視頻識別、語音識別、臉部識別、語音搜索、圖片搜索、谷歌眼鏡、自動駕駛汽車，在谷歌規劃的一系列智能產品和應用的背后，是谷歌在神經網絡技術的進步和在虛擬腦技術計算領域的突破。

    這一看似高深的技術以大數據處理和海量計算為基礎，為人工智能提供計算服務，使得越來越計算成為可能。在今年夏天該技術因谷歌的貓臉設別而廣為了解，近日《麻生理工創業技術》上刊登了一篇文章，詳細介紹了該技術的進展，以下是文章全文。

　　今年夏天，谷歌在人工智能領域獲得突破。谷歌發明了一個軟件，只需要看一下YouTube上的視頻，就能學會識別貓和人，還有其他東西。這項技術根據腦細胞的運作方式建立，并已開始讓谷歌的產品變得更聰明。而語音識別也成了這一軟件的首個盈利服務。

　　谷歌的學習軟件基于對一組相互連接的腦細胞的模擬。這些腦細胞可以彼此溝通，互相施加影響。當把這樣一個神經網絡暴露在數據面前，不同神經元之間的關系會發生改變。這樣，網絡就會發育出對某個類別的輸入數據作出特定反應的能力。通過這種方式，網絡“學”到了一些東西。

　　在過去的幾十年里，神經網絡已被使用在機器學習的領域，例如國際象棋軟件或臉部識別。谷歌的工程師找到了可以利用更多計算力量的方法，這是之前做不到的。他們制造出的神經網絡可以不需要人的幫助，而且還很穩定，可以走出實驗室展示階段，進入商業化過程。

　　谷歌的神經網絡可以自己決定什么類型的數據需要特別注意，什么模式特別重要。例如，哪些顏色和特別的形狀是軟件正在識別的物體的重點？所以它無需人類使用者來做決定。

　　谷歌現在正使用神經網絡來更準確地識別語音，對于谷歌的智能手機操作系統安卓來說，這一功能變得越來越重要，對谷歌在蘋果上的搜索應用來說也是如此。我們在修正錯誤單詞方面改進了20%到25%，”谷歌的語音識別領導文森特•凡豪克（Vincent Vanhoucke）說，“這意味著更多的人會得到無錯的完美體驗。”目前，神經網絡只對美式英語有效，不過凡豪克表示谷歌正在其他方言和語言上作出相似的嘗試。

　　其他一些谷歌的產品也會從新型學習軟件中受益。例如，谷歌的圖片搜索工具可以更好地理解圖片的內容，而不依賴周圍的環境。而谷歌的無人駕駛汽車和嵌入移動計算機的眼鏡也能依靠軟件來更好的理解現實世界數據。這項新技術在今年6月登上了很多媒體的頭條。那時，谷歌的工程師發表了實驗結果。他們從YouTube的視頻中獲得了1000萬張圖片，并把這些圖片扔到了模擬腦細胞中，為了完成這一工作，幾千臺計算機的1萬6千個處理器連續不斷地工作了10天。

　　“大部分人只用一臺機器來建模，但我們希望用一個很大的神經網絡來進行實驗，”杰夫•迪安（Jeff Dean）說，他是谷歌幫助領導研究的工程師。“如果你能擴大模型和模型處理數據的規模，你就能理解更細微的差別和更復雜的特征。”

　　通過這種方式產生的神經網絡更加靈活。“這些模型可以更好地理解環境，”迪安說，他給出了一個語音識別世界的例子。例如，如果谷歌系統認為它聽到一個人說“我要吃一個荔枝，”但是“荔枝”這個詞卻沒聽清楚，它會從過去的經歷中進行猜測。因為“荔枝”是一種水果，會在和“蘋果”或“橙子”相同的語境下使用。

　　迪安介紹說，他的研究團隊還在測試可以同時理解圖片和文字的模型。“如果你輸入‘鼠海豚’這幾個字，它就會給你鼠海豚的照片，如果你提供一張鼠海豚的照片，它就會給你‘鼠海豚’這幾個字。”

　　下一步，研究人員會讓同一個模型學習詞匯的聲音，可以把不同的數據關聯起來。這些數據可以讓語音識別從視頻中收集到額外的線索，也可以讓谷歌的無人駕駛汽車提升性能，因為它可幫助這些汽車結合不同來源的數據（例如對附近障礙的激光掃描和汽車引擎的數據），更好地理解周圍環境。

　　蒙特利爾大學（University of Montreal）的教授喬舒亞•本希奧（Yoshua Bengio）表示，谷歌在神經網絡上的工作讓我們朝著人工智能的終極目標邁進了一小步：匹配動物甚至人類的智慧。本希奧研究的也是類似的機器學習技術。“這條路會通向更加廣義的人工智能，如果你不能把大量關于這個世界的知識放到機器里，你就不可能得到一個智能的機器，”他說。

　　本希奧還表示，谷歌的神經網絡事實上和哺乳動物的視覺皮層運作方式相似。視覺皮層屬于腦部的一部分，負責處理視覺信息。“結果是，[谷歌的]學習網絡的特性和腦部用來發現物體是否存在的方法相似。”

　　不過，他很快補充說，即使是谷歌的神經網絡也比腦部要小得多，而且也不能進行很多對智能來說必要的活動，例如根據外部世界收集來的信息進行推理。

　　迪安同樣也很謹慎地不把他構建的有限的只能同任何生物腦相比。但是他還是忍不住指出，在某些競賽中，谷歌的神經網絡卻能擊敗人類。

　　他說，“在一些視覺任務中，它比人類的表現更好。”迪安舉了一個分類標記的例子。在這個任務中，門牌號碼會出現在谷歌街景汽車拍攝的照片中，這一過程一般來說都會交給很多人來干。

　　“它們開始使用神經網來決定[圖片中的]某一塊區域是否是門牌號碼，”迪安說，它們表現得比人還好。這只是一個小勝利，但卻凸顯了人工神經網絡和你腦袋里的神經網差距是多么的巨大。“很可能這并不那么讓人激動，不過計算機卻永遠不會厭倦，”迪安說。真實的智慧卻會厭倦。