌又推出了AlphaZero，仅用了8个小时的学习时间就打败了AlphaGo Lee。

AI和机器学习的应用场景

推出AlphaGo，并不是谷歌的最终目的。AlphaGo再强大，毕竟只是围棋这么一个游戏而已，但其采用的机器学习技术，却能够让AI造福人类。

因此，谷歌不仅在学术层面上进行着对人工智能的研究，也将研究成果在很多行业投入了实际应用。我们从谷歌近期发布的一些应用案例，来看看人工智能和机器学习能够在哪些行业获得应用。

动物保护：最终濒危海牛

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，野生动物保护者们需要对它们的数量与位置进行追踪研究。

数十年来，科学家一直利用小型飞机航拍来对海牛种群数量数据进行收集。这样的方法不仅成本昂贵，而且还有一定的危险性。来自Murdoch大学的Amanda Hodgson博士则为这种传统方式带来了革新：使用无人机进行海面的航拍。但随着航拍的自动化，又迎来了全新的挑战：如何才能从多达 45000张照片中，准确、快速的找到海牛？

仅凭肉眼判断及人工检索将严重延缓研究的进程，且无法扩展至对于其它地区或种群的研究当中。因此，Hodgson博士以及她的研究团队决定采用机器学习工具。与来自Queensland大学的计算机科学家Frederic Maire博士联手，他们使用TensorFlow建立了一个能够自动识别巨型航拍图中海牛的探测器。机器识别的速度远远超过了人工，精度也是肉眼的1.4倍。

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。若是发现及时，该病是可以被治愈的，但若未能及时诊断，则可能导致不可逆转的失明。

专科医生检测糖尿病视网膜病变最常用的方法之一，是用眼球后部的扫描片进行分析，观察是否有病变的征兆，并判断其严重程度。通常医生会建议糖尿病人每年都对眼部进行检查，但并不是所有患者都能拥有好的医疗条件，世界上许多糖尿病高发的地区没有能力检测该疾病的专业医疗人士。

通过与印度和美国的医生密切合作，谷歌创建了一个包含12.8万张眼底扫描图片的数据集来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方法有着很大潜力，可以帮助医生提高诊断效率，使患者尽早得到治疗。

能源：降低数据中心能耗

数据中心的运行和降温消耗着大量的能源。为减少为设备降温所消耗的能源，谷歌Deepmind通过监测和收集数据中心温度、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未来温度和压力。机器学习系统使用于冷却的能源使用减少了40%，相当于15%的总能源消耗。

艺术：机器涂鸦

涂鸦是人们对事物的抽象视觉表达。AI和机器学习技术似乎使机器学会了“看懂”和“理解”涂鸦内容，但这似乎还远远不够。比如，要如何让机器学会自行生成涂鸦呢？

科研人员们受人类绘画过程的启发，降低维度，通过用大量的手绘涂鸦来组成数据集训练模型，训练机器来理解人们在绘制涂鸦时是在何时起笔、走笔方向、何时停笔。经过训练的模型在接收一张人手绘的涂鸦后可以生成一张同主题的新涂鸦。

对于人类来说，涂鸦作为一种高度概括的抽象概念，在人们进行交流、表达情感的过程中起着很大的作用。让机器学会涂鸦的研究，其意义不仅在于探索机器如何对抽象概念进行理解。或许在不久的将来，这些模型将会协助艺术家进行创作，或是成为辅导人们学习绘画。

机器翻译

早在2016年，谷歌就发布了突破性的翻译技术神经网络机器翻译系统（Google Neural Machine Translation），并将这项技术应用到谷歌翻译中。其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、土耳其语这八组语言的互译。

早年的机器翻译，是将句子拆分成词和短语来单独进行翻译。这种翻译方式的劣势非常明显：句子中原本完整的信息被碎片化，无法连贯地进行表达。

而如今的神经网络机器翻译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，大幅提高了谷歌翻译的精确度与流畅度，翻译误差降低了55%～85%。同时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。

图像和视频识别

TensorFlow是谷歌的机器学习开源项目。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。

基于TensorFlow等架构开发的谷歌云视频智能API，能够让开发者轻松搜索和发现视频内容。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）的信息完成搜索。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”将会找出所有包括老虎的精准镜头。

目前，谷歌推出的机器学习API包括视觉、视频智能、口语、自然语言、翻译和求职等多种类型。对于开发者来说，这些API是极具价值的，能够将人工智能和机器学习应用到各个行业当中去。