The Google Fans Post

通过对论文进行“敏感话题”审核，Google 开始对其科学家所进行的研究结果进行限制，至少在 3 个案例中要求论文作者避免对 Google 的技术施加负面评价。今年夏天，一位 Google 高级经理对一项内容推荐技术的研究在其发表前进行了审查，建议作者“谨慎地表达 正面语调 ，当然也不应该隐藏真正的挑战。”后来，作者“更新并移除了所有对 Google 产品的提及”，其中包括 YouTube，路透社阅读论文草稿后确认。 Google 新的审核程序要求研究人员在进行诸如面部和情绪识别、种族/性别/政治派别归类等话题研究之前，咨询法律、政策和公共关系团队。“一些并不具有冒犯性的项目往往容易引起道德、法律、监管和名声方面的担忧。”8 位前或现在的 Google 雇员说，新增加的“敏感话题”增加了一组审查，以避免公司陷入“披露商业秘密”的陷阱。 四位研究人员相信 Google 开始干预具有潜在技术损坏的关键研究。“基于专业知识进行恰当的研究工作，满足高水平同行评审的情况下仍然不被允许发表研究结果，那就是一种极为严重的审查情形，”资深科学家 Margaret Mitchell 说。 一组科学家聚焦于 AI 伦理学研究，其领导者被本月稍早时候 被解雇 ，Google 公司与雇员（研究人员）之间的紧张关系成为焦点。

Google 展示了一个 AI 系统，能够根据卫星云图近乎瞬时的进行高清晰度天气预测。此项研究虽然还处于早期阶段，但其显示出来的表现已经超过了传统的预测模型。/ VB 模型训练所使用的是数据驱动和无物理参数的方式，也就是说，系统并不学习之前的知识，所依靠的只是示例的近似大气物理学信息。卷积神经网络接收天气模型的照片，继而生成新的输出照片。 卷积神经网络由一系列图层构成，每一图层都是一组数学运算。图层以编码相（Encoding Phase）排列从而可以降低通过它们的图片的解析度。另外一个解码相（Decoding Phase）则用于拓展这些低维图像。 图片输入的信道数取决于观测的卫星照片的数量和波长数。比如说 1 小时拍摄了 10 张卫星照片，每张照片拍摄了 10 个波长，那么输入信道就有 100 个。 研究人员对比了此模型和其他 3 个模型的表现，发现新的模型比其他 3 个都要好。NOAA 的 HRRR 模型在预测范围到达 5 至 6 个小时的时候表现更突出一些。但是，HRRR 的计算延迟长达 1 至 3 小时，新的模型耗时在 5 至 10 分钟之间。 HRRR 使用的还是 3D 物理模型，而成云过程很难从 2 维图片中观察到，机器学习模型学习对流过程也很困难。所以如果把两个模型结合起来使用就会有很好的效果：机器学习模型进行快速预测，HRRR 进行长时间预测。 IBM、Facebook 公司的研究人员也有尝试利用 AI 技术分析卫星照片或对天气进行预测的。斯坦福地球物理系的研究人员则在尝试一个能够分离、识别地震信号的系统。

Google 的科学家宣布他们已经 取得了量子优越性 （Quantum Supremacy，也被称作“量子霸权”），量子计算机方面一个里程碑式的进展。研究论文发表在 10 月 23 日的 Nature 上。 量子优越性指的是达到能够使用量子计算机解决一些传统计算机需要耗费极长时间才能解决的问题的水平。其里程碑意义在于，人类终于可以利用量子力学方面的知识解决一些计算方面的难题了， Google 博客 介绍说。 由加州大学圣芭芭拉分校实验物理学家 John Martinis 和 Google 领导的一个团队，首次使用量子计算机完成了一个计算任务，Google 预计，即使使用最好的超级计算机，这个任务也需要要花费 1 万年。 Martinis 将此类比于计算机程序 Hello, World  的意义，它表明量子计算的硬件和软件可以正常运行。Google 花费了 13 年才取得这个成就。 量子计算机方面 Google 的一个对手 IBM 在预印本中表示 Google 所宣称的难题使用另外一种经典方法只需 2.5 天就可以解决。研究报告还没有经过同行评审。如果 IBM 所述为真，就表明 Google 所展示的量子优越性并非真正意义上的里程碑。 悉尼新南威尔士大学量子物理学家 Michelle Simmons 认为，就算 Google 的成就如 IBM 所宣称的那样不算伟大的成就，也仍然是一次壮举，因为这是第一次展示。“Google 似乎是首次拿出了实验证据来表明量子加速计算的可能性。” Google 目前取得的成就可能会刺激更多科学家和工程人员投身到量子计算领域。即使 Google 真的如其所述的取得了“量子优越性”，我们离使用量子计算机解决实际问题的距离还有很远，比如说计算某个分子的电子结构。也就是说，关于量子优越性虽然媒体有大量的报道，这并不意味着我们就很快能利用量子计算机了。科学家现在还无法展示一个可编程的量子计算机。另外一个预期的突破，在于展示算法中的量子优越性可以使用“错误修正”过程，这对于规模化应用量子计算机非常重要。Google 目前正努力向这两个里程碑的方向迈进，Martinis 说。 所展示的量子优越性可能在密码学和加密货币方面有实际用途，因为安全取决于随机密钥。德州大学理论计算机科学家 Scott Aaronson...

