2016 年 3 月， AlphaGo人機大戰讓全世界都知道了人工智慧的威力。這場大戰半年前，Google 就已經把它的人工智慧底層能力開放給了全世界。2015 年11 月9 日，Google 正式對外開源了機器學習框架TensorFlow，到2018 年11 月正好3 年。TensorFlow 這三年一直保持著更新，2019 年即將布2.0 版本。應用方面也沒落下，Google 用TensorFlow 優化了旗下許多產品。
借助TensorFlow，Google 讓產品更智慧
在Gmail 裡寫郵件，系統會智慧建議下一個單詞或完整的句子。在Google Photos 裡瀏覽時看到一張偏暗的照片，系統會自動提示你調整曝光，讓照片更亮一點。在Google 翻譯裡寫入一個句子，系統可以對整個句子進行翻譯而非逐字翻譯，大幅提高翻譯精確度和流暢度。跟Google 的人工智慧助理Google Assistant 對話，再也不用一次次說出喚醒詞「Hey，Google」，一次喚醒就能持續多輪對話。
Google內部超過80%的軟體項目都採用了基於TensorFlow的機器學習，最新案例是可以自己打電話的AI系統 ——Duplex。
Google 在2018 年的Google I/O 大會上發布的Duplex，具備語言理解、互動、時間控制、語言產生方面的能力，可以幫你打電話給髮廊、餐廳等消費場所，詢問訊息或預定。在和店員交談中，它還能模仿人類的語調，在說話間停頓、拉長，甚至使用「嗯」、「呃」一類語氣助詞。
將 TensorFlow 用於自己產品智慧化，這是再也正常不過的操作了。在一些有足夠標註資料的垂直行業，TensorFlow 可以發揮出更大的潛能。
上能發現「第二個太陽系」，下能預測餘震位置
2017 年 12 月，Google 和德克薩斯大學奧斯丁分校合作，用 TensorFlow 分析克卜勒望遠鏡獲取的資料，成功發現了兩顆新的地外行星：克卜勒-90i 和克卜勒-80g，其中克卜勒-90i 所在的星系克卜勒 90，更是太陽系之外首個已知的八行星星系。
眾所周知，天文是一個資料量非常龐大的領域。前不久退役的克卜勒天文望遠鏡，一直在用凌星測光法收集資料。
凌星測光法的原理是，當行星從恆星前方經過，會遮擋住一部分光線，克卜勒望遠鏡就能探測到恆星光線減弱，體現在光變曲線中有一個「U」型下沉。
原理很簡單，但克卜勒望遠鏡收集的資料實在太多，若逐一進行人工檢查，實在太耗時耗力。而且有的行星很小、很黯淡，對應的恆星卻非常明亮、巨大，觀察起來非常困難，就像在聚光燈下尋找一隻螢火蟲一樣難。
Google 的 AI 科學家想到，這個問題和 Google Photos 為照片分類十分類似，於是在 TensorFlow 的基礎上搭建了一個機器學習模型，對 15000 個已經被標註過的地外行星資料進行神經網路訓練，判斷克卜勒望遠鏡接收到的信號是否來自某顆地外行星。經過訓練後，該模型的判斷準確率達到了 96%。
成功運作後，這個模型被用在了實戰中，很快從 670 顆恆星周圍找到了兩顆地外行星，分別是克卜勒 90 星系中的克卜勒-90i 和克卜勒 80 星系中的-80g。
得益於克卜勒-90i 的發現，克卜勒 90 星系成為太陽系之外首個已知的八行星星系。
天文學界的共識是，一個和太陽系近似的星系中，可能有和地球類似的行星，生命存在的可能性較高。遺憾的是，克卜勒-90i 離太陽太近了，一年只有 14.4 天，地表溫度約 427 攝氏度，幾乎不可能有碳基生命存在。
