多年来，Google Brain团队致力于智能的机器学习来改善人们的生活。为此，无论是在纯理论研究的领域，还是将研究成果投入实际应用，探索从未停止。近期，Google Brain团队负责人Jeff Dean对2016年在各领域取得的重大进展进行了总结，概括起来主要有以下9件大事。
理论研究成果：发表27篇论文
2016年，Google Brain团队参与了ICML、NIPS和ICLR等国际顶级机器学习会议，并在这些会议上发表了27篇论文。除机器学习领域的专业会议以外，还有很多论文被其他领域的会议所接受，例如自然语言处理领域的ACL和CoNNL大会、语音领域的ICASSP大会等。
Google Brain还向深度学习研究会议ICLR 2017提交了34篇论文，以在即将到来的大会中进行研究讨论。
自然语言理解：翻译精准度提升85%
让计算机更好地理解人类语言，一直是Google Brain团队的一个研究重点。早在2014年，Google Brain的三位研究员通过相关论文展示了神经网络技术被运用在机器翻译中的可能性，2015年的研究还表明这种技术也能被运用到图像翻译、句子成分分析和解决集合运算问题等方面。
在2016年，通过与Google翻译团队的紧密合作，一种端对端的学习系统被运用到了Google翻译中，大幅提高了翻译准确率，其中一些语言对的准确率甚至提高了85%。随之发布的多语言互译系统，则使能够实现互译的语言对越来越多，向消除语言隔阂的目标又进了一步。
3种方法提高机器人自主学习效率
将新功能、新能力嵌入到原有机器人中，对于用算法精心设计并由人工进行编程的传统机器技术来说，是一个难点，而机器学习技术为这一难点提供了突破口。2016年，Google Brain与Google X团队合作，通过大量的实验、探索让机械臂在更短的时间里自主学习和训练“手眼协调”的方法。
Google Brain团队最终得出了让机器人获得新能力的3种方法：强化学习、交互学习和演示学习。团队仍将继续研究让机器人在更加复杂的现实环境中习得新技能的方法。
协助疾病诊断
机器学习技术的应用在医疗领域展现的巨大潜力十分令人兴奋。Google Brain团队在美国医疗学会学报（JAMA）上发表的论文证明了机器学习技术被运用在糖尿病视网膜病变诊断中的潜力，这将为缺少诊断和治疗条件地区的患者带来福音。
Google Brain相信，机器学习无论是从质量还是从效率的层面上，都能大幅提升患者的诊疗体验。2017年，在这个领域的研究将会进一步加强。
机器学习与艺术的激烈碰撞
2016年启动的Magenta项目，探索了如何用机器学习系统来学习人类的创造力，寻求艺术与机器智能碰撞的火花。从音乐和图像的生成开始，到文字和VR的生成，Magenta正在成为最先进的内容创造生成模型。
确保人工智能安全性和公平性
复杂而强大的人工智能系统将越来越多地参与到人们的生活中，其安全性和公平性必须得到严格保证。Google Brain与斯坦福大学、伯克利和OpenAI等大学和机构合作，共同发表论文，论述了人工智能安全领域研究中应被重视的着力点。目前，确保机器训练数据的私密安全是研究重点。
Google Brain也在着手让人工智能系统进行复杂决策。在这一过程中，保证决策的公平性也是非常重要的。在一篇监督机器学习过程的公平性机制的论文中，Google Brain论述了如何通过技术手段避免偏见和歧视的出现。
开源项目TensorFlow广受欢迎
GitHub上最受欢迎的机器学习项目TensorFlow吸引了超过570为贡献者的10000以上的提议。同时，TensorFlow也被许多知名研究团队和企业所采纳，并被投入到了实际应用中：从寻找珍稀海牛，到帮助农夫拣选黄瓜，各种项目中都有它的身影。
2016年11月，TensorFlow开源一周年，一篇关于TensorFlow计算机系统的论文在计算机系统研究会议OSDI上被提交，阐述了其大规模机器学习的原理。
建立机器学习社区推动教育和技术发展
为加速机器学习领域的发展，培养更多专业人才，Google Brain也一直都在积极建立机器学习社区，以开展机器学习研究。
Google Brain通过开设免费的深度学习网络课程、建立可视化学习系统、在线问答、接待实习生等形式，来推动机器学习领域的教育和技术的发展。
让机器学习遍布Google
在Google内部，机器学习的浪潮也在席卷着每一个角落。机器学习的专业知识和意识已经被有意识地渗透到了许多团队中，并被应用到了产品开发中。例如，Google Brain团队为Google定制的加速器ASIC大幅提高了机器学习的效率和性能，并被应用到了神经网络机器翻译系统和AlphaGo与李世石的围棋对战当中。