心脏病、心血管疾病是人类面临的主要健康威胁之一。在澳大利亚，1/6 的人受心血管疾病困扰。悉尼大学 Westmead Applied Research Center（Westmead 应用研究中心）在开展一项与心血管疾病相关的数字健康项目， Google.org 捐赠了 1 百万美元 支持此项研究，将 AI 技术纳入到项目中，以期可以给予病人更个性化的健康建议与指导。 研究项目的目标，是对有高风险发展成为心血管疾病患者的人群提供健康支持，以鼓励他们改变生活方式（多运动、注重饮食）的方式。一个健康短信程序会被开发出来，机器学习和 AI 可能使程序的服务更具个性化，而且还可以自动监测对象的一些关键健康数据（前提是得到被监测者的同意）。 Google.org 的赠款将有助于研究人员打造数字工具，个性化的临床和健康服务得以提供给用户而不需要面对面进行。理想状态下，AI 程序能够学习某个个体的活动状况，进而自动为其提供指导建议。 项目初始的设计是为 3 000 人提供短信健康建议，并收集他们的特征信息，进而评价建议信息对健康状况的作用。这里面最关键的就是 AI 程序的可靠性问题，换句话说，是否有足够可靠的数据来打磨 AI 和机器学习所驱动的程序，决定着项目的成败。 项目的意义无疑是巨大的。未来，如果移动和数字健康解决方案能够有效的运行，那就能很大程度地减少人们住院治疗的情况，降低人们在医疗健康方面的花费，使医疗健康服务为更多人可用。

星期一，Google 的研究人员 Matthew Trevithick 等在  Nature 发表同行评审论文（ 论文链接 ），报告称 没有发现冷聚变可行的证据 ，不过在测量和材料科学技术方面有所进展。 Google 从 2015 年开始资助冷聚变方面的实验，曾 拿出 1 000 万资金 资助全球 30 多个科学家进行冷聚变方面的实验。冷聚变（ 冷核聚变 ）是一个具有争议的课题，它设想太阳上无时无刻不在进行着的核聚变过程可以在常温情况下的实验室台面上完成。 过去两年 Google 的资助帮助科学家一共发表了 12 篇论文，9 篇经过同行评审，3 篇发表在 arXiv 网站上。 冷聚变可以说是一个“臭名昭著”的课题，因为其宣传的结果无法被复制，遭到科学界的排斥， Solidot 网站报道说 。 另有 Physics World 报道 说，Google 及北美研究机构的一些科学家重启了对冷聚变的研究，正如 Solidot 网站标题所陈述的“Google 复兴受争议的冷聚变研究”。 研究人员 Matthew Trevithick   称，现在去评价那些无法重复实验结果的冷聚变方面的研究价值，可能还为时过早。评价冷聚变是否可行的数据现在还很少。 现在，Google 资助的一项研究开始重新调查原始的冷聚变结果以及少数继续进行冷聚变假想探究的研究组织的结果。很多科学家认为这些工作是浪费时间，不过 Google 方面的研究人员相信冷聚变是可能的，问题只是出在技术层面。 Solidot 还报道说《科技日报》简单翻译了 Nature 网站上的报道，即 Solidot 文章所引用的。不过，《科技日报》的转述只字不提 Google（谷歌）字样。它的报道可在 科学网 读到。 【与此文章内容无关的一些感想】 《科技日报》既然看了 Nature 网站的文章而又进行了转述，却唯独不提 Google，又没有任何链接。我认为恰恰证明了：（1）Google 的极端重要性；（2）英文阅读能力的重要作用。 英文阅读能力，实际上依靠 Google 翻译就可以基本获得。 没有 Google 和英文阅读能力，有的人就可以任意地截取信息，不让你知道什么你就不知道什么，让你知道多少你就能知道多少。多么可怕！ 转述、有意或无意地剔除信...

Google 与纽约大学、加州大学圣迭戈分校的研究人员合作研究了 基础的账户保护方法对于阻止黑客攻击的有效性问题 。研究发现，给 Google 账户增加一个账号恢复电话号码能够 100% 阻止机器人攻击、99% 的大规模网络钓鱼（Bulk phishing）攻击和 66% 的针对性攻击。 手机短信这种两步验证方式并不很可靠，有时候 能够被人从中拦截 ，但冒这种险是值得的。比短信验证码更安全的是两步验证应用。 安全密钥则可以保护那些最易受攻击的账户，无论是自动攻击、钓鱼攻击还是高度针对性的攻击，后者通常有国家背景。Google 称百万分之一用户会遭受针对性的账户攻击。 对大多数其他人来说，给账户增加一个手机号码来接收验证码可以显著改善账户安全。 我相信 Google 账户请求用户添加电话号码只是为了向用户传递登录验证码，Google 还在不断开发新的技术， 增加可选项 来供用户自由选取。这与很多网站的账户 现在没有手机号码都不能使用 这种“实名制”安排是有本质上区别的。我已经好多年没有更改过自己 Gmail 的密码了，因为根本不需要。一些网站和 Android 应用的登录也不需要记忆密码，甚至 不用自己设计密码 ，所有密码都保存到 Google 账户而自动填充。我觉得这是 Google 账户增加用户便利性而又不破坏安全性的一个表现。