TensorFlow 不僅可以處理天上的事情，還能解決地面的麻煩，比如地震。地震造成破壞不可避免，但如果可以及時營救，能最大程度減少損失。
每次主震之後，災難並沒有完全過去，還可能有餘震維持數月，繼續摧殘著被主震動搖的建築物。地震學家一直致力於透過資料預測餘震發生的時間、規模和地點，以安排及時的營救。
但是，地震學領域的資料非常複雜，每次地震事件都有很多變量，如不同區域地表的構成元素、地震模塊之間的互動、地震波傳遞能量的方式，單純靠人工在資料中找到聯繫、繼而預測餘震成本很高。基於過去的經驗定律和模型，地震學家們已經可以較好預測餘震發生的時間和規模，但預測位置則相對困難。
為此，Google 和哈佛大學的研究人員利用 TensorFlow 開發了一個深度學習模型，並且用包含超過 13 萬次主要地震的資料集去訓練。這個深度學習模型引入了一種以前常用於冶金術的馮‧米賽斯屈服準則，以更好地找到複雜地震資料間的相關性，從而對餘震位置進行預測。
這個模型目前還只能應用於靜態應力（更好預測），對於動態應力還有心無力。但正如哈佛研究團隊裡的領隊 Phoebe DeVries 所說：「完全準確預測出餘震位置還有很長的路要走，但我想機器學習在這方面有很大的潛力。」
行醫濟世，AI For Good
醫學一直是 TensorFlow 應用的重點領域，目前在檢測糖尿病視網膜病變、檢測轉移性乳腺癌、心血管疾病評估、癌症檢測和分析病歷中小有成果。
以檢測糖尿病視網膜病變為例。全球範圍內有 4.15 億糖尿病患者面臨視網膜病變的風險，若是發現及時可被治癒的，但若是未能及時診斷，則可能導致不可逆轉的失明。
專科醫生檢測糖尿病視網膜病變最常用的方法之一，是用眼球後部的掃瞄片進行分析，觀察是否有病變的徵兆（例如微動脈瘤、出血、硬性滲出等），並判斷其嚴重程度。但世界上許多糖尿病高發的地區，並沒有足夠的專業醫療人士去檢測該疾病。這個問題在南亞地區尤為嚴重。
為此，Google 於 2016 年和美國、印度醫生合作，創建了一個包含 12.8 萬張眼底掃瞄圖片的資料集，用於訓練一個檢基於 TensorFlow 的深度神經網路。Google 把神經網路的診斷結果，和 7 個專業醫生的診斷結果對比，結果表明前者的結果與眼科醫生小組的診斷相當。
2016 年這個研究公佈後，深受醫學界好評。哈佛醫學院的安德魯 ‧ 比姆和艾薩克 ‧ 柯漢表示，「這一研究展示了醫學新世界的樣子。」
目前，Google 在醫學領域最新的消息是，新成立 Google Health 部門，並把一手締造了 AlphaGo 的 DeepMind 的健康業務納入其中。
實用之餘，還會畫畫
別看 TensorFlow 「一本正經」，又是發現行星、預測餘震，又是診斷糖尿病視網膜病變的，其實搞起藝術來也有兩把刷子。像 AutoDraw，能幫助你將自己的一些塗鴉轉變成規整的畫作。
操作步驟也很簡單，點擊左側第二個按鈕，啟動機器學習辨識模式，再隨便塗上幾筆。AutoDraw 會即時辨識這是什麼，並給出一些圖形供你選擇，點擊一下即可替換。
AutoDraw之所以能猜出你畫的是什麼，得益於一個名為「Quick，Draw! 」的項目。這個項目採用群眾募資的模式來蒐集成千上萬的塗鴉，組成資料集後用於訓練模型。模型能理解人們在繪製塗鴉時是在何時起筆、走筆方向、何時停筆，以及畫的是什麼。
- 本文授權轉載自Pingwest
請注意！留言要自負法律責任，相關案例層出不窮，請慎重發文！