谷歌翻译实时显示
收到朋友发来的email，在查看邮件的时候，Gmail已经为你准备好了可能需要回复的内容。
无论是谷歌翻译还是Gmail，它们已被推出多时，均非新鲜产品，但在用户看不见的地方，谷歌已经并正在继续对它们进行“升级”。上述翻译及Gmail提供的改进，便得益于此。
“升级”源于谷歌AI first战略的执行和落地，2016年，谷歌CEO Sundar Pichai宣布谷歌战略从Mobile First（移动先行）转向AI First（人工智能先行），在对人工智能技术进行多年投入后，现在，谷歌正在通过深度学习、机器学习等技术，让旗下的产品变得更加智能。
升级旗下产品只是谷歌期望通过AI实现的目标之一。11月28日，在日本东京举行的Google亚太地区媒体开放日上，Google资深研究员、Google Brain负责人Jeff Dean表示，谷歌在人工智能领域的愿景，是通过三种途径让每个人都从中受益：使得 Google 产品更加实用、帮助企业和开发者创新，以及为研究人员提供工具，从而解决人类面对的各项重大挑战。
从谷歌展示的一系列产品及案例可以看出，谷歌正在为了实现上述目标而努力。
谷歌的新魔法
AI究竟让产品变得怎样实用？实际体验是回答这个问题的最好方式。
在今年Google亚太地区媒体开放日现场，谷歌准备了不同产品的展示，包括各类图像产品、Google assistant、Google translate以及一系列运用了机器学习等AI技术的小 应用 。
以图像应用为例，现实生活中，人们经常会遇到需要将纸质版 图片 或文件转为电子版的场景，通常情况下用户需要借助专业扫描设备才能得到理想的电子版，因为如果使用手机拍照，会出现反光、畸变等问题。
针对这一需求，谷歌推出一个名为“照片扫描仪”的APP，用户按照指引对纸质版物品拍摄五张不同角度的照片，该APP会对拍摄的图片进行计算和合成，最终输出一个与用专业设备扫描效果类同的电子版。
照片扫描仪（PhotoScan）APP效果
照片扫描仪只是谷歌在借助AI技术改进应用体验方面的一个案例，除了图像应用外，语音、文字等相关产品也有不同程度的体验改进。
不止是软件方面，在让AI技术落地上，谷歌还在尝试将AI、软件、硬件结合起来。
作为谷歌落地语音交互产品的重要硬件，Google Home如今可以提供非常多样的服务，比如它能够识别不同用户的声音，并给予不同的反馈。例如，A与B都养了宠物狗，当A对Google Home说想看宠物照片的时候，Google Home可以识别出A的声音，并将A的宠物照片调出；而当B提出同样要求的时候，Google Home调出的是B的宠物照片。
这一功能为Google Home的语音配对功能（Voice Match），它之所以能够实现，源于在机器学习的帮助下，语音助手能够识别不同的语音。据介绍，语音配对目前支持最多六个用户连接到同一台 Google Home，Google Home是目前市场上首个具备此功能的智能音箱。
机器学习还被运用到医疗领域，通过与印度和美国的医生合作，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。
经过训练，模型识别眼底扫描图的专业准确度甚至超过了专业医生的平均水平，而这可以帮助医生提高诊断效率，使患者尽早得到治疗。
同时，通过TensorFlow、云机器学习API（Cloud Machine Learning APIs）以及张量处理器（Tensor Processing Unit, TPU）电脑芯片，谷歌将AI能力向更多开发者开放出来。食品企业得以借此提高食物检查效率，生物学家得以更加高效的了解鸟类的习性并提升保护的效果。
而无论是优化现有产品、开放AI能力以及解决人类的共同问题，实现上述目标的基本前提是持之以恒的投入AI方面的研究，并取得进展。在谷歌的AI战略中，机器学习是重中之重。
改变这样发生
机器学习是计算机科学的一种形式，认为编写能使计算机自主学习如何变得智能的程序，要比直接编写智能程序要更为简单。通俗的来讲，机器学习的目的是让机器自身变得智能。
Jeff Dean介绍，机器学习是谷歌在人工智能领域的工作重心，谷歌开展机器学习的研究已经很长时间，但目前机器学习仍处于发展初期。如今，机器学习对分类、预测、理解和生成这四个关键方面很有帮助。而这些功能几乎已经被应用于谷歌所有的产品中。
无论是Goolge Photos 、Google Translate、Google Lens，还是Gmail 、Inbox 、Google Maps ，亦或者Google Assistant、YouTube，机器学习技术的加入，让它们可以提供更好的体验。
新款Pixel手机具备了人像模式，这一模式拍摄人像时可以柔和虚化背景，传统技术条件下，这需要一个多镜头的专业相机才能实现，但机器学习和计算摄影技术的结合，使得Pixel手机依靠每侧各有一个镜头便实现了同样的效果。
根据谷歌搜索项目总监Linne Ha的介绍，深度神经网络技术大大提高了语音搜索中语音识别的准确性，这使得用户在嘈杂的环境中也可以与手机自由对话。在机器学习的帮助下，自然语言处理系统能够更好地理解你想说的话。在利用机器学习实现文本向语音转换的实验项目Project Unison的帮助下，通过转换引擎，手机可以用语料并不丰富的语种，如孟加拉语，高棉语和爪哇语。
实际成果已经证明，机器学习与具体应用结合可以取得非常好的效果，但Jeff Dean仍旧提示目前机器学习存在的两大挑战，首先是机器学习模型的触达性；二是机器学习模型的包容性。
为了解决第一个问题，谷歌将在明年在互联网上提供免费的机器学习课程，为了解决第二个问题，谷歌启动了People + AI Research （PAIR） 计划，并与与Geena Davis 研究所合作建立了GD-IQ（一种利用机器学习检测 电影 中性别偏见的工具）。
上述措施对解决机器学习面临的挑战提供了帮助，但于谷歌而言，在AI frist的战略指引下，其面临的挑战不止于此。
从行业竞争的角度而言，越来越多公司推出了机器学习开源平台，谷歌要如何应对竞争，保持对开发者的吸引力？而从国家间的竞争来看，谷歌还面临着美国政府是否愿意投入和支持AI产业发展的影响。
面对行业竞争，Jeff Dean表示，“TensorFlow在不断的发展，不断地增加新的功能。它们可能针对不同的人群，有的针对研究者，有的更多倾向于移动平台。所以这样的竞争是好的。TensorFLOW的开源软件是有很灵活的Apache 2.0 许可机制。”
而面对国家间的竞争，谷歌选择了建立本土团队提升AI发展速度的做法。Jeff Dean表示，谷歌正在中国组建AI团队，团队主要分布于北京和上海两个城市。
这一做法显然是从新人才的角度出发——“我们想关注下一代有更好计算能力的人，解决实际的问题，有意思的问题。我们并不担心竞争对手，我们关心的是我们自己的研究。”
从研究到应用，再到开放，Google在AI first战略的指引下，已经形成了比较完成的拼图，尽管人工智能的发展让部分公众对其安全性产生担忧，但在一直投身于这个行业的Jeff Dean看来，机器学习可以帮助人类解决更复杂的问题，“我们现在应该着眼于解决眼前的问题”，而这也将影响着谷歌未来发展AI的路。
