订阅
纠错
加入自媒体

谷歌的人工智能三大布局

2022-02-08 10:09
零壹财经
关注

来源 | 零壹财经

作者 | Chenglin Pua

谷歌(Google),总部位于美国加州芒廷维尤的跨国科技公司。谷歌的业务范围涵盖互联网广告、互联网搜索、云计算等领域。谷歌也开发并提供大量基于互联网的产品与服务,其主要利润来自广告服务。随着广告业务市场的增速放缓,谷歌也在寻找下一增长点。

人工智能很可能是谷歌的下一个增长点。谷歌在人工智能领域“不计回报”的大手笔投入,而这些投入也在近期迎来开花结果的时刻。谷歌接下来很可能在3个领域中领先全球,甚至很有可能带来技术革命,这三个领域为预测蛋白质、芯片设计和人工智能操作系统。

更准确、快且低价的蛋白质预测

2020年12月,谷歌最新人工智能 AlphaFold 2成功基于氨基酸序列预测了生命基本分子,蛋白质的三维结构。继AlphaFold在围棋打败“世界冠军”AlphaGo(战胜人类围棋冠军李世石)之后,AlphaFold解决了一个困扰人类50年的难题,此难题属于人类科学中最棘手的领域——基因医疗科学,这可能为更好地了解疾病和药物研发铺平道路。

AlphaFold 是由 Alphabets/Google 旗下的 DeepMind 开发的人工智能程序,它能够执行蛋白质结构的预测,该程序被设计为一个深度学习系统。AlphaFold AI 软件有两个主要版本。AlphaFold 1在 2018 年 12 月的第 13 届蛋白质结构预测技术关键评估(CASP)的总体排名中名列第一。AlphaFold 2 在 2020 年 11 月的 CASP 比赛中再次夺得第一名。AlphaFold 2对于蛋白质预测的准确度水平远高于任何其他团队和程序。2021 年 7 月 15 日,AlphaFold 2 在《自然》杂志上作为开源软件和可搜索的物种蛋白质组数据库一起发布。

蛋白质折叠(Protein folding)是蛋白质获得其功能性结构和构象的物理过程。通过这一物理过程,蛋白质从无规则卷曲折叠成特定的功能性三维结构。蛋白质的基本单位为氨基酸,而蛋白质的一级结构指的就是其氨基酸序列。蛋白质会由所含氨基酸残基的亲水性、疏水性、带正电、带负电等特性通过残基间的相互作用而折叠成一立体的三级结构。

一旦蛋白质折叠错误,就会导致糖尿病、帕金森症和阿尔茨海默病等疾病。因此,预测蛋白质折叠结构的能力意义重大。AlphaFold 2的成果意味着未来只需要初步的试验数据即可以对蛋白结构进行高效、简便且精准的预测。当人工智能与基因科学相结合,人类将进入一个风高浪急的新时代。

此一巨大的突破引来了许多大佬的纷纷点赞,例如李飞飞、马斯克。《自然》杂志则评论:这将改变一切!谷歌的首席执行官Sundar Pichai在推特上为此次突破点赞。DeepMind联合创始人及首席执行官Demis Hassabis则表示,DeepMind背后的终极愿景一直是构建通用人工智能,利用通用人工智能来极大地加速科学发现的步伐,帮助我们更好地了解周围世界。

谷歌2014年以6亿美元的价格收购了DeepMind,该公司以围棋人工智能AlphaGo而闻名。不过该公司一直表示,希望能在科学领域发挥更大的影响力。DeepMind拥有近一千名员工,至今仍然几乎没有任何收入。谷歌母公司Alphabet为支持该公司投入了巨额成本,该公司已经成为全球人工智能竞赛的领先者之一。

那么此成果会带来哪些影响?首先是基因检测的成本极速下降。早期完成人类基因图谱时,个人基因组测序成本介于1000万至5000万美元(约合6376万-3.19亿元人民币)之间。2010年,这一成本已下降到5000美元(约合3.19万人民币元)。如今私营机构的检测成本已低至数百美元。随着人工智能深度参与此领域的发展,未来成本会进一步持续下降。

还有则是人工智能医生将逐渐取代医生,用基因治疗的方法,重塑体内一切组织和器官的活性。将病历丢给人工智能训练,那么其诊断水平不会亚于现今的医生。而后医疗彻底成为一项信息+基因的科技。依靠人工智能,我们能够更快、效率开发出药物,不必像如今一样采取试探性的治疗手法。

极大缩短芯片设计周期

2021年6月9日,谷歌于《自然》论文期刊上公布了用人工智能提升芯片设计速度的研究结果。此论文名为《A graph placement methodology for fast chip design》,谷歌成功开发了一种基于深度学习的芯片布局规划方法。该方法能够自动生成平面图,在包括功耗、性能和芯片面积等关键参数指标上,都优于或与人类芯片设计师所设计的规划图效果相当。

