Jeff De2021谷歌年度 Jeff( 六 )

将ML与传统的编解码方法相结合的新工作，可以促使更高保真度的语音、音乐或其它声音以更低的比特率进行交流。另一方面，Jeff Dean 还表示像自动呼叫或者与 ML 智能体进行的一些日常互动性的功能变得越来越自然。
即使是用户可能会经常进行的，像智能文本选择等这样的简单任务也得到了改进，可以实现自动选择电话号码或地址等，能够方便复制粘贴，或者在手机上输入时的语法纠正。
此外，“屏幕注意（Screen Attention ）”可防止手机屏幕在被注视时变暗，并且注视识别（Gaze Recognition）的改进为可访问性和改善健康状况开辟了新的用例。ML 也正在启用新的方法来保障人们和社区的安全。例如，"可疑信息警报（ Suspicious Message Alerts ）" 对可能存在的网络钓鱼攻击发出警告、"安全路线（Safer Routing ） " 可以检测到急刹车事件以及提供建议替代路线。

文章插图

图注：最近的工作证明了注视识别可作为精神疲劳的重要生物标志物。
然而，这些新功能的开发离不开数据支撑，Jeff Dean 表示鉴于其中潜在的敏感性问题，将其设置为在默认状态下私有是非常有必要的。
其中的很多功能是在安卓私有的计算核心内运行，提供了一个与操作系统其它部分隔离的开源安全环境。安卓系统可以确保在私有计算核心中处理的数据不会在用户不知情的情况下分享给任何应用程序。安卓系统还防止私有计算核心内的任何功能直接访问网络。
相反，这些功能通过一小套开源 API 与私有计算服务进行通信，私有计算服务剥离了识别信息，并利用了包括联邦学习、联邦分析和私人信息检索在内的隐私技术，确保在学习的同时保护隐私。

文章插图

图注：联邦重建是一种新颖的部分局部联邦学习技术，其中模型被划分为全局和局部参数。对于每一轮联邦重建训练：(1) 服务器将当前全局参数 g 发送给每个用户 i；(2) 每个用户 i 冻结 g 并重建他们的局部参数 l_i；(3) 每个用户i冻结 l_i 并更新 g 产生 g_i ；(4)对用户的 g_i 取平均值，生成下一轮的全局参数。
【 Jeff De2021谷歌年度 Jeff】在 Jeff Dean 看来，这些技术对于发展下一代计算和交互模式至关重要。个人或公共设备可以在不侵犯隐私的情况下，从集体模型中学习，并推动模型训练的进步。
用联合无监督的方法来学习上述的通用模型，并针对特定的任务或环境进行微调，可以产生越来越多的智能系统，这些系统更像是一个社会实体而不是机器，与之互动要更为直观。只有从边缘到数据中心，深入改变技术堆栈（technology stacks)，使其适当支持神经计算，才有可能广泛而公平地使用这些智能接口。

趋势4：机器学习对科学、健康和可持续发展的影响越来越大

近年来，谷歌看到 ML 在基础科学中的影响越来越大，从物理学到生物学，在许多相关领域（例如可再生能源和医学）中都具有令人兴奋的实际应用。
计算机视觉模型已被部署用来解决个人和全球范围内的问题，它们可以协助医生进行日常工作，扩大人们对神经生理学的理解，还可以提供更好的天气预报结果和简化救灾工作。
通过发现减少碳排放和提高替代能源输出的方法，其他类型的 ML 模型被证明在应对气候变化方面至关重要。
随着 ML 变得更加健壮、完善和获得更广泛的访问，它在广泛的现实世界领域中具有高影响力的应用的潜力继续扩大，有助于解决研究人员面临的一些最具挑战性的问题。