Google大脑工程师详解：深度学习技术能带来哪些新产品？

　　这种技术还带来一些其他可能：

　　· 离线仍保持某些功能可用的虚拟助手;

　　· 告诉你植物、蘑菇等是否有毒能不能吃的荒野求生应用;

　　· 自带TPU(Google的Tensor Processing Unit)芯片[11]、能实现简单避障、导航功能的小型无人机。

　　人机交互

　　深度神经网络是第一种能真正看见、听见我们的世界，并且健壮性达到可接受水平的模型，这开启了很多人机交互的可能性。

　　现在，我们可以利用摄像头来识别手语、读书给人类听。实际上，深度神经网络已经可以用完整的句子来描述它们所见。百度的盲人助手小明(DuLight)项目就是一个能把画面转换成语音的耳机。

　　我们的人机交互不局限在视觉相关的领域，深度学习也可以用于校正脑电(EEG)接口，让截瘫人士能更快地与计算机交流，也能为类似手势识别工具Soli的项目提供更精确的解码技术。

　　游戏

　　在计算上，游戏是非常具有挑战性的，因为它同时实时运行着物理模拟、AI逻辑、渲染、多玩家互动。这其中很多部件的复杂度都达到了至少O(N^2)，因此，我们现有的算法已经触碰到了摩尔定律的天花板。

深度学习在几个不同方面推进了游戏能力的边界。

　　显然，有一个方面是游戏AI。在现在的电子游戏中，AI为非玩家角色(NPC)设计的逻辑无非是一串“如果-则-否则”的表述拧在一起，来模仿智能行为。对于高级玩家来说，这种AI不够智能，导致单人模式下的角色互动在某种程度上缺乏挑战性，即使在多人游戏中，最聪明的也通常是人类玩家。

深度学习会改变这一状况。Google旗下DeepMind的AlphaGo向我们展示了深度神经网络与梯度策略学习结合，可以强大到能在围棋这样复杂的游戏中击败最强的人类选手。AlphaGo所用的深度学习技术可能很快将用于游戏的NPC上，利用玩家的弱点来提供更吸引人的游戏体验，其他玩家的游戏数据可以被发往云端供AI学习。

　　深度学习在游戏中的另一个应用是物理世界的模拟。我们也许可以把非线性动力问题转换成一个回归问题，而不用从基本原理出发来模拟流体和粒子。比方说，如果我们训练一个神经网络，让它学习支配流体动力学的基本规律，在游戏中就能快速评价，不需要对N-S方程(Navier-Stokes equations)大规模实时求解。

　　实际上，Ladicky & Jeong 2015已经这么做了。

　　对于每秒不能低于90帧的VR应用，这可能是现有硬件限制下的唯一可行方案。

　　第三，深度生成模型可以用于创建无限丰富的程序性内容，例如动物群、角色对话、动画、音乐，也许还有游戏的故事线本身。刚刚有游戏开始探索这个领域，例如无人深空(No Man’s Sky)就有潜力成为一款具有无限内容的游戏。

　　最后，作为蛋糕顶上樱桃一样的点缀，深度神经网络很适合平行小批求值，就是说运行在一块GPU上的AI逻辑可以同时模拟出128个NPC、32处水流。

　　艺术助手

　　由于神经网络对于图像、音频、文本都有着很好的感知能力，我们可以用它来绘画、作曲、写小说也就不奇怪了。

　　多年来，人们一直在尝试让计算机作曲、绘画，不过直到深度学习出现，我们才开始真正生成出“好结果”，现在苹果的App Store中已经有几个App为取乐使用了这类算法，但我们可能很快就会看到专业的内容创作软件中将这类算法用作辅助的生成手段或滤镜。

　　非结构化数据挖掘

　　在从网页上获取信息方面，深度学习还没有达到人类的水平，但是深度神经网络赋予机器的视觉能力，让它们足以理解超文本之外的内容。

　　例如：

　　· 从扫描的传单分析事件;

　　· 识别EBay上哪些商品是相同的;

　　· 通过摄像头辨别客户情绪;

　　· 不借助RSS从网页上提取博客内容;

　　· 将照片信息整合到金融估值工具、保险单、信用评分中。

　　语音合成

　　从生成模型的发展水平、数据的丰富程度来看，以摩根·弗里曼或者斯嘉丽约翰逊的声音读文章给你听的应用迟早要出现。我在Vanguard游戏里的密码就是我的声音。

　　其他

　　自适应操作系统/网络堆栈调度：在操作系统中安排线程和进程是一个非常难的问题，我们目前还没有非常令人满意的解决方案，现代操作系统、文件系统和网络传输协议TCP/IP的调度算法还相当简单。我们或许可以用小型神经网络来适应用户特定的调度模式。

　　显微镜软件的菌落计数、细胞追踪(用于生物实验研究)

　　“以机器学习替代模拟”的策略已经在药物设计领域发挥作用，大幅提升了找到哪种化合物有帮助、哪种有毒性的效率。