《A graph placement methodology for fast chip design》论文

最重要的是,人类工程师设计芯片需要花费数月时间,而谷歌开发的人工智能仅花费6小时就能达到相同的效果。

实际上早在一年前,谷歌人工智能负责人Jeff Dean领衔的团队就已经发表过一篇预印版论文提到这项技术。谷歌也会将该技术使用在下一代Google张量处理单元(TPU)加速器产品的开发中中,节省数千小时人力。

芯片设计是个非常耗时的工作,开发数个月甚至是数年再正常不过了。为此,电子设计自动化(Electronic design automation, EDA)的诞生解决了芯片开发时间过长的问题。EDA是指利用计算机辅助设计软件,来完成超大规模集成电路芯片的功能设计、综合、验证、物理设计(包括布局、布线、版图、设计规则检查等)等流程的设计方式。

谷歌在论文中给出的深度强化学习方法,是一种具有泛化能力的芯片布局方法,通过领域自适应策略,跨芯片进行推广。人工智能也能够自行从经验中学习,使芯片布局设计能力更快更好。《自然》杂志评论认为,此研究能够大大缩短芯片设计所需时间。

Google多年来一直在研究如何使用机器学习制造芯片,谷歌甚至开始用人工智能设计自家的TPU芯片,走在世界的前沿。

TPU,张量处理单元(Tensor Processing Unit),是 Google 开发的专用集成电路,专门用于加速机器学习。自 2015 年起,谷歌就已经开始在内部使用 TPU,并于 2018 年将 TPU 提供给第三方使用,既将部分 TPU 作为其云基础架构的一部分,也将部分小型版本的 TPU 用于销售。

谷歌TPU芯片

谷歌此次在芯片设计中应用人工智能则意味着人工智能正在帮助推动人工智能技术的进步。未来只要技术持续成熟,人工智能自行迭代、升级恐怕都不是问题。或许借助人工智能,我们能够延续摩尔定律也说不定。

摩尔定律(Moore's law)内容为:集成电路上可容纳的晶体管数目,约每隔两年便会增加一倍;预计18个月会将芯片的性能提高一倍(即更多的晶体管使其更快)。随着晶体管的变小,摩尔定律开始挑战物理极限,许多人认为摩尔定律将在3纳米附近终结。

如今芯片设计是个非常热门的领域。元宇宙、云计算、人工智能扥前沿科技都需要更加先进的芯片。而人类能够完成的事情是有限的,许多科技公司例如英伟达等也在研究其他方法来加快芯片研发工作流程。更加强大的芯片设计意味着更快且更好的掌握未来。因此,谷歌正在利用人工智能来加速,颠覆芯片设计领域。

人工智能领域的操作系统

TensorFlow是一个开源软件库,用于各种感知和语言理解任务的机器学习。TensorFlow目前被50个团队用于研究和生产许多谷歌的商业产品,例如语音识别、谷歌邮箱、谷歌相册和谷歌的搜索引擎。TensorFlow最初由谷歌大脑团队开发,用于Google的研究和产品生产,于2015年11月9日开源发布。

研究人员和计算机科学家可以利用TensorFlow来构建数据分析系统,让计算机利用数据进行决策。机器学习的核心是让机器读懂数据并基于数据做出决策。当数据规模庞大而又非常复杂时(越加有效的数据),我们可以通过机器学习让机器变得更聪明(准确率越高)。TensorFlow则是开发人工智能工具或是基础设施。

谷歌开源TensorFlow,全世界的人们都可以使用这一专业软件。而更深层次的是对机器学习整体行业的影响,无论是创业公司还是行业巨头,都可以根据自身需要来使用TensorFlow。借此谷歌可以在人工智能界树立权威。许多竞争对手例如Torch和Theano都由小型团队不断更新升级;而谷歌在机器学习方面的投入远超其他竞争对手。斯坦福大学计算机科学的Christopher Manning教授指出,TensorFlow神经网络的运行速度提高了100倍,TensorFlow的开源对机器学习社区是一份大礼。如今虽然人工智能或机器学习的研究论文中TensorFlow在逐年下降,但工业界、职场中仍然以TensorFlow为主。

人工智能学习平台的论文使用比例

来源:Assembly AI

LinkedIn上平台相关的招募岗位

来源:Assembly AI

而未来随着人工智能爆发,应用更加广阔的时候,TensorFlow或许会成为人工智能的安卓系统。倘若真的实现,那么谷歌将再一次在操作系统里领先,成为巨头。

End.

       原文标题 : 谷歌的人工智能三大布局

声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

人工智能 猎头职位 更多
扫码关注公众号
OFweek人工智能网
获取更多精彩内容
文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号