[東京直擊]Google 下一個發展重心:機器學習

11月10日在日本東京舉辦的Google亞太活動Alphabet集團執行董事長施密特(Eric Schmidt)視訊出席活動時,表示Google 的下個發展重心 – 將是機器學習。

Google 機器學習已經從實驗室裡的技術發展成有數十億使用者的科技,現在看機器學習的應用面就像在 2010 年時看行動應用,機器學習已經從理論進化成實際應用。Google 搜尋、YouTube、Google 翻譯、Google Play 都已經運用機器學習技術。

Google不斷強調機器學習不是單單一種模式,而是一種工具,能夠廣泛應用在生活各種領域的重要革命性工具。「機器學習」思考,讓員工不在做機器可以執行的工作,把大腦從日常Routine中解放出來,執行更具創造力,想像力的工作。這不僅是Google產品端的革命,也是內部公司文化的革命。

施密特大膽地說,「如果你希望你的數據安全,那就存到Google來。」數據搜集是機器學習的關鍵,Google非常注重數據管理,隱私保護一直是Google很在乎的議題,有強大加密技術保護數據。

但從 2014 年起歐洲地區吹起一股「反美科技」浪潮。以 Google 等科技巨擘為首,等美國科技公司侵犯隱私,蒐集他們的線上搜尋資料,用來宣傳廣告。而當Google轉向機器學習時代,需要大量多元的資料訓練機器,數據是外界對Google機器學習領域的最大質疑,尤以歐洲為甚。雖然Google再三強調不會將使用者的數據商業應用,但這也許是「搜集」與「使用」上的定義不同,這也是Google在歐洲面臨的最大挑戰。以下是施密特演說重點整理:

圖說明

(圖說:Alphabet 集團與董事會執行董事長施密特。圖片來源:Google)

1.我不認為要讓電腦模仿人腦

我不認為要讓電腦模仿人腦,大腦神經元太多,模仿大腦做人工智慧太複雜。但我們可學習大腦如何記憶,利用在機器學習上。機器學習對我而言,重點在讓人類不用再做機械性事物,如製造業產線工人或打字員等。

因為電腦有大量運算能力,運算的效果如果比人更好,像開車這件事,那就教給機器開就好了。或是讓機器來做醫生,是不是比人更好?提供更準確的診斷? 因為機器不會疲勞但是人會。

機器學習需要投入大量技術與資源,要把問題轉換成機器學習能解決的題目並不容易,然而一但轉換成功,將會顯著成長,多餘的工作將會消失。

2.邪惡機器人總出現在電影中

外界總認為當機器人越來越像人,機器人可能對地球造成危害,就像電影《關鍵報告》一樣。但我認為只有電影才把機器人描述地這麼邪惡。在實際應用中,人類可以透過演算法控制機器人執行正常任務。

人類創造的機器人應該都是好的機器人,可以幫忙打掃,澆花、做家事,這種機器人是大家最想要的。

3.下一代的程式設計人才必須具備有很好的數學能力

工程師不再需要自己Coding,而讓電腦去寫,這是下一代的程式設計人員的挑戰。下一代的程式設計人才必須具備有很好的數學能力,因此注重數學教育的亞洲人才比歐美人才更具競爭力。

我最近去了一趟韓國與中國。韓國經濟在放緩,因此強調創業精神振興經濟,推行機器學習創業。在中國我花很多時間拜訪政府部門,雖然很多人說中國經濟增長減緩,但中國的經濟潛能還是非常之大的。

機器學習最大的挑戰就是全球上網的人還不夠多,要有更多網路覆蓋,讓貧窮的亞非國家與弱勢群體能上網, 網路是一種巨大的現代化力量。

4.電腦視覺(Computer Vision)的診斷辨識即將超越人類視覺

去年九月,Google 研究團隊「GoogLeNet」發表了一篇關於神經網路(neural network)的論文,名為「全面啟動」(Inception),因為這個神經網路的運作原理就類似電影「全面啟動」中夢境的分層概念。系統可以透過 22 層的電腦視覺運算,找出最相關的圖像,捨棄不重要的部分,進而分析出不同的物件。

舉例來說,當 Google 相簿辨識一隻貓的照片時,首先會辨識出這是一隻「貓」的線條與顏色,接著發現眼睛與耳朵,經過這樣一層層複雜的偵測,最後完成辨識。

機器學習也將比人類更能預測使用者喜好。例如,雖然我的朋友們可以透過音樂類的 App 推薦我最新的當紅歌曲,但是人會跟不上流行,而機器卻永遠能提供時下最熱門的音樂。

跨領域的機器學習將有更顯著的效果:機器學習將能有效改善其他技術現有的問題,或是加快解決問題的速度。

转自:數位時代