推荐算法被 Google、YouTube、Facebook、Netflix 等服务都有使用。它们有便利的地方，比如使用户更容易看到自己感兴趣的新闻或者视频。它们也有负面作用，即所谓的“回音室”（Echo Chamber）或者“过滤气泡”（Filter Bubbles）效应。 这个负面作用很早以前就有学者或相关人士关注、研究、讨论。Facebook 诞生之前三年，哈佛的一位法律教授出版著作准确预测了互联网的崛起可能带来的“群体极化”（Group polarization）效应，它最终将危害健康的民主体制。 2016 年美国大选过后，上述效应（或者说词汇、概念）变得流行起来，相关研究又陆续出现。DeepMind 的研究人员最近在 arXiv 预印本网站发表论文，标题是“ Degenerate Feedback Loops in Recommender Systems ”（推荐系统的退化反馈循环），讨论了此议题。 研究人员分析了不同的推荐算法在加速或者减缓上述两个效应方面的表现。 “回音室效应”和“过滤气泡效应”本来是同一类型事物，“退化反馈循环”是它们的学术表达。不过，研究人员对二者进行了区分。“回音室”通过把用户暴露在相似内容中强化用户的兴趣；“过滤气泡”则缩小用户可接触到内容的范围。退化程度越高，表明它们的效应越强烈。 研究人员模拟了五种不同的算法，算法的差别在于预测准确度的优先级。结果发现，准确度优先级越高的算法，系统退化越快。也就是说，抵抗“回音室”或者“过滤气泡”危害的办法是设计算法使其更具探索性，推荐给用户一些不那么准确抓住用户兴趣的内容。拓宽推荐算法所基于的总体信息集也有帮助。 明尼苏达大学的计算机科学教授 Joseph A. Konstan 以前也进行过“过滤气泡”方面的研究，他说 DeepMind 的研究结果并不出人意料。“研究人员早就意识到了推荐系统里准确预测和有效探索之间的矛盾。” 以前有研究发现，用户忍受较低程度的预测准确性的同时能够得益于推荐多样性的好处，不过开发者并不愿意把自己的算法设计成那样。推荐安全的选择更容易成为“正确”。 Konstan 批评 DeepMind 的研究没有采用有人类参与的交互系统而是使用机器学习进行模拟。他说，“人是复杂的。一方面，人珍视多样性；另一方面，人如果觉得推荐算法变得过...

当一个组织或器官的癌细胞变成转移性肿瘤时，通过人体的循环或淋巴系统，它们可以在人体的其他部位形成新的肿瘤。 转移性肿瘤通常极难检测得到。2009 年一项报告指出，波士顿两个医院的 102 个乳腺癌患者中，1/4 的病人因“护理过程”不足而受影响。乳腺癌在全世界每年造成约 50 万人死亡，其中 90% 是转移性乳腺癌所导致的。 圣迭戈 Naval Medical Center（海军医疗中心）和 Google AI 的研究人员发展出一个癌症检测算法，可以自主评估淋巴结活检。 所开发的 AI 系统称作 Lymph Node Assistant（淋巴结助理，LYNA）。测试中，LYNA 的 AUC——一种精准度评估参数——达 99%，表现优于人类病理学家。去年发表在《JAMA》上的一篇论文指出人类在限时状况下的准确度约为 62%。那篇论文的主题是对比各种深度学习算法在评估女性乳腺癌淋巴结转移方面的表现。 本研究结果发表在《美国外科病理学杂志》（ The American Journal of Surgical Pathology ）。 LYNA 是基于开源的图像识别深度学习模型 Inception-v3 而开发的。研究人员输入一张 299 像素的照片，在像素级别概述肿瘤，训练过程中，从组织贴片提取“良性”或“肿瘤”的标签，是为预测。随后对算法权重进行调整以降低错误率。 研究人员改进了此前已发表的算法，表现在：LYNA 所应对的是正常：肿瘤贴片比例 4：1 的状况；训练过程的计算效率得到改善； 活组织检查扫描变量归一化处理使模型表现更佳。 研究人员把 LYNA 应用到淋巴结癌细胞转移 2016 调整数据集（Camelyon16）上，取得 99.3% 的切片级准确度；当模型敏感阈调整到检测每一个切片的肿瘤时，它展现出 69% 的灵敏度，识别出评估数据集中所有的 40 个转移，无一遗漏。切片的人为因素比如气泡、出血、过度染色等不影响模型效果。 LYNA 不足之处是经常会错误识别出巨细胞、生殖癌细胞和骨髓白细胞，但其在 评估切片方面的 表现要好于一个训练有素的病理学家。 Google AI 和 Verily 在发表的第二篇论文中报告说，模型减少了 一个由六个病理学家组成的小组一半的时间去 检测淋巴结转移。 未来的工作是...